基础巩固之图解Java集合框架

Java集合大致可分为SetListMap三种体系,其中Set代表无序、不可重复的集合;List代表有序、重复的集合;而Map则代表具有映射关系的集合。Java 5之后,增加了Queue体系集合,代表一种队列集合实现。
Java集合框架主要由Collection和Map两个根接口及其子接口、实现类组成。

Collection接口

它主要有三个子接口,ListSetQueue

List子接口

List子接口是有序集合,所以有索引位置相关的操作

ArrayListVector

共同点:这两个类都是基于动态数组List接口实现类。
不同点:ArrayList是非线程安全的,而Vector通过对方法标记synchronized实现线程安全的,单性能会比ArrayList低。
注意:不推荐使用Vector类,同步可以考虑使用其他方式实现。

LinkedList类

(1):LinkedList是基于链表实现的。
(2):随机访问,ArrayList的性能要优于LinkedList,因为LinkedList要移动指针。
(3):对于单个元素新增和删除,ArrayList要优于LinkedList,而批量元素操作,LinkedList速度要远远大于ArrayList,因为ArrayList每次插入数据,都要移动后面的数据。

Set子接口

Set集合不允许包含相同的元素,而判断两个对象是否相同则是根据equals方法。

HashSet类

(1):不保证元素的排列顺序,加入元素需要考虑hashCode()方法的实现。
(2):非线程安全,多线程访问需要手动同步。
(3):集合元素可以为null

LinkedHashSet类

LinkedHashSet根据元素的hashCode来决定元素的存储位置,但它同时会使用链表来维护元素的次序。
(1):对集合迭代时,按加入顺序返回元素。
(2):因为需要维护元素的插入顺序,性能略低于HashSet,但迭代访问有好型你,因为内部有链表维护。

SortedSet接口及TreeSet实现类

TreeSet类是SortedSet接口的实现类。因为需要排序,所以性能肯定差于HashSet,可以定义比较器(Comparator)来实现自定义的排序。默认自然升序排序。

Queue子接口

Queue用于模拟队列这种数据结构,实现FIFO。通常,队列不允许随机访问队列中的元素。
常用的几个方法:
offer():将指定的元素插入此队列(如果立即可行且不会违反容量限制),当使用有容量限制的队列时,此方法通常要优于 add(E),后者可能无法插入元素,而只是抛出一个异常。
poll(): 获取头部元素并且删除元素,队列为空返回null。
peek():获取队列头部元素却不删除元素,队列为空返回null。

Map接口

Map与List、Set接口不同,它是由一系列键值对组成的集合,提供了key到Value的映射。

HashMap类

以哈希表数据结构实现,查找对象时通过哈希函数(hashCode(key) & (length-1))计算其位置,它是为快速查询而设计的,其内部定义了一个hash表数组(Entry[] table),元素会通过哈希转换函数将元素的哈希地址转换成数组中存放的索引,如果有冲突,则使用链表的形式将所有相同哈希地址的元素串起来。

LinkedHashMap类

LinkedHashMap是HashMap的一个子类,非线程安全,它保留插入的顺序。LinkedHashMap实现与HashMap的不同之处在于,后者维护着一个运行于所有条目的双重链接列表。此链接列表定义了迭代顺序,该迭代顺序可以是插入顺序或者是访问顺序。
默认是按插入顺序排序,如果指定按访问顺序排序,那么调用get方法后,会将这次访问的元素移至链表尾部,不断访问可以形成按访问顺序排序的链表。
由于LinkedHashMap需要维护元素的插入顺序,因此性能略低于HashMap的性能,但在迭代访问Map里的全部元素时将有很好的性能,因为它以链表来维护内部顺序。LruCache内部使用的就是访问顺序的LinkedHashMap

TreeMap类

TreeMap 是一个有序的key-value集合,非线程安全基于红黑树实现,每一个key-value节点作为红黑树的一个节点。TreeMap存储时会进行排序的,会根据key来对key-value键值对进行排序,其中排序方式也是分为两种,一种是自然排序,一种是定制排序,具体取决于使用的构造方法。

自然排序:TreeMap中所有的key必须实现Comparable接口,并且所有的key都应该是同一个类的对象,否则会报ClassCastException异常。
定制排序:定义TreeMap时,创建一个comparator对象,该对象对所有的treeMap中所有的key值进行排序,采用定制排序的时候不需要TreeMap中所有的key必须实现Comparable接口。
TreeMap判断两个元素相等的标准:两个key通过compareTo()方法返回0,则认为这两个key相等。
如果使用自定义的类来作为TreeMap中的key值,且想让TreeMap能够良好的工作,则必须重写自定义类中的equals()方法,TreeMap中判断相等的标准是:两个key通过equals()方法返回为true,并且通过compareTo()方法比较应该返回为0。

参考:
https://www.cnblogs.com/xiaoxi/p/6089984.html

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