iOS编程(第四版)笔记--待续

1、Party *partyInstance = [Party alloc]; [partyInstance init]; 因为任何一个对象都必须在创建并且初始化后才能     使用,所以上述两个消息应该写在一行 代码里,其代码如下:

  Party *partyInstance = [[Party alloc] init];

  这种将两个消息合写在一行代码中的做法称为嵌套消息发送(nested message send)。程序 会先执行最里面那个方括号中的代码,所以 Party 类会先收到 alloc 消息。接着,alloc 方 法会返回指向新创建对象的指针。最后,未初始化的对象会收到 init 消息,返回初始化后的 对象指针,并将指针保存在变量中。

---------------------------------------------------------------------------------------------------------

2、标签和参数必须配对的语法是 Objective-C 的一项重要特性。在其他语言中,上面这行代 码可能会写成:

  partyInstance.addAttendeeWithDish(somePerson, deviledEggs);

在这些语言中,传入函数的各个数值分别对应哪个参数并不明显。在 Objective-C 中,每 个数值都会和相应的标签配对,代码如下:

  [partyInstance addAttendee:somePerson withDish:deviledEggs];

这里要记住,每一组方括号只对应一条需要发送的消息。虽然这里的 addAttendee:withDish:有两个标签,但仍只是一条消息,发送这条消息只会触发一个方法。

--------------------------------------------------------------------------------------------------------

3

时间: 2024-10-12 15:29:00

iOS编程(第四版)笔记--待续的相关文章

[模式识别].(希腊)西奥多里蒂斯<第四版>笔记10之__监督学习:后记

本章是监督学习的最后一部分,主要有三个目标.   首先,根据系统的分类错误概率来评估系统性能. 其次,将整个系统设计的各个阶段组合到一起. 最后,引入无标签数据,简单介绍半监督学习 1,ERROR-COUNTING方法 2,探求有限的数据集的大小 3,一个医学图像的学习案例 4,半监督学习:生成模型(generative model);基于图的方法(graph-based method); Transductive Support Vector Machines [模式识别].(希腊)西奥多里蒂

[模式识别].(希腊)西奥多里蒂斯<第四版>笔记9之__context-based classification

本章的假设前提是不同类之间存在相关性.连续的特征向量不是孤立的. 1,贝叶斯分类器 2,马尔科夫链模型 3,the viterbi algorithm 4, 信道均衡(channel equalization):任务是回复被传输通道或者噪音破坏的信息序列. 5,隐式马尔科夫模型 6,带状态持续模型(state duration model)的HMM 7,通过神经网络训练马尔科夫模型 8,马尔科夫随机场的讨论 [模式识别].(希腊)西奥多里蒂斯<第四版>笔记9之__context-based c

[模式识别].(希腊)西奥多里蒂斯&lt;第四版&gt;笔记10之__聚类:基本概念

一,引言 之前几个章节讨论的都是监督聚类,从本章开始讨论非监督聚类,即训练模式不带标签的情形. 聚类的步骤: 1,特征选择.选取最能够表示我们目标物体信息的特征. 2,相似性度量.给出两个特征量相似点或者不想似的地方. 3,聚类标准.聚类标准.可能由损耗函数(cost function)或者其他形式表达. 4,聚类算法.根据相似性度量和聚类标准,阐明数据的结构. 5,结果验证. 6,解释结果. 不同的特征.相似性度量.聚类标准和聚类算法会导致完全不同的结果. 主观性会一直伴随我们.(Subjec

[模式识别].(希腊)西奥多里蒂斯&lt;第四版&gt;笔记4之__非线性分类器

1,Exclusive OR(XOR)Booleanfunction问题 布尔量AND和OR是线性可分的 2,两层感知器 对Figure4.1中A类和B类,首先能想到的是画两条直线.如图Figure4.4. ①     两层感知器的分类能力 3,三层感知器 4,基于训练集精确分类的算法 5,反向传播算法 6,反向传播主题的变种 7,成本函数的选择(THE COST FUNCTION CHOICE) 8,  网络尺寸的选择 9,权重共享网络 10,广义线性分类器 11,线性二分法的维度空间容量

高效awk编程第四版学习笔记

How to Run awk Programs 语法: awk 'program' input-file1 input-file2 适用于短program awk -f program-file input-file1 input-file2 用在长program awk是输入驱动的,也就是说没有输入就结束 awk模型:把输入的每一行进行检查是否满足pattern,如果满足就执行action,如果不满足,下一行处理,直到文件的末尾.另外一种模式就是BEGIN和END,这两个在主循环体内只执行一次

[模式识别].(希腊)西奥多里蒂斯&lt;第四版&gt;笔记8之__模板匹配

  对语音识别来讲,同一个单词被同一个人每次说的情况都不同,给识别带来困难.本章讨论的就是对不同的情形如何定义适应不同特性的度量. 1,基于最优路径搜索的度量:①贝尔曼最优性原则和动态编程②编辑距离(The Edit Distance)③在语音识别动态时间扭曲(DTW), speaker-dependentrecognition. speaker-independentrecognition. 2,基于相关性的度量:这一部分解决的问题是"给定一组记录数据,查找数据是否包含已知模式,并找出其具体位

[模式识别].(希腊)西奥多里蒂斯&lt;第四版&gt;笔记5之__特征选取

1,引言 有关模式识别的一个主要问题是维数灾难.我们将在第7章看到维数很容易变得很大. 降低维数的必要性有几方面的原因.计算复杂度是一个方面.另一个有关分类器的泛化性能. 因此,本章的主要任务是:在尽可能保留特征的分类判别信息前提下,来选择重要的和维数少的特征量.这个过程被称作特征选择或者特征降维. 定量描述来讲,选择的特征应该使得类内距离减小,类间距离增大. 一些文献表述中使用feature extraction,而不是我们本文使用的featureselection.这将会和第7章的一些描述有

[模式识别].(希腊)西奥多里蒂斯&lt;第四版&gt;笔记7之__feature generation (2)

本章将关注图像分析领域的feature generation. 1,区域特征:①纹理特性②局部线性变换提取纹理特征③矩④参数模型 2,形状和尺寸特征:①傅里叶特征②链式编码,它是边界形状描述最常用的技术③基于矩(moment)的特征④几何特征 3,分形(A GLIMPSE AT FRACTALS) 1980年代有两个重要工具被引入模式识别应用领域:神经网络和小波分析 同一时期,分形和分形维数也被引入. 4,语音和音频分类的典型特征

[模式识别].(希腊)西奥多里蒂斯&lt;第四版&gt;笔记6之__feature generation (1):数据转换和降维

1,单值分解:线性代数的重要部分,已经被广泛用于模式识别中的降维和信息检索应用中. 2,独立成分分析 3,非负矩阵分解 4,非线性降维算法:① kernel PCA②基于图的方法(拉普拉斯算子,Local LinearEmbedding (LLE),Isometric Mapping (ISOMAP)) 5,离散傅里叶变换 6,离散cos和sin变换 7,THEHADAMARD TRANSFORM 8,哈尔变换(THE HAAR TRANSFORM) 9,哈尔扩展回顾(THE HAAR EXPA

Java编程思想第四版读书笔记——第十三章 字符串

Java编程思想第四版读书笔记--第十三章 字符串 字符串的操作是计算机程序设计中最常见的行为. 关键词: StringBuilder ,StringBuffer,toString(),format转换,正则表达式, 1.不可变String String对象时不可变的.每当把String对象作为方法的参数时,都会复制一份引用.(其实就是对函数中参数列表中参数的操作不会影响外面的原参数) 如下: import static net.mindview.util.Print.*; public cla