黑马学习日记(一)java常用的其他类和IO流相关

一、java常用的其他类

1,System类

system类的主要方法常用的有:

in 标准输入流 

out 标准输出流 如System.out.println("要打印输出的内容");

getProperty(String key)  获取指定键指示的系统属性;

setProperty(String key, String value) 设置指定键指示的系统属性;

2.Runtime类

Runtime类中没有构造方法,但是有非静态方法, 因此Runtime类中一定有静态方法获取RunTime类型的Runtime对象

示例代码:Runtime r = Runtime.getRuntime();

常用方法exec(String command)  在单独的进程中执行指定的字符串命令,如Process p=r.exec("D:\\飞秋FeiQ.exe"); 这句代码是要打开D盘根目录下的应用飞秋

注意这里是双斜杠,避免误被识别为转义字符

3.Date类和Calendar

Date类中大部分方法都已被Calendar方法给取代了

常用的有:

DATE  getset 的字段数字,指示一个月中的某天。

DAY_OF_MONTH  getset 的字段数字,指示一个月中的某天。

DAY_OF_WEEK getset 的字段数字,指示一个星期中的某天。

DAY_OF_WEEK_IN_MONTH getset 的字段数字,指示当前月中的第几个星期。

DAY_OF_YEAR    getset 的字段数字,指示当前年中的天数。

4.Math类

主要需要掌握方法有:

ceil(double a)  返回最小的(最接近负无穷大)double 值,该值大于等于参数,并等于某个整数。

floor(double a)  返回最大的(最接近正无穷大)double 值,该值小于等于参数,并等于某个整数。

random() 返回带正号的 double 值,该值大于等于 0.0 且小于 1.0

pow(double a, double b) 返回第一个参数的第二个参数次幂的值。

round(double a) 返回最接近参数的 long

二、IO流

概述:IO流(Inputs,output)

IO流用来处理设备之间的数据传输

Java对数据的操作是通过流的方式

Java用于操作流的对象都在IO包中

流按操作数据分为两种:字节流与字符流,字节流两大抽象基类inputstream 、outputstream,字符流两大抽象基类Reader、Writer

流按流向分为:输入流、输出流

以下分别以字符流基类Writer和Reader的子类FileWriter和FileReader示例说明

public class FileWriterDemo {
public static void main(String[] args) {
FileWriter mfFileWriter = null;//先聲明一個
try {
// 创建一个文件,该文件若不存在就直接创建,若存在就直接覆盖
//mfFileWriter = new FileWriter("f:\\Demo.txt");
//传递一个TRUE参数,代表如果原来有该文件的话不覆盖原有文件,在文件的末尾写数据
mfFileWriter = new FileWriter("f:\\Demo.txt",true);
mfFileWriter.write("aaahssh\r\nkkk");// 向该文件内写入“aaajfhskfjdsk”
//换行符:windows下:\r  linux下:\n
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}finally{
if(mfFileWriter!=null){
try {
//mfFileWriter.flush();//刷新字符流
mfFileWriter.close();//关闭字符输入流,关闭之前先刷新字符流
} catch (IOException e) {
e.printStackTrace();
}
}
}
}
}

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

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

public class FileReaderDemo {
public static void main(String[] args) throws IOException {
//创建一个字符流读取对象并关联将要读取的文件
FileReader mFileReader=new FileReader("f:\\Demo.txt");
//第一种读取字符的方法:read() 返回每一个字符的int型值
/*while((mFileReader.read()!=-1)){
int a=mFileReader.read();
System.out.print((char)a);
}*/
char[] buf =new char[3];
int num=0;
//第二种读取字符的方法:read(char[]) 返回字符总数
while((num=mFileReader.read(buf))!=-1){
System.out.println( "mFileReader.read(buf)="+mFileReader.read(buf));
System.out.println("num="+num);
System.out.println(new String(buf,0,num));
}
mFileReader.close();
}
}








1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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型,信息从输入向隐藏层,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