黑马程序员---Java基础总结--集合

---------------------- ASP.Net+Unity开发.Net培训、期待与您交流! ----------------------

集合就是存储对象最常用的的方式。

add方法参数类型是Object,以便于接受任意类型的对象。集合中存储的都是对象的引用(地址值)。
retainAll:取两个集合的交集,并赋给前一个集合。如果没有交集,则前一个集合为空。
removeAll:把两个集合中相同的去掉,前一个集合留下不同的数据。
迭代器:其实就是集合取出元素的方法。
collection中list 元素是有序(存入和取出的顺序是一致的)的,元素可以重复。因为该集合体系有索引。set 元素是无序(存入和取出的顺序是不一定一致)的,元素不可以重复。
List 特有方法:凡是操作角标的方法都是该体系特有的方法。
ListIterator:是Iterator的子接口,在迭代时不可以通过集合对象的方法操作集合中的元素,会发生并发异常,ListIterator接口里面的操作数据方法要比Iterator方法多。ListIterator是List特有的迭代器。
ArrayList:(可变长度数组,初始时时容量为10,后按50%再扩容)底层的数据结构使用的是数组结构。特点:查询速度特别快。插入和删除效率比较低。线程不同步。LinkedList底层的数据结构实链表结构。增加和删除速度很快,查询速度慢。Vector:底层是数组数据结构。JDK1.0就有 集合框架在JDK1.2才出现。线程同步。被ArrayList替代。
LinkedList特有方法:(1.6版本之后有升级。offer--add peek--get poll--remove,集合为空时,会返回NULL。)addFirst();addLast();添加到链表的头部和尾部。在集合为空时,会抛出异常。getFirst();getLast();获取元素,不删除元素。removeFirst();removeLast();也可以获取元素,但是会删除。
堆栈:先进后出。队列:先进先出。
List集合判断元素是否相同,依据的是元素的equals方法。
Set:HashSet:底层数据结构式哈希表。线程是非同步的。HashSet是通过元素的两个方法,hashCode和equals来完成。如果元素的HashCode值相同,才会判断equals是否为true。如果不同,不会调用equals方法。一般都会复写hashCode和equals方法。注意:对于判断元素是否存在以及删除等操作,依赖的方法是元素的hashCode和equals方法。
set:TreeSet:可以对Set集合中的元素进行排序。底层数据结构为二叉树。存入Set集合的数据必须具有可比较性。排序时,当主要条件相同时,一定要判断次要条件。TreeSet使用了Compareable接口中的compareTo方法。保证元素唯一性的依据:compareTo方法返回 0.
TreeSet的两种排序方式:第一种方式:让元素自身具备比较性。元素需要实现Comparable接口。覆盖compareTo方法。这种方式也成为自然顺序。第二种排序方式:当元素自身不具备比较性时,或者具备的比较性不是所需要的。这时 就需要让集合自身具备比较性(创建比较器)。在集合初始化时就有了比较方式。当两种排序方式都存在时,优先比较器的方法。



---------------------- ASP.Net+Unity开发.Net培训、期待与您交流! ----------------------

详细请查看:http://edu.csdn.net

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