10.23学习总结

开发基础知识

JVM,虚拟机(使用软件在不同的操作系统中中,模拟相同环境)
JRE运行环境 (包含JVM解释器,完整的Java环境)
JDK开发环境 (包含JRE + 库类 + 开发工具(编译器+调试工具))

使用记事本完成第一个java程序

程序开发三步骤

1.编写源程序
2.编译源程序
3.运行

新建文件

在这里插入图片描述

编写代码并保存

public class hello {
public static void main(String[ ] args) {
System.out.println(“Hello World!!!”);
}
}

编译源码

编译前的目录内容
在这里插入图片描述
执行编译
在这里插入图片描述
关注目录变化
在这里插入图片描述

执行程序

在这里插入图片描述

规范骨架结构

public class hello { 外层框架
public static void main(String[ ] args) { java入口程序框架
System.out.println(“Hello World!!!”); 编写代码
}
}

结构注意

  1. 关键字
  2. 类名与文件名完全一样
  3. main()方法四要素必不可少
  4. mian()方法是java程序执行的入口点
  5. 从控制台输出信息
  6. { 和 }一 一对应,缺一不可

新名词

1.类
2.方法

规范

1.类名使用public修饰
2.一行只写一条语句,并以分号结尾
3.花括号用于包裹代码块,表达层级关系

注意

1.java对大小写敏感,System与system是不一样的

编码规范 缩进与注释

缩进

1.层级之间比需缩进(Tab:一个制表位)
2.一行只能写一句代码

三种注释

// 单行注释

/**/ 多行注释

/****/ 文档注释

代码的编译与运行

编译与运行

编译

javac 源文件名称 java

运行

java 类名

输出命令

基本用法

System.out.println(“Hello World!!!”) --(打印完引号中的信息后会自动换行)
System.out.print(“Hello World!!!”)–(打印输出信息后不会自动换行)

println

代码
public class Demon {
public static void main(String[ ] args) {

System.out.println("haha");
System.out.println("haha");

}
}

效果
在这里插入图片描述

print

代码
public class Demon {
public static void main(String[ ] args) {

System.out.print("hehe");
System.out.print("hehe");

}
}

效果

在这里插入图片描述

常用转义符的使用

\n 将光标移动到下一行的第一格
\t 将光标移到下一个水平制表位置

什么是集成开发环境

记事本开发的流程

记事本写源文件
终端中进行编译
终端中执行编译后的文件
得到程序运行结果

集成开发环境

将程序的开发环境和程序的调试环境集合在一起

方便程序员开发

相当于使用一个超强功能的记事本

即可写代码,又可直接运行代码看到结果

java编程开发环境

推荐使用

MyEclipse

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。
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