数学基础
- 线性代数
- 概率论与随机过程
- 数值计算
- 蒙特卡洛方法与 MCMC 采样
- 机器学习方法概论
统计学习
深度学习
- 深度学习简介
- 深度前馈网络
- 反向传播算法
- 正则化
- 深度学习中的最优化问题
- 卷积神经网络
- CNN:图像分类
- 循环神经网络 RNN
- Transformer
- 一、Transformer [2017]
- 二、Universal Transformer [2018]
- 三、Transformer-XL [2019]
- 四、GPT1 [2018]
- 五、GPT2 [2019]
- 六、GPT3 [2020]
- 七、OPT [2022]
- 八、BERT [2018]
- 九、XLNet [2019]
- 十、RoBERTa [2019]
- 十一、ERNIE 1.0 [2019]
- 十二、ERNIE 2.0 [2019]
- 十三、ERNIE 3.0 [2021]
- 十四、ERNIE-Huawei [2019]
- 十五、MT-DNN [2019]
- 十六、BART [2019]
- 十七、mBART [2020]
- 十八、SpanBERT [2019]
- 十九、ALBERT [2019]
- 二十、UniLM [2019]
- 二十一、MASS [2019]
- 二十二、MacBERT [2019]
- 二十三、Fine-Tuning Language Models from Human Preferences [2019]
- 二十四 Learning to summarize from human feedback [2020]
- 二十五、InstructGPT [2022]
- 二十六、T5 [2020]
- 二十七、mT5 [2020]
- 二十八、ExT5 [2021]
- 二十九、Muppet [2021]
- 三十、Self-Attention with Relative Position Representations [2018]
- 三十一、USE [2018]
- 三十二、Sentence-BERT [2019]
- 三十三、SimCSE [2021]
- 三十四、BERT-Flow [2020]
- 三十五、BERT-Whitening [2021]
- 三十六、Comparing the Geometry of BERT, ELMo, and GPT-2 Embeddings [2019]
- 三十七、CERT [2020]
- 三十八、DeCLUTR [2020]
- 三十九、CLEAR [2020]
- 四十、ConSERT [2021]
- 四十一、Sentence-T5 [2021]
- 四十二、ULMFiT [2018]
- 四十三、Scaling Laws for Neural Language Models [2020]
- 四十四、Chinchilla [2022]
- 四十七、GLM-130B [2022]
- 四十八、GPT-NeoX-20B [2022]
- 四十九、Bloom [2022]
- 五十、PaLM [2022] (粗读)
- 五十一、PaLM2 [2023](粗读)
- 五十二、Self-Instruct [2022]
- 句子向量
- 词向量
- 传统CTR 预估模型
- CTR 预估模型
- 一、DSSM [2013]
- 二、FNN [2016]
- 三、PNN [2016]
- 四、DeepCrossing [2016]
- 五、Wide 和 Deep [2016]
- 六、DCN [2017]
- 七、DeepFM [2017]
- 八、NFM [2017]
- 九、AFM [2017]
- 十、xDeepFM [2018]
- 十一、ESMM [2018]
- 十二、DIN [2017]
- 十三、DIEN [2019]
- 十四、DSIN [2019]
- 十五、DICM [2017]
- 十六、DeepMCP [2019]
- 十七、MIMN [2019]
- 十八、DMR [2020]
- 十九、MiNet [2020]
- 二十、DSTN [2019]
- 二十一、BST [2019]
- 二十二、SIM [2020]
- 二十三、ESM2 [2019]
- 二十四、MV-DNN [2015]
- 二十五、CAN [2020]
- 二十六、AutoInt [2018]
- 二十七、Fi-GNN [2019]
- 二十八、FwFM [2018]
- 二十九、FM2 [2021]
- 三十、FiBiNET [2019]
- 三十一、AutoFIS [2020]
- 三十三、AFN [2020]
- 三十四、FGCNN [2019]
- 三十五、AutoCross [2019]
- 三十六、InterHAt [2020]
- 三十七、xDeepInt [2023]
- 三十九、AutoDis [2021]
- 四十、MDE [2020]
- 四十一、NIS [2020]
- 四十二、AutoEmb [2020]
- 四十三、AutoDim [2021]
- 四十四、PEP [2021]
- 四十五、DeepLight [2021]
- 图的表达
- 一、DeepWalk [2014]
- 二、LINE [2015]
- 三、GraRep [2015]
- 四、TADW [2015]
- 五、DNGR [2016]
- 六、Node2Vec [2016]
- 七、WALKLETS [2016]
- 八、SDNE [2016]
- 九、CANE [2017]
- 十、EOE [2017]
- 十一、metapath2vec [2017]
- 十二、GraphGAN [2018]
- 十三、struc2vec [2017]
- 十四、GraphWave [2018]
- 十五、NetMF [2017]
- 十六、NetSMF [2019]
- 十七、PTE [2015]
- 十八、HNE [2015]
- 十九、AANE [2017]
- 二十、LANE [2017]
- 二十一、MVE [2017]
- 二十二、PMNE [2017]
- 二十三、ANRL [2018]
- 二十四、DANE [2018]
- 二十五、HERec [2018]
- 二十六、GATNE [2019]
- 二十七、MNE [2018]
- 二十八、MVN2VEC [2018]
- 二十九、SNE [2018]
- 三十、ProNE [2019]
- Graph Embedding 综述
- 图神经网络
- 一、GNN [2009]
- 二、Spectral Networks 和 Deep Locally Connected Networks [2013]
- 三、Fast Localized Spectral Filtering On Graph [2016]
- 四、GCN [2016]
- 五、神经图指纹 [2015]
- 六、GGS-NN [2016]
- 七、PATCHY-SAN [2016]
- 八、GraphSAGE [2017]
- 九、GAT [2017]
- 十、R-GCN [2017]
- 十一、 AGCN [2018]
- 十二、FastGCN [2018]
- 十三、PinSage [2018]
- 十四、GCMC [2017]
- 十五、JK-Net [2018]
- 十六、PPNP [2018]
- 十七、VRGCN [2017]
- 十八、ClusterGCN [2019]
- 十九、LDS-GNN [2019]
- 二十、DIAL-GNN [2019]
- 二十一、HAN [2019]
- 二十二、HetGNN [2019]
- 二十三、HGT [2020]
- 二十四、GPT-GNN [2020]
- 二十五、Geom-GCN [2020]
- 二十六、Graph Network [2018]
- 二十七、GIN [2019]
- 二十八、MPNN [2017]
- 二十九、UniMP [2020]
- 三十、Correct and Smooth [2020]
- 三十一、LGCN [2018]
- 三十二、DGCNN [2018]
- 三十三、AS-GCN
- 三十四、DGI [2018]
- 三十五、DIFFPOLL [2018]
- 三十六、DCNN [2016]
- 三十七、IN [2016]
- 图神经网络 2
- 图神经网络 3
- 推荐算法(传统方法)
- 一、Tapestry [1992]
- 二、GroupLens [1994]
- 三、ItemBased CF [2001]
- 四、Amazon I-2-I CF [2003]
- 五、Slope One Rating-Based CF [2005]
- 六、Bipartite Network Projection [2007]
- 七、Implicit Feedback CF [2008]
- 八、PMF [2008]
- 九、SVD++ [2008]
- 十、MMMF 扩展 [2008]
- 十一、OCCF [2008]
- 十二、BPR [2009]
- 十三、MF for RS [2009]
- 十四、 Netflix BellKor Solution [2009]
- 推荐算法(神经网络方法 1)
- 一、MIND [2019](用于召回)
- 二、DNN For YouTube [2016]
- 三、Recommending What Video to Watch Next [2019]
- 四、ESAM [2020]
- 五、Facebook Embedding Based Retrieval [2020](用于检索)
- 六、Airbnb Search Ranking [2018]
- 七、MOBIUS [2019](用于召回)
- 八、TDM [2018](用于检索)
- 九、DR [2020](用于检索)
- 十、JTM [2019](用于检索)
- 十一、Pinterest Recommender System [2017]
- 十二、DLRM [2019]
- 十三、Applying Deep Learning To Airbnb Search [2018]
- 十四、Improving Deep Learning For Airbnb Search [2020]
- 十五、HOP-Rec [2018]
- 十六、NCF [2017]
- 十七、NGCF [2019]
- 十八、LightGCN [2020]
- 十九、Sampling-Bias-Corrected Neural Modeling [2019](检索)
- 二十、EGES [2018](Matching 阶段)
- 二十一、SDM [2019](Matching 阶段)
- 二十二、COLD [2020 ] (Pre-Ranking 模型)
- 二十三、ComiRec [2020](https://www.wenjiangs.com/doc/0b4e1736-ac78)
- 二十四、EdgeRec [2020]
- 二十五、DPSR [2020](检索)
- 二十六、PDN [2021](mathcing)
- 二十七、时空周期兴趣学习网络ST-PIL [2021]
- 推荐算法之序列推荐
- 一、FPMC [2010]
- 二、GRU4Rec [2015]
- 三、HRM [2015]
- 四、DREAM [2016]
- 五、Improved GRU4Rec [2016]
- 六、NARM [2017]
- 七、HRNN [2017]
- 八、RRN [2017]
- 九、Caser [2018]
- 十、p-RNN [2016]
- 十一、GRU4Rec Top-k Gains [2018]
- 十二、SASRec [2018]
- 十三、RUM [2018]
- 十四、SHAN [2018]
- 十五、Phased LSTM [2016]
- 十六、Time-LSTM [2017]
- 十七、STAMP [2018]
- 十八、Latent Cross [2018]
- 十九、CSRM [2019]
- 二十、SR-GNN [2019]
- 二十一、GC-SAN [2019]
- 二十二、BERT4Rec [2019]
- 二十三、MCPRN [2019]
- 二十四、RepeatNet [2019]
- 二十五、LINet(2019)
- 二十六、NextItNet [2019]
- 二十七、GCE-GNN [2020]
- 二十八、LESSR [2020]
- 二十九、HyperRec [2020]
- 三十、DHCN [2021]
- 三十一、TiSASRec [2020]
- 推荐算法(综述)
- 多任务学习
- 系统架构
- 实践方法论
- 深度强化学习 1
- 自动代码生成
工具
- CRF
- lightgbm
- xgboost
- scikit-learn
- spark
- numpy
- matplotlib
- pandas
- huggingface_transformer
- 一、Tokenizer
- 二、Datasets
- 三、Model
- 四、Trainer
- 五、Evaluator
- 六、Pipeline
- 七、Accelerate
- 八、Autoclass
- 九、应用
- 十、Gradio
Scala
- 环境搭建
- 基础知识
- 函数
- 类
- 样例类和模式匹配
- 测试和注解
- 集合 collection(一)
- 集合collection(二)
- 集成 Java
- 并发
三、访问级别
在
Scala
中,默认的访问级别是public
。通过private
修饰符可以将字段或者方法变成私有。xxxxxxxxxx
class C(n:Int,s:String) { private val num:Int = n //私有字段 private val name:String = s }包、类和对象的成员可以标上
private
和protected
这样的访问修饰符。这些修饰符对成员的访问限定在特定的代码区域。Scala
对访问修饰符的处理大体上与Java
保持一致,但是也有一些重要区别。
3.1 private
Scala
对私有成员的处理跟Java
类似:标记为private
的成员只有在包含该定义的类或者对象的内部可见。xxxxxxxxxx
class Outer{ class Inner { private def f() = println("Inner f") class InnerMost { f() // 内部访问:可以调用 } } (new Inner).f() // 外部访问:编译错误,无法访问 f }在
Scala
中,这个规则同样适用于内部类。Scala
在一致性上做的比Java
更好。如上例所示:
- 第一次调用
f
是包含在Inner
类的内部,因此可以访问。 - 第二次调用
f
时发生在Inner
类的外部,因此无法访问。
- 第一次调用
在
Java
中,两种访问都可以进行。因为在Java
中,可以从外部类访问其内部类的私有成员。
3.2 protected
和
Java
相比,Scala
对protected
成员的访问也更加严格。在Scala
中,protected
成员只能从定义该成员的子类、或者该成员本身访问。而在Java
中,允许同一个包内的其它类访问这个类的受保护成员。xxxxxxxxxx
package p { class Parent { protected def f() = println("Parent f") } class Child extends Parent { f() // 子类可以访问父类的 protected 成员 } class Other { (new Parent).f() // 同一个包内,在 Java 中允许访问; 在 Scala 中无法访问 } }
3.3 public
Scala
并没有专门的修饰符来标记公有成员,任何未被标记为private
或protected
的成员都是公有的。公有成员可以从任何位置访问到。
3.4 保护的范围
我们可以通过限定词对
Scala
中的访问修饰符机制进行增强。形如private[X]
或者protected[X]
的含义是:对此成员的访问限制”上至“X
都是私有的或者受保护的。其中X
表示某个包含该定义的包、类或者单例对象。带限定词的访问修饰符允许我们对成员的可见性做非常细粒度的控制,尤其是允许我们表达
Java
中访问限制的语义,如:包内私有、包内受保护、到最外层嵌套类范围内私有等。通过这种方法,我们还可以表达
Java
中无法表示的访问规则。这种机制对于横跨多个包的大工程非常有用。可以定义对工程中某些子包可见、但是对外部不可见的实体。这在
Java
中是无法做到的,因为Java
中一旦定义越过了包的边界,它就对整个世界可见了。示例:
xxxxxxxxxx
package root_p package first_p { private[root_p] class Outer { // Outer 对包 root_p 内所有类和对象可见 protected[first_p] def f1()={} // f1 对包 first_p 内所有类和对象可见 class Inner{ private[Outer] val num1 = 0 // num1 对类 Outer 内所有类和对象可见 private[Inner] val num2 = 0 // num2 对类 Inner 内所有类和对象可见 } private[this] val num3 = 0 // num3 仅在当前对象内访问 } } package second_p { import first_p._ // 导入 first_p 所有成员 object Obj { private[second_p] val value = new Outer } }private
限定词的用法:private[root_p] Outer
: 类Outer
对root_p
包内的所有类和对象都可见,但是对于root_p
包之外的代码都无法访问Outer
。其公共访问范围为:
root_p
包内访问。private[first_p] def f1()={}
:方法f1
对first_p
包内的所有类和对象都可见,但是对于first_p
包之外的代码都无法访问。其公共访问范围为:
first_p
包内访问。它等价于Java
的package
可见性。private[Outer] val num1
:变量num1
对Outer
类内的所有类和对象都可见,但是对于Outer
类外的代码都无法访问。其公共访问范围为:
Outer
类内访问。它等价于Java
的private
。private[Inner] val num2
:变量num2
对Inner
类内的所有类和对象都可见,但是对于Inner
类外的代码都无法访问。其公共访问范围为:
Inner
类内访问。它等价于Scala
的private
。private[this] val num3
:变量num3
仅在包含该定义的同一个对象内访问,这样的定义被称作是对象私有的object-private
。这意味着所有对它的访问不仅必须来自于
Outer
类的内部,还必须是来自于Outer
的同一个实例。因此将一个成员标记为private[this]
保证了它不会被同一个类的其它对象看到。xxxxxxxxxx
class C(n:Int) { private val age:Int = n def is_less(other:C) = this.age <= other.age // other.age 可以访问 } println(new C(10).is_less(new C(20))) // 输出: true class C2(n:Int) { private[this] val age:Int = n def is_less(other:C) = this.age <= other.age // other.age 无法访问 }
protected
限定词的用法:所有的限定词都可以应用在protected
上,跟private
上的用法一样。即:如果我们在类
C
中使用protected[X]
这个修饰符,则C
的所有子类,以及X
表示的包、类或对象中,都能访问这个被标记的定义。如:
protected[first_p] def f1()
:方法f1
对包first_p
内的所有类和对象都可见,也对Outer
任何子类内部的所有类和对象可见。因此其含义就和Java
的protected
完全一样。
在
Java
中,静态成员和实例成员同属于一个类,因此访问修饰符对它们的应用方式是统一的。由于
Scala
没有静态成员,而是用伴生对象来承载那些只存在一次的成员。因此Scala
的访问规则在private
和protected
的处理上给伴生对象和类保留了特权。一个类会将它的所有访问权限和它的伴生对象共享,反之亦然。即:一个对象可以访问它的伴生类的所有私有成员,一个类也可以访问它的伴生对象的所有私有成员。
Scala
和Java
在修饰符的方面的确很相似,但是有一个重要例外:protected static
。Java
中,类C
的protected static
成员可以被C
的所有子类访问。- 对于
Scala
的伴生对象而言,protecte
成员没有任何意义,因为单例对象没有子类。
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论