JAVA字符串

String在JAVA 内部是用 private final char value[]实现。

JAVA生成一个字符串方式有:

(1)String a = "ab";

(2)String b = new String("ab");

JAVA中为了提高运行效率,字符串虽然是对象,不过认为是常量,存储在class文件中,Constant Pool区域中。他是在内存的方法区中存储。内存为空的字符串也会在Constant Pool区域中建立一个长度为0内容为空的字符串。

      对于(1)来说字符串在编译期创建

      对于(2)来说字符串在运行期创

       (2)可以通过String.intern()方法,将存储在堆中的字符串变量添加到String pool中。


String 的比较:

        == 是比较地址  equal 是比较内容

举例:

       String s1 = "hello";

       String s2 = "hello";

       String s3 = new String("hello");


      s1 == s2 都指向字符串常量,存储在常量池里。

      s1!=  s3

      s1.equal(s3)   -->  true  内容相同。

      下面看intern的用法。

       s3.intern()   将s3内容加入到常量池中,但是常量池中已有同样的内容。则不在新建。

       s1==s3

    

 StringBuffer会在一开始就默认声明一个固定大小的char数组,值为16。在编译期间能确定字符串大小情况下,使用"+"效率更高。

StringBuffer是为了解决String不可变性提出。

例题:

String A,B,C;
A = "a";
B = "b";
A = A + B;
StringBuffer D = new StringBuffer("abc");
D = D.append("567");
上述共创建了多少对象?

         A aa ;aa叫做引用变量,不是对象。对象是通过new创建的。所以题目中D只是一个引用变量,不是对象。而字符串"abc"是对象。

StringBuffer D = new StringBuffer("abc")创建了两个变量,一个是StringBuffer,一个是"abc"。D是引用变量指向了StringBuffer对象。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值