12.3字节流

12.3字节流

一.InputStream 和OutputStream(抽象类)

      . InputStream常用方法;

                 Read():从流中读去数据;

                 Skip():跳过流中的若干字节

               Available():返回流中可用字节数;

二.FileInputStream和FileOutputStream的使用

           FileOutputStream fos = newFileOutputStream("a.txt");

           FileInputStream fis = new FileInputStream("a.txt");

如:import java.io.*;

public classCopyImageDemo {

       public static void main(String[] args){

              //复制---从源文件中读取数据,写入到目标文件

              //输入流----FileInputSream  BufferedInputStream    输出流--FileOutputStreamBufferedOutputStream

              FileInputStream fis=null;

              FileOutputStream fos=null;

              BufferedInputStream bis=null;

              BufferedOutputStream bos=null;

              try {fis=newFileInputStream("res/0.gif");//字节输入流

                     bis=newBufferedInputStream(fis);

                     fos=newFileOutputStream("res/1.gif");//字节输出流

                     bos=new BufferedOutputStream(fos);

                     int n=0;

                     while((n=bis.read())!=-1){

                            bos.write(n);

                     }    

              } catch (FileNotFoundException e){                

e.printStackTrace();

              } catch (IOException e) {

                     e.printStackTrace();

              }finally{

                     if(bis!=null){

                            try {bis.close();

                            } catch (IOExceptione) {

                                   e.printStackTrace();

                            }

                     }

                     if(bos!=null){

                            try {

                                   bos.close();

                            }catch (IOException e) {

                                   e.printStackTrace();

                            }

                     }

              }     }

}

三.(1) 键盘输入为文件源读取并输出          

public classDemoKeyInput {

              publicstatic void main(String[] args) throws IOException{

              BufferedInputStream bis=newBufferedInputStream(System.in);//接收键盘输入

              byte arr[]=new byte[10];

              int len=bis.read(arr);//读键盘输入的字节

              System.out.println(newString(arr,0,len));

       }

}

(2)键盘输入的是字节流。

四.字节流与字符流的转换:

packagecom.hbsi.io;

import java.io.*;

public classDemoConvertStream {

       public static void main(String[] args)throws IOException {

              //把字符数据写出到磁盘文件

              //输出流---转换流OutputStreamWriter---字节流对象做参数FileOutputStream

              FileOutputStream fos=newFileOutputStream("res/demo.txt");//   数据宿                                 OutputStreamWriter osw=newOutputStreamWriter(fos,);//字符流-à字节流

              osw.write("hello");

              osw.write("中国");

              osw.flush();

              osw.close();

              FileInputStream fis=new FileInputStream("res/demo.txt");

              InputStreamReader isw=newInputStreamReader(fis);//字节流-à字符流

              char cbuf[]=new char[10];

              int len=isw.read(cbuf);

             

              System.out.println(newString(cbuf,0,len));

       }

 

}

 

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