Java学习笔记 - 06

本文详细介绍了Java中的函数,包括函数的定义、分类、参数传递、函数栈、函数重载和递归调用的概念。通过实例解析了函数的使用和递归解决汉诺塔问题的方法,帮助读者深入理解Java函数的运用。
摘要由CSDN通过智能技术生成

Java学习笔记 - 函数

 

函数定义

函数是指一段在一起的、可以实现某种功能的程序。也叫做子程序、方法。

一个较大的程序一般应分为若干个程序块,每一个模块用来实现一个特定的功能。由主函数调用其他函数,其他函数也可以互相调用。同一个函数可以被一个或多个函数调用任意多次。

函数主要解决的是那些重复的并且具有独立功能的代码,将它们再次封装,封装后就称为函数。

通过函数复用,降低了代码冗余,降低了主函数的代码量。

函数格式:

访问权限  函数类型  返回值类型  函数名(参数列表)

{

            函数体

            return 返回值

}

注:函数之间是平级的,不能在函数中定义函数。(c/c++,python)函数的定义必须在函数的调用之前。

访问权限:指的是函数的使用范围(内部和外部)1.public 2.protected  3.默认private(权限由大到小)

函数类型:函数的类型分类,也就是函数的具体使用场景场合。   1.static  静态函数  2.默认不写  成员函数  3.abstract    抽象函数   4.native   本地函数  5.synchronize   同步函数

函数名:程序员给函数代码自定义的名称。

参数列表:有若干个  参数类型,参数名…    组成,主要用于接收外界传递给函数的一些数据。

函数体:具有独立功能的代码块。

return:仅仅表示结束当前函数,如果有返回值,函数结束前将返回值返回给函数调用者。

返回值:值得是函数代码块的计算结果,需要传递给外界。配合return使用

返回值类型:就是返回值类型,数据可兼容就可以。

例:

class Test01{
    public static void main(String[] args)
    {                               //public代表最大函数权限,static表示函数是静态函数
                                    //void表示函数没有返回值,main是函数名,String[]表示变量是一个字符串数组,
                                    //args是变量名,没有return是因为函数没有返回值
        int a=3;
        if(a>5)
        {
            return; //若a大于5,就在此处结束当前函数
        }

        double res=pow(2,4);//自定义的Math.pow函数
        System.out.println(res);//打印结果,16
        System.out.println(pow(2,4)
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