Java学习总结(一)—— >Java环境变量的配置,DOS窗口的带包编译,Jdk1.5的两个新特性(可变参数和增强的for循环)

1.程序的编译和运行

由于机器只识别01指令序列,不能直接读懂源代码,因为源代码是由字符文本组成的字符串序列,所以需要编译器将源代码编译成机器可以识别的代码指令。

Java中,Java源程序不仅可以在Windows操作系统中编译,也可以在其他的操作系统上编译运行,区别在于编译器(JVM虚拟机)不同。针对不同的操作系统,sun开发了不同的虚拟机。相同的源代码,在不同类型的JVM编译,得到的是相同的字节码。字节码的生成,只与JVM有关,所谓JDK版本的升级,就是JVM在升级。

2Java环境变量的配置(3个文件)——>以前只会配,不清楚具体的作用

classpath=.;

配置classpath的目的是无论源程序在哪个目录下,都可以通过classpath找到要编译的源程序(即类),找到要编译的源文件。

Java_home=E:\Java\jdk1.7.0 (注意后面没有分号,加了分号会出现问题)

网友说是说可有可无,目的是为了便于修改不同版本的JDK切换,不过我安装时不用Java_home,直接在path找到JDk的目录,配置出现问题,DOS窗口提示Javac不是内部命令。之后添加上Java_home后,编译正常。(问题到底出现在哪,具体不是很清楚

Path=%Java_home%\bin;

配置path的目的是为了找到Jdk安装位置,具体进而找到编译和运行源程序的javacjava工具。

3.Dos窗口运行编译的一些收获(重点在运行编译带包的类

带包和不带包编译方式的同一:

javac  –d  path  *.java  (表示编译处于当前目录下的所有的java源程序到path目录下,path可以是点,也可以是某盘符下的目录)

如编译运行(package com.sunzone.office hello.java源程序)

编译:javac  -d  .  hello.java

运行:java  com.sunzone.office.hello  或者 java com/sun/zone/office/hello

5Jdk1.5的第一个新特性:可变参数

可变参数是指一个方法接收的参数个数是不固定的。

可变参数的特点有:

1)可变参数只能出现在参数列表的最后。

2…位于变量类型和变量名之间,前后有无空格都可以。

3)调用可变参数的方法时,编译器会为该可变参数隐含的创建一个数组,在方法体中以数组的形式访问参数。

eg:

public static int add(int x,int… args){  //求和

   int sum = x;

   for(int i=0;i<args.lengh;i++){

      sum +=args[i];

}

return sum;

}

6.JDK1.5的第二个新特性:增强的for循环

for(type 变量名集合变量名){…..}

注意两点:

迭代变量必须在()中定义

集合变量可以是数组或实现了Iterable接口的集合类

eg:针对上述的求和方法使用增强的for循环进行修改

public static int add(int x,int… args){  //求和

   int sum = x;

   for(int arg : args ){ //特别注意arg中的性质,arg其实就是args数组中的元素

      sum +=arg;

}

return sum;

}

7.overloadoverride的区别

方法的重写overriding和重载overloadingJava多态性的不同表现。

重写overloading是父类和子类之间的多态性的一种表现。如果在子类中定义的方法与父类有相同的名称和参数,称这种方法被重写。特点:完全相同的返回值类型,方法名,参数个数以及参数类型。子类的对象使用这个方法时,将调用子类中的定义。对它而言,父类中的定义如同被屏蔽了。重写只能冲写父类的非私用的方法。

重载overloading是一个类中的多态性的一种表现。如果在一个类中定义了多个同名的方法,它们或用不同的参数个数或有不同的参数类型,则称为方法的重载。Overloading

的方法是可以改变返回值的类型。

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,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