API(三)

1.String -> 字符序列 (中文\英文)
JVM -> 1个char = 2个byte Unicode
操作系统 -> windows:GBK->GB2312 Linux:UTF-8 ISO8859-1
UTF-8: 1char = 3byte
gbk: 1char = 2byte

API:
    byte[] getBytes(); -> 根据默认字符集来编码
    new String(bs); -> 按照默认字符集解码

    byte[] getBytes("charset") -> 按照指定字符集编码
    new String(bs1, "gbk"); -> 按照指定字符集解码

泛型: 接口/类<泛型/类型>
将类型作为参数, 编译时有效, 规范程序员的 -> 编译时语法
泛型的本质是, 支持Object类型

  定义泛型: 类/接口的定义上就加上<E>
           在这个类的方法中, 具体类型就可以使用 E 来代替
  泛型的意义: 当类/方法 可以支持任意类型时, 就可以将类型动态传入
             不确定类型, 但是又想要具体类型

数据结构: 存储数据的方式
数组, 链表, 栈, 队列, 二叉树

栈: 弹夹, push():压栈 pop():弹栈
Stack: 先进后出, 后进先出
队列: 先进先出 - 进队列, 出队列
链表: 末尾添加元素, 插入元素, 获得指定位置的元素, 删除指定位置元素

数组和链表的优劣势比较:
1.数组的物理空间连续, 碎片化空间使用不彻底
链表物理空间不连续, 空间使用彻底
2.链表只能从head开始访问, 访问效率低
数组可以随机访问任意元素, 访问效率高
3.链表插入/移除元素, 只需要操作1~2个元素, 效率高
数组插入/移除元素, 涉及到大量元素的移动, 效率低

数组结构: ArrayList
链表结构(双向链表): LinkedList
队列: Queue
栈: Stack, Deque

Collection(I): 集合
|- List(I) -> 顺序结构(数组和链表)
|- ArrayList - 数组
|- LinkedList - 双向链表
|- Vector - 数组
|- Queue(I) -> 队列结构(普通队列)
|- Deque(I) 队列结构(双端队列, 栈)
|- LinkedList
|- Set(I) -> 散列结构(没有顺序)
|- HashSet
|- SortedSet(I)
|- TreeSet - 二叉树

List的API: 可以使用index
    void add(int index, E element)
    void addAll(int index, Collection<? extends E> c)
    E get(int index)
    int indexOf(Object o)
    int lastIndexOf(Object o)
    E remove(int index)
    E set(int index, E element)

在这里插入图片描述
在这里插入图片描述

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