java之旅 (第二天) 常量与变量

今天真正进入了JAVA的学习。一天下来学习到了一堆东西。趁现在赶紧梳理一下吧!!

 

一,环境变量

1.CMD执行javac.exe的流程:

a.在DOS指示盘符下的目录去查找是否存在javac.exe,如果存在就执行

b.如果不存在,在环境变量下的path变量下去查找相关联目录是否存在javac.exe,存在就执行,不存在就报错

 

2.设置环境变量:

a.我的电脑-->右键-->属性-->高级系统设置-->环境变量设置

b.找到path变量-->新建-->分别将bin、jre/bin两个目录的具体路径写入进去

*但是由于JDK目录的不稳定性,为了避免由于目录的改变导致更改path,

我们可以新建一个独立的环境变量:

变量名:JAVA_HOME(名称可以随意改变)

值:JDK的具体根目录 如:C:\Program Files\Java\jdk1.8.0_151

使用JAVA_HOME来代替之前写死的路径进行合理的拼接。

path=%JAVA_HOME%\bin

path=%JAVA_HOME%\jre\bin

 

 

二,JAVA基础

1.程序的解释:

a.JAVA最基本的单位是类,所以在写代码之前必须先定义一个叫做的类的东西

格式:class 类名

举例:class Toobug

b.如果要在一个类中写代码就必须定义一个范围,这个范围使用{}

c.任何一个Java程序如果想要执行起来,就必须需要一个主方法(函数)

格式:public static void main(String[] args){}         args=arguments(元素)

d.我们的目的是说龙哥贼帅,所以我们需要一个输出语句

格式:System.out.println("龙哥贼帅");

 ln表示换行    "这里的内容可以随意改变"

 

2.关键字:

a.被Java语所赋予特定含义的单词

b.关键字的特点是全部小写

c.关键字在特殊的编辑器或者集成开发环境当中有特殊的颜色标识

 goto和const作为保留关键字存在。

 

 

三,常量与变量

  1.作用域(发挥作用的范围)

  变量定义在哪一级的括号内,他生效的范围也仅仅只在这个范围

  并且,同一个作用域不能出现同名的变量

 

  2.初始值的问题

  每一天初始值的变量是不能够直接使用

  你只需要在使用它之前在任意时候给他赋值即可。

  定义变量的格式:

  a.数据类型 变量名 = 初始化值;

  b.数据类型 变量名;

    变量名  = 初始化值;

 

  3.在同一行上定义多个变量的问题

 

隐式类型转换(自动类型转换):数据类型从小到大自动转换,无需干预。

a.byte,short,char->int->long->float->doble

b.byte,short,char相互之间不参与转换,一旦参与运算,会直接提升为int类型

 

四,思考

问题1:

请问字符常量能否存储一个中文,为什么?

可以,因为Java采用的编码集是Unicode(国际通用编码集),而UNICODE的编码集其实也是Ascll的增强码

而Ascll对于中文来说,一个中文是两个字节,而两个字节恰好是一个字符。

 

问题2:

请问字符a+1能不能够使用,如果能够使用的话,结果是多少?

 

注意事项:

1.字符串如果使用+进行拼接,如果左边的是字符串,右边的全部是字符串(实现的是拼接效果)

注意:

  浮点数类型在没有写任何标识的情况下,默认为double类型。所以我们在定义float类型的时候加上F或者f来向JVM表明为float类型

  整数类型在没有任何标识的时候,默认为int类型 所以初始值不能超出int类型,否则只能在初始值后面声明L或者l

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