谈谈HashMap扩容

简述下HashMap 扩容的流程

jdk1.8中

初始化:当容量大于阈值的时候 就会触发扩容操作

新容量计算:扩容的时候先判断是否超出hashmap最大容量 如果超出 无法扩容 没有就是扩大成原来的二倍

然后判断 每个桶

把原来桶的节点保存下来 然后把原来的桶的位置 置空

用保存下来的进行计算

桶中只有一个元素 重新计算Index插入新桶中

数据迁移:如果有下一个元素 并且是TreeNode类型 用hash值 与原来桶的容量进行与运算 假如是变成了 32 就和10000 进行与运算 当扩大了一倍 重新计算也就是和 前五位进行与运算 因为前四位的在上一次已经计算出来了 只需要看hash第五位是不是1就可以了 如果 第五位 是0 就继续放到低位节点 和以前的节点一样 如果是1 就放到高位节点 以前的节点+一半的容量 因为以前的桶的位置是和 前4位进行与运算计算到的

这样就避免了全部的去重新计算位置

(这一步应该在 链表类型之前)如果是红黑树类型的 则执行Spilt方法 把红黑树进行拆分 新建两棵子树 然后遍历 使用和节点类型相同的方式 一棵树保存 低位节点的数据 一颗树保存高位节点数据 如果两棵树其中一颗树的容量<=6了 则进行转换 转换成链表 然后整体插入新桶

扩容操作可能会涉及到较大的数据移动,因此在扩容过程中,原有的HashMap仍然可以继续使用,只是可能会有一些性能损耗。需要注意的是,由于扩容涉及到数据迁移,因此在使用HashMap时,尽量预估好元素数量,以减少扩容操作对性能的影响。

为什么HashMap扩容要变为2的n次方 不是行不行

1、对于计算桶的位置来说 如果是2的n次方 可以直接使用位运算的方式来计算桶的位置 十分高效

2、对于扩容过程2的n次方 可以使扩容过程更加迅速 通过一次简单的位运算即可以确定新的位置

3、减少内存浪费, 如果桶的数量不是2的幂次方,可能会出现一些桶无法被充分利用的情况,导致内存浪费。而选择2的幂次方作为桶的数量,可以最大限度地减少内存浪费。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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