关于序列化的一点补充



public class WriteTeacher {
public static void main(String[] args) throws IOException{
ObjectOutputStream oos = new ObjectOutputStream(
new FileOutputStream("teacher.txt"));
Person1 per = new Person1("孙悟空", 500);
Teacher t1 = new Teacher("唐僧", per);
Teacher t2 = new Teacher("菩提祖师", per);
//依次将4个对象写入输出流中
oos.writeObject(t1);
oos.writeObject(t2);
oos.writeObject(per);
oos.writeObject(t2);
}
}


//上面代码4次调用了writeObject()方法输出对象,实际上只序列化了3个对象,而且序列化的两个Teacher
//对象的引用实际上是同一个Person对象。
//所以java序列化机制采用了一种特殊的序列化算法:
//1.所有保存到磁盘中的对象都有一个序列化编号
//2.当程序试图序列化一个对象时,程序将先检查该对象是否已经被序列化过,只有该对象从从未(在本次虚拟机中)被
//序列化过,系统才会将该对象转换成字节序列并输出

//3.如果某个对象已经被序列化过,程序将直接输出一个序列化编号,而不是再次重新序列化该对象。



public class SerializeMutable {
public static void main(String[] args) throws Exception{
ObjectOutputStream oos = new ObjectOutputStream(
new FileOutputStream("mutable.txt"));
ObjectInputStream ois = new ObjectInputStream(
new FileInputStream("mutable.txt"));
Person1 per = new Person1("孙悟空",500);
//Person1 per1 = new Person1("猪八戒",400);
oos.writeObject(per);
//改变per对象的name Field的值
per.setName("猪八戒");
//oos.writeObject(per1);
//系统只是输出序列化编号,所以改变后的name不会被序列化
oos.writeObject(per);
Person1 p1 = (Person1)ois.readObject(); //1
Person1 p2 = (Person1)ois.readObject(); //2
//下面输出true,即反序列化后p1等于p2
System.out.println(p1 == p2);
//下面依然看到输出“孙悟空”,即改变后的Field没有被序列化
System.out.println(p2.getName());
}
}
//需要注意的是:由于java序列化机制使然,如果多次序列化同一个java对象时,只有第一次使用writeObject()方法
//输出时才会将该对象转换成字节序列并输出,当再次调用writeObject()方法时,程序只是输出前面的序列化编号,即使后面的
//对象的Field值已被改变,改变的Field值也不会被输出。







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