Java IO --- Properties集合

1 Properties 集合的基本功能

Properties集合的特点

1 该集合中的键和值都是字符串类型
2 集合中的数据可以保存到流中,或者从流获取。

Properties集合的作用

通常该集合用于操作以键值对形式存在的配置文件,这是Properties应用广泛的原因。
配置文件 — 键值对 xml文件 数据库

Properties 集合的常用方法

存 :setProperty(String key, String value)
取:

取一个:getProperty(String key) getProperty(String key, String defaultValue)
取所有:stringPropertyNames() 返回值 Set <String>
返回此属性列表中的键表,其中该键及其对应值是字符串,
如果在主属性列表中,未找到同名的键,则还包括默认属性列表中不同的键
取出所有元素,思路:把 Map 变为 Set 再进行遍历

写入输出字符

store(OutputStream out, String comments)
以适合使用 load(InputStream) 方法加载到 Properties 表中的格式,将此 Properties 表中的属性列表(键和元素对)写入输出流。
store(Writer writer, String comments)

读取属性列表 — 从输入流

load(InputStream inStream)
从输入流中读取属性列表(键和元素对)
load(Reader reader)

调试

list (PrintStream out)
将属性列表输出到指定的输出流,此方法对调试很有用

2 Properties 集合的存和取
private static void baseOperation(Properties prop) {
		
		// 存储元素
		prop.setProperty("zhangsan","30");
		prop.setProperty("lisi","31");
		prop.setProperty("wangwu","36");
		prop.setProperty("zhaoliu","20");
	
		// 修改元素
		prop.setProperty("wangwu","26");
		// 取出所有元素
		Set<String> names = prop.stringPropertyNames();
		for(String name:names){
			String value = prop.getProperty(name);
			System.out.println(name+":"+value);
		}
}

运行结果:

zhangsan:30
lisi:31
wangwu:26
zhaoliu:20
3 Properties 集合的 list() 方法 — 主要是调试用

演示 Properties集合和流对象相结合的功能
list --- public void list (PrintStream out)

public static void methodList(){
		Properties prop  = new Properties();
		//存储元素。 
	prop.setProperty("zhangsan","30");
	prop.setProperty("lisi","31");
	prop.setProperty("wangwu","36");
	prop.setProperty("zhaoliu","20");
	
	prop = System.getProperties();
	prop.list(System.out);
	}

运行结果:

-- listing properties --
java.runtime.name=Java(TM) SE Runtime Environment
sun.boot.library.path=G:\jdk\bin
java.vm.version=25.111-b14
java.vm.vendor=Oracle Corporation
java.vendor.url=http://java.oracle.com/
path.separator=;
java.vm.name=Java HotSpot(TM) 64-Bit Server VM
file.encoding.pkg=sun.io
user.script=
user.country=CN
sun.java.launcher=SUN_STANDARD
... ... 
4 Properties 集合的 store() 和 load() 方法

这两个方法,解释了 Properties 集合的特点:
集合中的数据可以保存到流,或者从流获取

4.1 持久化 — 将集合中的字符串信息存储到文件中 — store()
private static void store(Properties prop) throws IOException {
		// 存储元素
		prop.setProperty("zhangsan","30");
		prop.setProperty("lisi","31");
		prop.setProperty("wangwu","36");
		prop.setProperty("zhaoliu","20");
		
		// 想要将这些集合中的 字符串键值信息 持久化存储到文件中,需要关联 输出流
		FileOutputStream fos = new FileOutputStream("E:\\info.txt");
		// 将 集合中的数据 存储到文件中,使用 store方法
		prop.store(fos,"info"); // store注释,使用英文
		fos.close();
	}

运行结果:

打开E盘,找到 info.txt 文件,打开:
#info
#Thu Sep 20 13:49:25 CST 2018
zhangsan=30
lisi=31
zhaoliu=20
wangwu=36

4.2 以集合的方法读取文件中的信息 — load()

注意事项:
集合中的数据 来自于一个文件
必须要保证该文件的数据是 键值对
需要使用到 读取流

private static void load(Properties prop) throws IOException {
		FileInputStream fis = new FileInputStream("E:\\info.txt");
		// 使用 load()方法
		prop.load(fis);
		prop.list(System.out);
	}

运行结果:

zhangsan=30
lisi=31
zhaoliu=20
wangwu=36

模拟一下 load()方法

private static void myLoad(Properties prop) throws IOException {
		BufferedReader br = new BufferedReader(new FileReader("E:\\info.txt"));
		
		String line = null;
		while( (line=br.readLine()) !=null ){
		// 因为生成的文件的头两行以 # 开头,这不是我们需要的信息
			if(line.startsWith("#"))
			   continue;
			// 拿 = 切割数组,数组里面有两个元素,键和值   
			String[] arr = line.split("=");
			prop.setProperty(arr[0],arr[1]);
		}
		prop.list(System.out);
		br.close();
	}
5 综合练习

对已有的配置文件中的信息进行修改

分析:

1 读取这个文件
2 将这个文件中的键值数据 存储到集合中
3 再通过集合 对数据进行修改
4 再通过流 将修改后的数据 存储到文件中

private static void revisePro(Properties prop) throws IOException {
		
		File f = new File("E:\\info.txt"); 
		if(! f.exists()){
			f.createNewFile();
		}
		FileReader fr = new FileReader(f); // 1 读取这个文件
		
		// 创建集合存储配置信息
		Properties prop = new Properties();
		
		// 将流中的信息 存储到集合中
		prop.load(fr);
		prop.setProperty("wangwu", "16");
		
		FileWriter fw = new FileWriter(f);
		prop.store(fw,"");
		
		fw.close();
		fr.close();
		
		
	}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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