#笔记#圣思园 JavaSE 第7讲——流程控制语句 while、do while、for循环、break、continue

1.while循环

while(布尔表达式)

{

       //待执行代码

}

2.do while循环

do

{

      //待执行代码

}

while(布尔表达式);   ------------------------  注意分号


while与do while的区别:如果布尔表达式第一次判断就是假的,那么while循环一次都不执行

                                                                                                                  而do while循环会执行一次

3.for循环(使用最多)

for(变量初始化 ; 条件判断 ; 步进)

{

         //待执行代码

}

for循环的执行过程:
1) 执行变量初始化。
2) 执行条件判断。

      如果条件判断结果为假,那么退出for循环,开始执行循环后面的代码;

      如果条件判断为真,执行for循环里面的代码。
3) 执行步进。
4) 重复步骤2。

for循环的括号里面,分为三部分,每一部分都可以没有内容,但是分号不能省略


4.break语句

经常用在循环语句中,用于跳出整个循环,执行循环后面的代码(“经常”——在switch语句中也用过break)

eg.

for(int i = 0; i < 10; i++)

{

    if(5 == i)------------------------好的编程习惯,等于符号把常数写在左边

    {

                break;---------------------------------跳出整个for循环!!

     }

     System.out.println(i);

}

输出:0    1      2      3       4  


5.continue语句

经常用在循环语句中,用于跳出当前的这个循环(或者是跳出本次循环),开始下一次循环的执行。

eg.

for(int i = 0; i < 10; i++)

{

    if(5 == i)------------------------好的编程习惯,等于符号把常数写在左边

    {

               continue;---------------------------------跳出本次循环,执行下一次循环

     }

     System.out.println(i);

}

输出:0      1       2       3       4          6       7         8            9


综合break和continue:

eg.

for(int i = 0; i  < 3; i++ )

{

     if(1 == i)

     {

              break;------------------------当i==1时,跳出整个整个整个整个循环!!!!!!!!用在哪个循环里,就跳出与他最近的那个循环。(里层、外层)

      }

      for(int j = 0; j<= i; ++j)

      {

              if(1 ==j)

              {

                         continue;

                }

                System.out.println("j=" +j);

       }

         System.out.println("i=" +i);

输出:j= 0

             i = 0

}

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