条件语句

1,if语句

if(判断条件){
执行体
}

System.out.println("请输入数据:");
java.util.Scanner scan = new java.util.Scanner(System.in);//定义从键盘输入数据
int number_1 = scan.nextInt();//并使用number_1接受键盘输入的数据。
if(number_1>0){
System.out.println("老母猪会上树。");
}
2,if else语句

if(判断条件){
执行体
}else{
执行体
}
区别:比纯if语句多了else控制,在不满足if语句的判断条件时执行else语句中的执行体。

System.out.println("请输入数据:");
java.util.Scanner scan = new java.util.Scanner(System.in);
int number_1 = scan.nextInt();
if(number_1>0){
System.out.println("老母猪会上树。");
}else{//else的判断语句是number_1=0;
System.out.println("老母猪不会上树。");
}
3,else if语句

if(判断条件){
执行体
}else if(判断条件){
执行体
}else if(判断条件){
执行体
}else{
执行体
}
区别:相较于纯if语句和if else语句,else if语句在if语句上做了优化,简单来说就是在if else语句中,if和else开头的判断条件都无法满足程序所需要的功能,需要将找到满足判断条件的语句之间的if else的所有判断语句全部执行,在某种程度上会造成资源浪费,而else if则是在不满足前面的判断条件是就不执行,直接跳到满足判断条件的语句块上,减少资源浪费,与switch语句类似。

System.out.println("请输入数据:");
java.util.Scanner scan = new java.util.Scanner(System.in);//定义从键盘输入数据
int number_1 = scan.nextInt();//并使用number_1接受键盘输入的数据。
if(number_1>5){
System.out.println("老母猪会上树。");
}else if(number_1<5&&number_1>0){
System.out.println("老母猪不会上树,但会吃树叶。");
}else if(number_1=0){
System.out.println("老母猪会下崽。");
}else{
System.out.println("你对老母猪有想法!!!");}
4,switch语句(重点)

switch(数据){
case 数据类型 执行体 break;
case 数据类型 执行体 break;
case 数据类型 执行体 break;
default 执行体
}
注意:
1,switch语句中的数据类型可以是byte,short,int,Strng,enum;
2,case后面的常量也可以是常量表达式(20+30),但不能是标量或带变量的表达式(a*2)。
3,switch语句执行后,会执行匹配到的case语句,但如果case语句块内没有break,则会按照顺序执行case后面的代码块。
4,default语句可以出现在switch的任何位置,也可以省略,建议
不省略,(因为我有强迫症)

System.out.println("请输入数据:");
java.util.Scanner scan = new java.util.Scanner(System.in);
int index = scan.nextInt();
switch(index){
case 1:
System.out.println("大师兄");
break;
case 2:
System.out.println("二师兄");
break;
case 3:
System.out.println("三师兄");
break;
default:
System.out.println("二师兄要色诱师傅!!!");
}
5,break和continue的区别:
break的应用:

1,跳出switch语句
2,跳出或中断循环
注:break是跳出当前所有循环

continue的应用

1,跳出本次循环,继续下一次循环

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