PHP進階OOP技術演示
序列化(Serializing)
PHP不支援永久對象,在OOP中永久對像是可以在多個應用的引用中保持狀態和功能的對象,這意味著擁有將對象保存到一個文件或數據庫中的能力,而且可以在以後裝入物件。這就是所謂的序列化機制。 PHP 擁有序列化方法,它可以透過物件調用,序列化方法可以傳回物件的字串表示。然而,序列化只保存了物件的成員資料而不包話方法。
在 PHP4中,如果你將物件序列化到字串$s中,然後釋放對象,接著反序列化對象
到$obj,你可以繼續使用物件的方法!我不建議這樣去做,因為(a)文 檔中沒有保證這種行為在以後的版本中仍然可以使用。 (b) 這個可能導致誤解,當你把一個序列化後的版本儲存到磁碟並退出腳本。當以後運行這個腳本時,你不能期待在反序列化一個物件時,物件的方法也會在那 裡,因為字串表示根本就不包括方法。
總而言之,PHP 進行序列化對於保存物件的成員變數非常有用。 (你也可以將相關數組和數組序列化到一個文件中)。
範例:
複製程式碼如下:
<?php
$obj=new Classfoo();
$str=serialize($obj);
//保存$str1 //從磁碟中裝入str
$obj2=unserialize($str)
你恢復了成員數據,但是不包括方法(根據文檔所說)。這導致了只能透過類似於使用$obj2->x來訪問成員變數(你沒有別的方法!)的唯一辦法,所以不要在家裡試它。
使用類別進行資料儲存PHP和OOP一件非常好的事情就是,你可以很容易地定義一個類別來操作某件事情,並且無論何時你想用的時候都可以呼叫對應的類別。 假設你有一個HTML表單,使用者可以透過選擇產品ID號碼來選擇一個產品。在資料庫中有產品的信息,你想把產品顯示出來,顯示它的價格等等。你擁有不同類型 的產品,同一個動作可能對不同的產品有不同的意義。例如,顯示一個聲音可能意味著播放它,但是對於其它種類的產品可能意味著顯示一個存在資料庫中的 圖片。你可以使用OOP或PHP來減少編碼並提高品質。
定義一個產品的類,定義它應該有的方法(例如:顯示),然後定義對每一種類型的產品
的類,從產品類派後出來(SoundItem類,ViewableItem類,等等),覆蓋在產品類別中的方法,使它們按你的想法動作。
根據資料庫中每一種產品的類型(type)欄位為類別命名,一個典型的產品表可能有(id, type, price, description, 等等欄位)...然後在處理腳本中,你可以從在資料庫中取出type值,然後實例化一個名為type的物件:
複製程式碼如下:
$obj=new $type();
$obj->action();
這是PHP的一個非常好的特性,你可以不用考慮物件的類型,呼叫$obj的顯示方法或其它的方法。使用這個技術,你不需要修改腳本去增加一個新類型的對象,只是增加一個處理它的類別。
只有高興。
現在你同意程式設計是容易的,維護是便宜的,可重複使用是真的嗎?
如果你管理一組程式設計師,分配工作就是很簡單的了,每個人可能負責一個類型的物件和
處理它的類別。
可以透過這個技術實現國際化,根據使用者所選的語言欄位應用對應的類別就可以了,等等。
拷貝和克隆
當你創建一個$obj的對象時,你可以通過$obj2=$obj來拷貝對象,新的對像是$obj的一個拷貝(不是一個引用),所以它具有$obj在當時的狀態。有時候,你不想這樣,你只是想產生一個像obj類別一樣的一個新的對象,可以通 過使用new語句來呼叫類別的建構子。在PHP中也可以透過序列化,和一個基底類別來實現,但所有的其它類別都要從基底類別衍生出來。
進入危險區域
當你序列化一個對象,你會得到某種格式的字符串,如果你感興趣,你可以調究它,其中,字符串中有類的名字(太好了!),你可以把它取出來,象:
複製程式碼如下:
<?php
$herring=serialize($obj);
$vec=explode(':',$herring);
$nam=str_replace(""",'',$vec[ 2]);
所以假設你創建了一個"Universe"的類,並且強制所有的類都必須從universe擴展,你可以在universe 中定義一個clone的方法,如下:
複製代碼如下:
<?php
function clone() {
$herring=serialize($this);
$vec=explode(':',$herring);
$nam=str_replace(""",'',$vec[2 ]);
$ret=new $nam;
return $ret;
}
}
//然後
$obj=new Something();
//從Universe擴充;
這個語句就是寫入目前的時間。

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显著提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显著降低了使用AI

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

這篇論文探討了在自動駕駛中,從不同視角(如透視圖和鳥瞰圖)準確檢測物體的問題,特別是如何有效地從透視圖(PV)到鳥瞰圖(BEV)空間轉換特徵,這一轉換是透過視覺轉換(VT)模組實施的。現有的方法大致分為兩種策略:2D到3D和3D到2D轉換。 2D到3D的方法透過預測深度機率來提升密集的2D特徵,但深度預測的固有不確定性,尤其是在遠處區域,可能會引入不準確性。而3D到2D的方法通常使用3D查詢來採樣2D特徵,並透過Transformer學習3D和2D特徵之間對應關係的注意力權重,這增加了計算和部署的

作者的一些個人思考在自動駕駛領域,隨著BEV-based子任務/端到端方案的發展,高品質的多視圖訓練資料和相應的模擬場景建立愈發重要。針對當下任務的痛點,「高品質」可以解耦成三個面向:不同維度上的長尾場景:如障礙物資料中近距離的車輛以及切車過程中精準的朝向角,以及車道線資料中不同曲率的彎道或較難收集的匝道/匯入/合流等場景。這些往往靠大量的資料收集和複雜的資料探勘策略,成本高昂。 3D真值-影像的高度一致:當下的BEV資料取得往往受到感測器安裝/標定,高精地圖以及重建演算法本身的誤差影響。這導致了我

突然發現了一篇19年的論文GSLAM:AGeneralSLAMFrameworkandBenchmark開源程式碼:https://github.com/zdzhaoyong/GSLAM直接上全文,感受這項工作的品質吧~1摘要SLAM技術最近取得了許多成功,並吸引了高科技公司的關注。然而,如何同一現有或新興演算法的介面,一級有效地進行關於速度、穩健性和可移植性的基準測試仍然是問題。本文,提出了一個名為GSLAM的新型SLAM平台,它不僅提供評估功能,還為研究人員提供了快速開發自己的SLAM系統的有用

23年9月國防科大、京東和北理工的論文「DeepModelFusion:ASurvey」。深度模型整合/合併是一種新興技術,它將多個深度學習模型的參數或預測合併為一個模型。它結合了不同模型的能力來彌補單一模型的偏差和錯誤,以獲得更好的性能。而大規模深度學習模型(例如LLM和基礎模型)上的深度模型整合面臨一些挑戰,包括高運算成本、高維度參數空間、不同異質模型之間的干擾等。本文將現有的深度模型融合方法分為四類:(1)“模式連接”,透過一條損失減少的路徑將權重空間中的解連接起來,以獲得更好的模型融合初

請留意,這個方塊人正在緊鎖眉頭,思考著面前幾位「不速之客」的身份。原來她陷入了危險境地,意識到這一點後,她迅速展開腦力搜索,尋找解決問題的策略。最終,她決定先逃離現場,然後儘快尋求幫助,並立即採取行動。同時,對面的人也在進行著與她相同的思考……在《我的世界》中出現了這樣一個場景,所有的角色都由人工智慧控制。他們每個人都有著獨特的身份設定,例如之前提到的女孩就是一個年僅17歲但聰明又勇敢的快遞員。他們擁有記憶和思考能力,在這個以《我的世界》為背景的小鎮中像人類一樣生活。驅動他們的,是一款全新的、

寫在前面&筆者的個人理解基於圖像的3D重建是一項具有挑戰性的任務,涉及從一組輸入圖像推斷目標或場景的3D形狀。基於學習的方法因其直接估計3D形狀的能力而受到關注。這篇綜述論文的重點是最先進的3D重建技術,包括產生新穎的、看不見的視野。概述了高斯飛濺方法的最新發展,包括輸入類型、模型結構、輸出表示和訓練策略。也討論了尚未解決的挑戰和未來的方向。鑑於該領域的快速進展以及增強3D重建方法的眾多機會,對演算法進行全面檢查似乎至關重要。因此,本研究對高斯散射的最新進展進行了全面的概述。 (大拇指往上滑
