2.26-2.27java学习总结

2.26-2.27java学习总结

第一章

java的工作方式:
我们编写的源代码,经过编译器的查错运行,会被编译器转译变成字节码,然后java虚拟器来读取执行字节码。
什么是类?
类中带有一个或多个方法。在dog这个类中,bark方法带有如何汪汪的指令,方法必须在类内部声明。
什么是方法?
在方法的花括号中,编写方法应该执行的命令。方法就类似于函数。
剖析类:
在java虚拟机启动的时候,会寻找你再指令列所指定的类,他会锁定
public static void main(String[] args)这样一句话,这句话是程序开始的入口。每个程序都只有一个main()函数,一个源文件可以有多个类,但是只能有一个public类,且public类的名字要与文件名相同。
一些要点:
语句以分号结束。
程序块以{}化出范围。
用名称与类型声明变量。
把boolean测试放在括号中 while(x==4){}。
print与println的区别:println是自动换行,输出后会加一个换行。

第二章

面对对象和面向过程的总结:
1,都是解决问题的思维方式都是代码组织的方式。
2,解决简单问题可以使用面向过程
3,解决复杂问题宏观上使用面向对象把握,微观处理上仍是面向过程。
对象本身已知的事物被称为实例变量。
对象可以执行的动作称为行为。
类和对象的区别:类是对象的蓝图,它会告诉虚拟机如何创建某种类型的对象,根据某类创建出的对象都有自己的实例变量。
创建一个对象的步骤:
1,分配对象空间,并将对象成员变量初始化。
2,执行属性值的显式初始化。
3,执行构造方法。
4,返回对象的地址。
要点:
1,面向对象设计扩展功能不需要改动之前已经测试好的代码。
2,所有的java程序都定义在类中。
3,对象自治,你无须在意他如何完成任务。
4,创建类时,可能同时会需要创建独立测试用的类。
5,类可以继承自较为抽象的父类。
6,java的程序在执行期是一组会相互交谈的对象。

第三章

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
要点:
1,primitive主数据类型变量值是该值的字节所表示的。
2,引用变量的值代表位于堆之对象的存取方法。
3,引用变量如同遥控器,对引用变量使用圆点运算符可以如同按下遥控器按钮搬存取它的方法和实例变量
4,没有引用任何对象的引用变量的值为NULL
5,数组一定是一个对象

练习的书上的简单代码

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
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