深入浅出Comparable接口和Comparator接口

                                                              深入浅出Comparable接口和Comparator接口

     1.Comparable<T>是一个接口,实现此接口的类都必须重写他的一个方法

          int comparaTo(T t)   

          参数:
    o - 要比较的对象。
         返回:
         负整数、零或正整数,根据此对象是小于、等于还是大于指定对象。
         抛出:
   ClassCastException - 如果指定对象的类型不允许它与此对象进行比较。
2. Comparator<T>也是一个接口, 实现此接口的类都必须重写他的一个方法
    
int compare(T o1,
            T o2)
参数:
o1 - 要比较的第一个对象。
o2 - 要比较的第二个对象。
返回:
根据第一个参数小于、等于或大于第二个参数分别返回负整数、零或正整数。
抛出: ClassCastException - 如果参数的类型不允许此 Comparator 对它们进行比较
3.两者具体如何使用,用例子说话。    要求实现五个学生,输入学生姓名,语文成绩,数学成绩,英语成绩,并按总成绩排序   
public class Student implements Comparable{

private String stu_name;
private float  yuwei_score;
private float  math_score;
private float  english__score;
private float  allscore;
public Student(String stu_name, float yuwei_score, float math_score,
float english__score) {
super();
this.stu_name = stu_name;
this.yuwei_score = yuwei_score;
this.math_score = math_score;
this.english__score = english__score;
this.allscore = yuwei_score+math_score+english__score;
}
public float getAllscore() {return allscore;}
public String getStu_name() {return stu_name;}
public float getYuwei_score() {return yuwei_score;}
public float getMath_score() {return math_score;}
public float getEnglish__score() {return english__score;}
@Override
public int compareTo(Object obj) {
Student stu = (Student)obj;
double score1 = stu.yuwei_score+stu.math_score+stu.math_score;
double score2 = this.yuwei_score+this.math_score+this.math_score;
if(score1<score2)
return -1;
else if(score1>score2)
return 1;
else if(score1==score2)
return this.stu_name.compareTo(stu.stu_name);
return 0;
}
}
public class StartMain {
public static void main(String[] args) {

ArrayList<Student> stulist = new ArrayList<Student>();
stulist.add(new Student("lisi01", 100, 95, 67));
stulist.add(new Student("lisi02", 98, 56, 67));
stulist.add(new Student("lisi03", 80, 85, 77));
stulist.add(new Student("lisi04", 87, 95, 57));
stulist.add(new Student("lisi02", 87, 95, 57));
         Collections.sort(stulist);
        Iterator<Student> it = stulist.iterator();
        while(it.hasNext())
        {
        Student stu = it.next();
        System.out.println(stu.getStu_name()+","+stu.getYuwei_score()
        +","+stu.getMath_score()+","+stu.getEnglish__score()
        +"===="+stu.getAllscore());
        }
}
}

打印结果
lisi01,100.0,95.0,67.0====262.0
lisi02,87.0,95.0,57.0====239.0
lisi04,87.0,95.0,57.0====239.0
lisi03,80.0,85.0,77.0====242.0
lisi02,98.0,56.0,67.0====221.0


以上实现方法是在student类中实现comparable()接口重写ComparaTo()方法,使用Collections类中的  sort方法进行排序。
若我现在的需求改变,要求按照姓名的顺序排序,当然,有的哥们会说改下ComparaTo()方法就可以了啊,  当然,这种方法绝对可以,但是如果在一个比较大的项目中如此处理便要费很大功夫,此时若定义一个  比较器实现Comparator()接口则可以不改变原来代码前提下实现现在的功能。具体做法见下面代码,
public class MyComparator implements Comparator<Student>{
@Override
public int compare(Student stu1, Student stu2) {
return stu1.getStu_name().compareTo(stu2.getStu_name());
}
}
打印结果:
  lisi01,100.0,95.0,67.0====262.0
lisi02,98.0,56.0,67.0====221.0
lisi02,87.0,95.0,57.0====239.0
lisi03,80.0,85.0,77.0====242.0
lisi04,87.0,95.0,57.0====239.0


注意上面StartMain中的 Collections.sort(stulist);需要改为Collections.sort(stulist,new MyComparator());

通过上面的例子你知道了两者的区别了吗? 总结:
两种方法各有优劣, 用Comparable 简单, 只要实现Comparable 接口的对象直接就成为一个可以比较的对象,
但是需要修改源代码, 用Comparator 的好处是不需要修改源代码, 而是另外实现一个比较器, 当某个自定义
的对象需要作比较的时候,把比较器和对象一起传递过去就可以比大小了, 并且在Comparator 里面用户可以自
己实现复杂的可以通用的逻辑,使其可以匹配一些比较简单的对象,那样就可以节省很多重复劳动了。



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