《Hack与HHVM权威指南》——1.4.2 没有标注的代码

简介:

本节书摘来自华章出版社《Hack与HHVM权威指南》一书中的第1章,第1.4.2节,作者 Owen Yamauchi,更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.4.2 没有标注的代码

这里有一种我在早期的列表中没有提及的类型,即没有进行类型标注的类型。举例来说,就像下面函数体内变量$x的类型。
function f($x) {
}
在代码中,你并没有书写任何类型名称在变量$x前面。那么在Hack的体系里面,它指代的类型 为“任何”。
类型检查器会对这种类型进行特殊处理,它永远不会卷入类型错误中,每个在Hack中可以存在的值都会符合这种类型“标注”,所以你可以传递任何值到上例的函数f()中,而不必担心会引发类型错误。换个角度来说,这种类型的值符合每一种可能的类型标注,所以在f()函数内,你可以拿$x做任何事情,而不会引发类型错误。
这听起来和mixed类型很相似,但是这里有个非常重要的不同点。每个可能的值都满足mixed,但是一个mixed类型的值并不满足每个可能的类型标注。举例来说,如果你传递一个mixed类型的值到一个期待int类型的函数中,你必须确保它是个整型(详见1.7.2节的内容),或者强制转化它。
“任何”类型的值在所有Hack模式中都以一样的方式工作。在严格模式下,你不能书写没有标注的代码,但是你可以调用被定义在局部或者耦合模式下没有类型标注的代码。
在“任何可以标注的都必须标注”的严格模式下,严格模式的代码可能使用这种特殊类型的值,但是绝对不允许产生它.

相关文章
|
8天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
291 164
|
2天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
302 155
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
233 113
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
808 6