黑马程序员-IO

字符流: 

Reader用于读取字符流的抽象类。子类必须实现的方法只有 read(char[], int, int)  

close() 

     |---BufferedReader从字符输入流中读取文本,缓冲各个字符,从而实现字符、数组和行的高效读取。 可以指定缓冲区的大小,或者可使用默认的大小。大多数情况下,默认值就足够大了。 

        |---LineNumberReader跟踪行号的缓冲字符输入流。此类定义了方法 setLineNumber(int)  getLineNumber()它们可分别用于设置和获取当前行号。 

     |---InputStreamReader是字节流通向字符流的桥梁:它使用指定的 charset 读取字节并将其解码为字符。它使用的字符集可以由名称指定或显式给定,或者可以接受平台默认的字符集。 

        |---FileReader用来读取字符文件的便捷类。此类的构造方法假定默认字符编码和默认字节缓冲区大小都是适当的。要自己指定这些值,可以先在 FileInputStream 上构造一个 InputStreamReader    

  |---CharArrayReader     

 |---StringReader 

 

Writer写入字符流的抽象类。子类必须实现的方法仅有 write(char[], int, int)flush()  

 

close() 

     |---BufferedWriter将文本写入字符输出流,缓冲各个字符,从而提供单个字符、数组和字符串的高效写入。 

     |---OutputStreamWriter是字符流通向字节流的桥梁:可使用指定的 charset 将要写入流中的字符编码成字节。它使用的字符集可以由名称指定或显式给定,否则将接受平台默认的字符集。 

        |---FileWriter用来写入字符文件的便捷类。此类的构造方法假定默认字符编码和默认字节缓冲区大小都是可接受的。要自己指定这些值,可以先在 FileOutputStream 上构造一个 OutputStreamWriter    

  |---PrintWriter 

     |---CharArrayWriter   

   |---StringWriter 

--------------------------------- 

字节流: 

InputStream是表示字节输入流的所有类的超类。 

     |--- FileInputStream从文件系统中的某个文件中获得输入字节。哪些文件可用取决于主机环境。FileInputStream 用于读取诸如图像数据之类的原始字节流。要读取字符流,请考虑使用 FileReader 

     |--- FilterInputStream包含其他一些输入流,它将这些流用作其基本数据源,它可以直接传输数据或提供一些额外的功能。 

        |--- BufferedInputStream该类实现缓冲的输入流。        

 |--- Stream 

     |--- ObjectInputStream    

  |--- PipedInputStream 

----------------------------------------------- 

OutputStream此抽象类是表示输出字节流的所有类的超类。 

     |--- FileOutputStream文件输出流是用于将数据写入 File  FileDescriptor 的输出流。 

     |--- FilterOutputStream此类是过滤输出流的所有类的超类。      

   |--- BufferedOutputStream该类实现缓冲的输出流。      

   |--- PrintStream 

        |--- DataOutputStream     

 |--- ObjectOutputStream    

  |--- PipedOutputStream

 -------------------------------- 

缓冲区是提高效率用的,给谁提高呢? 

BufferedWriter是给字符输出流提高效率用的,那就意味着,缓冲区对象建立时,必须要先有流对象。明确要提高具体的流对象的效率。

 FileWriter fw = new FileWriter("bufdemo.txt"); 

BufferedWriter bufw = new BufferedWriter(fw);//让缓冲区和指定流相关联。

 for(int x=0; x<4; x++){ 

bufw.write(x+"abc"); 

bufw.newLine(); //写入一个换行符,这个换行符可以依据平台的不同写入不同的换行符。

 bufw.flush();//对缓冲区进行刷新,可以让数据到目的地中。

 } 

bufw.close();//关闭缓冲区,其实就是在关闭具体的流。

----------------------------- 

BufferedReader 

FileReader fr = new FileReader("bufdemo.txt"); 

BufferedReader bufr  = new BufferedReader(fr);

 String line = null; 

while((line=bufr.readLine())!=null){  //readLine方法返回的时候是不带换行符的。 

System.out.println(line); 

bufr.close(); 

----------------------------- 

//记住,只要一读取键盘录入,就用这句话。 

BufferedReader bufr = new BufferedReader(new InputStreamReader(System.in)); 

BufferedWriter bufw = new BufferedWriter(new OutputStreamWriter(System.out));//

输出到控制台 

String line = null; 

while((line=bufr.readLine())!=null){ 

if("over".equals(line)) 

break; 

bufw.write(line.toUpperCase());//将输入的字符转成大写字符输出 

bufw.newLine(); 

bufw.flush(); 

bufw.close(); 

bufr.close(); 

------------------------------ 

 

------------------------------ 

流对象:其实很简单,就是读取和写入。但是因为功能的不同,流的体系中提供N多的对象。那么开始时,到底该用哪个对象更为合适呢?这就需要明确流的操作规律。 

流的操作规律:

 1,明确源和目的。 

数据源:就是需要读取,可以使用两个体系:InputStreamReader 数据汇:就是需要写入,可以使用两个体系:OutputStreamWriter

 2,操作的数据是否是纯文本数据?

 如果是:数据源:Reader     

数据汇:Writer  

如果不是:数据源:InputStream 

 数据汇:OutputStream

3,虽然确定了一个体系,但是该体系中有太多的对象,到底用哪个呢? 

明确操作的数据设备。 

数据源对应的设备:硬盘(File),内存(数组),键盘(System.in) 

数据汇对应的设备:硬盘(File),内存(数组),控制台(System.out)

 4,需要在基本操作上附加其他功能吗?比如缓冲。 

如果需要就进行装饰。 

转换流特有功能:转换流可以将字节转成字符,原因在于,将获取到的字节通过查编码表获取到指定对应字符。 

转换流的最强功能就是基于 字节流 + 编码表 。没有转换,没有字符流。

 发现转换流有一个子类就是操作文件的字符流对象:

 InputStreamReader

 |--FileReader 

OutputStreamWriter 

|--FileWrier 

想要操作文本文件,必须要进行编码转换,而编码转换动作转换流都完成了。所以操作文件的流对象只要继承自转换流就可以读取一个字符了。 

但是子类有一个局限性,就是子类中使用的编码是固定的,是本机默认的编码表,对于简体中文版的系统默认码表是GBK FileReader fr = new FileReader("a.txt"); 

InputStreamReader isr = new InputStreamReader(new FileInputStream("a.txt"),"gbk"); 以上两句代码功能一致, 

如果仅仅使用平台默认码表,就使用FileReader fr = new FileReader("a.txt"); //因为简化。 如果需要制定码表,必须用转换流。

 转换流 = 字节流+编码表。 

转换流的子类File = 字节流 + 默认编码表。 

凡是操作设备上的文本数据,涉及编码转换,必须使用转换流。 

 

File类:将文件系统中的文件和文件夹封装成了对象。提供了更多的属性和行为可以对

这些文件和文件夹进行操作。这些是流对象办不到的,因为流只操作数据。

 File类常见方法: 

1:创建。 

boolean createNewFile():在指定目录下创建文件,如果该文件已存在,则不创建。而对操作文件的输出流而言,输出流对象已建立,就会创建文件,如果文件已存在,会覆盖。除非续写。 

boolean mkdir():创建此抽象路径名指定的目录。 boolean mkdirs()创建多级目录。

 2:删除。 

boolean delete():删除此抽象路径名表示的文件或目录。 

void deleteOnExit():在虚拟机退出时删除。 

注意:在删除文件夹时,必须保证这个文件夹中没有任何内容,才可以将该文件夹用delete删除。 

window的删除动作,是从里往外删。注意:java删除文件不走回收站。要慎用。 

3:获取

long length()获取文件大小。 

String getName()返回由此抽象路径名表示的文件或目录的名称。

 String getPath()将此抽象路径名转换为一个路径名字符串。 

String getAbsolutePath()返回此抽象路径名的绝对路径名字符串。 

String getParent()返回此抽象路径名父目录的抽象路径名,如果此路径名没有指定父目录,则返回 null 

long lastModified()返回此抽象路径名表示的文件最后一次被修改的时间。

 File.pathSeparator返回当前系统默认的路径分隔符,windows默认为 “;”。

 File.Separator返回当前系统默认的目录分隔符,windows默认为 \”。

 4:判断: 

boolean exists()判断文件或者文件夹是否存在。 

boolean isDirectory()测试此抽象路径名表示的文件是否是一个目录。

 boolean isFile()测试此抽象路径名表示的文件是否是一个标准文件。

 boolean isHidden()测试此抽象路径名指定的文件是否是一个隐藏文件。

 boolean isAbsolute()测试此抽象路径名是否为绝对路径名。

 

 5:重命名。 

 boolean renameTo(File dest):可以实现移动的效果。剪切+重命名。 

String[] list()列出指定目录下的当前的文件和文件夹的名称。包含隐藏文件。

 如果调用list方法的File 对象中封装的是一个文件,那么list方法返回数组为null。如果封装的对象不存在也会返回null。只有封装的对象存在并且是文件夹时,这个方法才有效。 

------------------------------------------------------------------------------------------------ 

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