【Java学习笔记】之一

2015-10-09第一次踏入Java的大门。记录下学习中容易忘记的重点。



Java的核心概念:JVM(Java Virtual Machine)     JDK(Java Development Kit)     JRE(Java Runtime Environment )

其中:JDK>JRK>JVM

基础核心 Java SE(Standard Edition) 发展出:Java ME(Mobile Edition);Java EE(Enterprise Edition)






Java环境搭建,环境变量的配置:

JAVA_HOME   配置JDK安装文件路径

E:\Work\Java\jdk1.8.0_60

PATH                配置JDK命令文件位置

E:\Work\Java\jdk1.8.0_60\bin;C:\ProgramData\Oracle\Java\javapath;%SystemRoot%\system32;%SystemRoot%;%SystemRoot%\System32\Wbem;%SYSTEMROOT%\System32\WindowsPowerShell\v1.0\

CLASSPATH   配置类库文件的位置

.;E:\Work\Java\jdk1.8.0_60\lib




我的第一个Java程序:

Eclipse中运行






常用信息:







强制转换:( 数据类型 ) 数值;

常量应用:final 常量名 = 值;

单行注释://        多行注释:/*···*/       文档注释:/**···*/

布尔表达式 ? 表达式1 :表达式2              运算过程:如果布尔表达式的值为true,则返回 表达式1的值,否则返回表达式2的值




练习:判断一个数(小于10位)的位数。输入999,则输出“它是个3位的数!”

我的解答:

参考答案:






练习:接受三个班4名同学的成绩,计算每个班的平均分






导入Arrays类:import java.util.Arrays;

数组排序:Arrays.sort(数组名);

将数组转换为字符串:Arrays.toString(数组名);


foreach语句:

for(元素类型 元素变量:遍历对象){

  执行的代码

}


分别使用 for 和 foreach 语句遍历数组:







定义方法的语法:

访问修饰符  返回值类型 方法名(参数列表){

  方法体

}


访问修饰符:方法允许被访问的权限范围, 可以是 public、protected、private 甚至可以省略 ,其中 public 表示该方法可以被其他任何代码调用。

返回值类型:方法返回值的类型,如果方法不返回任何值,则返回值类型指定为 void ;如果方法具有返回值,则需要指定返回值的类型,并且在方法体中使用 return 语句返回值。
方法名:定义的方法的名字,必须使用合法的标识符
参数列表:传递给方法的参数列表,参数可以有多个,多个参数间以逗号隔开,每个参数由参数类型和参数名组成,以空格隔开 

根据方法是否带参、是否带返回值,可将方法分为四类:

Ø 无参无返回值方法
Ø 无参带返回值方法
Ø 带参无返回值方法
Ø 带参带返回值方法




练习:要求通过定义无参带返回值的方法来实现,返回值为最大年龄;方法中将​学生年龄保存在数组 ages 中,数组元素依次为18,23,21,19,25,29,17运行效果为:最大年龄为:29





练习:要求通过定义带参带返回值的方法来实现;通过参数传入数组的长度(例如长度为 8),方法执行后返回赋值后的数组;通过 (int)(Math.random() * 100) 生成 100 以内的随机数;注:Math 类是用于进行算术操作的类,Math.random() 生成 0--1 的浮点数。 

运行效果为:[ 2 , 52 , 8 , 26 , 66 , 32 , 98 , 0 ]

注:由于数组元素的值是随机生成的,每次运行生成的值可能都不同,此效果仅供参考






考试成绩已保存在数组 scores 中,数组元素依次为 89 , -23 , 64 , 91 , 119 , 52 , 73;要求通过自定义方法来实现成绩排名并输出操作,将成绩数组作为参数传入;要求判断成绩的有效性( 0—100 ),如果成绩无效,则忽略此成绩。


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. **则化(Regularization)**:技术如 Dropout、L1/L2 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