当面试官问我————Java是值传递还是引用传递?

面试官:你好,你能说出下面个程序的执行结果吗?

public class Test {
 
	public static void main (String [] args) {
		String name = "Scott";
		int age = 5;
		User user = new User ();
		user.setName (name);
		user.setAge (age);
		System.out.println ("before change user =" + user);
		
		change (user, name, age);
		System.out.println ("name =" + name);
		System.out.println ("age =" + age);
		System.out.println ("after change user =" + user);
	}
	
	public static void change (User user, String name, int age) {
		name = "Tom";
		age = 20;
		user.setName (name);
		user.setAge (age);
	}
	
	static class User {
		private String name;
		private int age;
		public String getName () {
			return name;
		}
		public void setName (String name) {
			this.name = name;
		}
		public int getAge () {
			return age;
		}
		public void setAge (int age) {
			this.age = age;
		}
		@Override
		public String toString () {
			return "{name :" + name + ", age :" + age + "}";
		}
	}
}

我:执行结果是:

img

面试官:恩,你的答案完全正确。age 是一个基本类型变量,User、String 都是引用类型变量,但是在调用 change () 方法之后,实参 name 和 age 都没有改变,而 user 对象改变了。那么可不可以说调用 change () 方法时,User 对象是引用传递,age 是值传递?可是 String 的传递方式又是什么呢?它的表现和 age 相同,但本身确是引用对象,这该如何解释呢?

我:Java 和 C++ 不同,C++ 中有引用传递的函数调用方式,而 Java 中只有值传递。

首先,值传递的官方解释是:

值传递是指在调用函数时将实际参数复制一份传递到函数中,这样在函数中如果对参数进行修改,将不会影响到实际参数。

其次,引用传递的官方解释是:

引用传递是指在调用函数时将实际参数的地址传递到函数中,那么在函数中对参数所进行的修改,将影响到实际参数。

一句话概括值传递和引用传递的区别:

值传递是传递实参副本,函数修改不会影响实参;引用传递是传递实参地址,函数修改会影响实参。

面试官:恩,那你可不可以结合上面的程序题,解释一下这句话呢?

我:好的。针对于上面程序的应用场景,在调用 change () 方法的时候,user、name、age 三个变量都是值传递。

其中,user 对象是将引用拷贝了一份,引用是对象的地址,change () 中对 user 的修改,并没有影响到这个地址,而是修改了对象属性。产生混淆的关键在于人们看到对象本身被函数修改了,就错误的认为这是引用传递。但我们区分值传递还是引用传递的关键在于实参是否被函数所修改,对于 user 对象来说地址才是实参!但如果你在 change () 方法中修改 user 引用的地址,即新创建一个新的 user 对象的话,就会看到 main 方法中的 user 并没有任何改变,也就反向印证了它实际上是值传递。

name 变量自然也是将 name 引用拷贝一份传递给 change () 方法,根据值传递的定义,函数对这个副本的修改不会影响到实际参数,又因为 String 的 final 特性,name = “Tom”; 实际上就是修改了 name 的地址,因此,实际参数不会受函数修改的影响。

age 其本身也是将数值拷贝一份传入 change (),所以任何修改都不会影响到实参。所以我们说,在 Java 中只有值传递这一种参数传递方式。

面试官:恩,你的理解已经非常到位了,那额外问一句,对于上面的三种类型 User、String、int,当输出结果如何时,才可以认定是引用传递呢?

我:对于 User 对象,上面的代码实际上并不能很好的验证这个问题,反而给人一种对象即是实参的假象。实际上,如果调用 change () 方法后,重新 new 一个 User 对象后赋值给 user,即改变了变量的地址。在这种情况下,main 中如果可以成功打印出新对象的话,才可以认定是引用传递。

String 类型的 name 也是一样,如果在 change () 中 name = “Tom”; main 中如果可以打印出 Tom 的话才可以认为是引用传递。

包括 age 变量,尽管它是一个基本类型变量,但在内存中,依然有地址和数据的区分,如果在 change () 中的修改,main 中可以看到的话,才可以说是引用传递。

实际上,“引用传递” 中的 “引用” 二字,绝对不能简单的理解为 “引用类型” 中的 “引用”,而应该理解为 “指针”、“地址”,Java 中就算是基本类型也同样拥有 “地址” 和 “指针”。

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