Java面试宝典(三)

1.面向对象

1.1Java中创建对象的几种方式:

(1)用new语句创建对象,这是最常用的创建对象的方法(会显示地调用构造方法)

(2)运用反射手段,调用java.lang.Class或者java.lang.reflect.Constructor类的newInstance()实例方法(会显示地调用构造方法)

(3)调用对象的clone()方法(是在内存上对已有对象的影印,所以不会调用构造函数)

(4)运用反序列化手段,调用java.io.ObjectInputStream对象的readObject()方法(是从文件中还原类的对象,也不会调用构造函数)

2.集合类

Java容器类库一共有两种主要类型:Collection和Map,区别在于容器内每个“槽”所存储的元素个数不同。Collection中,每个“槽”只有一个元素;Map中,持有key-value关联。所有的容器类都可以自动调整自己的尺寸。

(1)List、Set、Map将所有的对象一律视为Object类型

(2)vector容器确切第需要知道它所持有的对象属于什么类型。Vector不进行边界检查。

(3)Collections是针对集合类的一个帮助类,它提供了一系列静态方法实现对各种集合的搜索、排序、线程完全化操作。

Collections.sort(List list);
(4)容器类仅持有对象引用,而不是将对象信息复制一份至数列某位置。一旦将对象置入容器内,便损失了该对象的类型信息。
3.URL的equals比较方式

如果在联网的情况下,两个主机名可以解析为同一个IP地址,则认为两个主机相同(即使主机名不同);如果一个主机名无法解析,但两个主机名相等(不区分大小写)或者两个主机名都为null,则认为这两个主机相同。

在断网的情况下,这些都是无法解析IP地址的,这就要判断URL的名字,仅认为名字相同时才是相同的URL。

4.构造函数和析构函数

初始化对象的顺序:

先初始化父类的静态代码--->初始化子类的静态代码-->初始化父类的非静态代码--->初始化父类构造函数--->初始化子类非静态代码--->初始化子类构造函数

构造方法和普通方法的唯一区别是没有返回值。普通方法可以和类同名。

5.多态性

允许子类类型的指针赋值给父类类型的指针。

重载是指允许存在多个同名函数,而这些函数的参数表不同(参数个数或者参数类型不同)。重载的实现:编译器根据函数不同的参数列表,对同名函数的名称做修饰,然后这些同名函数就成了不同的函数。对于这两个函数的调用,在编译期间就已经确定了,是静态的。重载和覆盖不同。

覆盖是指子类重新定义父类的虚函数的做法。当子类重新定义了父类的虚函数后,父类指针根据赋给它不同的子类指针,动态地调用属于子类的该函数,这样的函数调用在编译期间是不确定的。

封装可以隐藏实现细节,使得代码模块化;继承可以扩展已存在的代码模块,它们的目的都是为了代码重用。而多态是为了接口重用。

6.null值可以强制转换为任何Java类类型,(String)null也是合法的,但null强制转换后是无效对象,其返回值还是null,而static方法的调用是和类名绑定的,不借助对象也可以访问,所以能正常输出。反过来,没有static修饰就只能用对象进行访问,使用null调用对象肯定会报空指针异常。


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