Java_String,StringBuilder和StringBuffer

Java_String,StringBuilder和StringBuffer

目录

Java_String,StringBuilder和StringBuffer 1

Java中的字符串... 2

String. 2

StringBuilder 2

StringBuffer 2

 

 

 

 

Java中的字符串

String

类全称是“java.lang.String”,该类表达对一个字符数组的操作集合;当对一个String对象进行操作时,都不是在原有的String对象中进行的,而是重新生成一个新的String对象,原有的String对象并没有进行改变。

如下的代码:

        String s1 = "string";

        String s2 = new String("string");

        String s3 = "string";

        System.out.println(s1 == s2);

        System.out.println(s1 == s3);

这里注意,java编译时,将常量“string”放在类的常量池中,那么就会使得s1s3代表的数据地址相同;而在运行时,s2代表的是从堆中new出来数据地址(其数据拷贝自s1),所以输出为:

false

true

基于这样的一个性质,建议String用于表达一个比较固定的数据,而不推荐表达一个动态的数据:

        String s = "";

        for (int i = 0; i < 100; i++) {

            s = s + ",String";

        }

如果按照类定义,i每次自增,s均会被复制一次,RAM和CPU的资源利用率不高。

注:此过程在编译器编译时会被优化为StringBuilder操作(javap -c classname)。

StringBuilder

类全称是“java.lang.StringBuilder” ,该类表达的是对一个字符数组的操作集合;默认情况下,初始容量为16,如果使用这个类表达的字符串字符数量总是较大低于16,建议要初始化下容量,否则RAM产生浪费;当然如果远大于16,那么也会导致因字符拷贝浪费RAM(理论上导致GC频率增加),所以需要根据实际运行时容量调整使用;StringBuilder对象的操作过程能够更改自身的数据。

StringBuffer

类全称是“java.lang.StringBuffer”,该类表达的是对一个字符数组进行同步操作集合;就像是个加了“synchronized”的StringBuilder,它的默认容量(增量)也是16,严格情况下,也需要根据实际运行时容量微调。可以在多个线程使用同一个字符串的情况下,保证数据安全。

注:synchronized是JDK1.5之前保证线程安全的方式,它是一种独占锁,要求涉及线程使用一致的锁定协议来协调共享状态的访问;它假设的是最坏的情况,每次取数据都会认为其他线程会修改,所以获取数据前先上锁,其他线程阻塞直到拿到锁。这是一种悲观锁,在线程竞争时,加锁与释放导致上下文切换和调度延时,加剧性能问题。

 

对于这三种字符串的表达而言,涉及字符串拼接,修改,删除的场景下,其普遍效率由高到低为:StringBuilder > StringBuffer > String;当然也不是绝对的。

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