集合

所谓集合就是一个容器里面可以放各种元素,容器提供了增、删、改、查这几个功能。

容器有List和Set还有Map这三大类。

LIst中有ArrayList和LinkedList,ArrayList底层是个长度可变的数组,所以它有索引,可以通过普通for循环,增强for循环,以及Iterator来遍历。

LinkedList底层按照链式法则来存放数据,可以通过增强for循环和Iterator来遍历。

当List类型的集合在使用Iterator和for循环遍历时不能在遍历的同时增加集合元素,在使用Iterator时不能用List自带的remove方法移除元素,只能使用Iterator的remove方法来移除元素。

List类型的集合是有序的并且里面的元素可以重复。

HashSet中的元素是无序的并且不可以重复,HashSet会使用equals方法来判断是否有重复的元素,如果有需要的话可以改写equals方法,但随之必须再改写HashCode,因为当对象equals相等时其HashCode也肯定相等。

HashSet输出值的顺序与输入时的顺序不一直,这是因为存元素的时候使用了Hash算法,当输出元素时输出元素的顺序按照hash算法得出来的先后顺序而输出。

HashMap是以key-value的形式存放元素的,当你要找一个元素时只要找到他的key就可以找到它的value了。HashMap也是使用hash算法的,所以输出元素时的顺序与输入时的顺序不一样。

当你将key原来连接的value改掉时那么之后key对应的就是新的value值了。

由于底层存储方式的不同,造成了性能上的差异。

Array读快改慢

Linked改快读慢

Hash两者之间

转载于:https://my.oschina.net/allsmallpig/blog/1358727

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