String、StringBuffer与StringBuilder的整理

String 、StringBuffer、StringBuilder都是final类,不能被继承.
一、String类
1.String类初始化后是不可变的(immutable)
     String对象一旦被创建,就不能修改它的值.
     对于已经存在的String对象的修改都是重新创建一个新的对象,然后把新的值保存进去.
2.使用String不一定创建对象。
     例如String str = "abc";对象可能并没有被创建!而可能只是指向一个先前已经创建的对象。
     只有通过new String()方法才能保证每次都创建一个新的对象。
二、StringBuffer类
       StringBuffer类和String一样,也用来代表字符串,只是由于StringBuffer的内部实现方式和String不同,所以StringBuffer在进行字符串处理时,不生成新的对象,在内存使用上要优于String类。
  在应用中如果经常需要对一个字符串进行修改,例如插入、删除等操作,使用StringBuffer要更加适合一些。
  在StringBuffer类中存在很多和String类一样的方法,这些方法在功能上和String类中的功能是完全一样的。
  但是有一个最显著的区别在于,对于StringBuffer对象的每次修改都会改变对象自身,这点是和String类最大的区别。
  StringBuffer是线程安全的。
(1)StringBuffer对象的初始化
         StringBuffer对象的初始化不像String类的初始化一样。直接String aa1="11";就可以
 通常情况下一般使用构造方法进行初始化。 StringBuffer s = new StringBuffer(); 或加入内容StringBuffer s = new StringBuffer(“abc”);
(2)StringBuffer对象和String对象之间的互转的代码如下:
         String s = “abc”;
         StringBuffer sb1 = new StringBuffer(“123”);
         StringBuffer sb2 = new StringBuffer(s);   //String转换为StringBuffer
         String s1 = sb1.toString();              //StringBuffer转换为String
(3)StringBuffer的常用方法
     StringBuffer类中的方法主要偏重于对于字符串的变化,例如追加、插入和删除等。
   a、append方法  追加内容到当前StringBuffer对象的末尾
    StringBuffer sb1 = new StringBuffer("111");
           sb1.append("222");
b、deleteCharAt方法  删除指定位置的字符,然后将剩余的内容形成新的字符串。
  StringBuffer sb = new StringBuffer(“String”);
                            sb. deleteCharAt(1); //对象sb的值变为Sring
c、delete方法   删除指定区间以内的所有字符,包含start,不包含end索引值的区间。
   StringBuffer sb = new StringBuffer(“String”);
                             sb. delete (1,4);//对象sb的值变为Sng
d、insert方法   在StringBuffer对象中插入内容,然后形成新的字符串。
   StringBuffer sb = new StringBuffer(“String”);
                             sb.insert(4,kkk);//对象sb的值变为Strikkkng
e、reverse方法  将StringBuffer对象中的内容反转,然后形成新的字符串。
   StringBuffer sb = new StringBuffer(“abc”);
                             sb.reverse();//对象sb的值变为cba
f、setCharAt方法  修改对象中索引值为index位置的字符为新的字符
   StringBuffer sb = new StringBuffer(“abc”);
                             sb.setCharAt(1,’D’);//对象sb的值变为aBc
   g、trimToSize方法  将StringBuffer对象的中存储空间缩小到和字符串长度一样的长度,减少空间的浪费。
三、StringBuilder类
       StringBuilder与StringBuffer 中的方法和功能完全是等价的,只是StringBuffer 中的方法大都采用了 synchronized 关键字进行修饰,因此是线程安全的,而 StringBuilder 没有这个修饰,可以被认为是线程不安全的。
  StringBuffer 始于 JDK 1.0      StringBuilder 始于 JDK 1.5 
       从 JDK 1.5 开始,带有字符串变量的连接操作(+),JVM 内部采用的是StringBuilder 来实现的。
  StringBuilder对象的初始化和StringBuffer相同 StringBuilder sb = new StringBuilder("StringBuilder");  

       StringBuilder因为它支持所有StringBuffer 相同的操作,但由于它不执行同步,所以速度更快。建议优先采用该类。 

public class StringTest {
	
	//String对象的初始化
		private String aa;
		private String aa1="11";
	
	//StringBuffer对象的初始化
		StringBuffer result = new StringBuffer();  
		StringBuffer result1 = new StringBuffer("dsre");  
		//StringBuffer result2="ff"//StringBufferb不能像String那样初始化,报错
		StringBuffer result2=null;//而这个并不报错。
	
	    public void test() {
		
		//StringBuffer对象和String对象之间的互转的代码如下:
	    String s = "abc";
	    StringBuffer sb1 = new StringBuffer("111");
	    StringBuffer sb2 = new StringBuffer(s);   //String转换为StringBuffer
	    String s1 = sb1.toString();              //StringBuffer转换为String
		
	    //StringBuilder类初始化
	    StringBuilder sbu  = new StringBuilder("Hello World!");
		
	    //Character类
	    Character ch= 'e'; 
	    System.out.println(Character.MIN_RADIX);
	    System.out.println("Character.MIN_RADIX: " + Character.MIN_RADIX ); 
	  
	    	System.out.println(result);
	}

	public static void main(String[] args) {
		// TODO Auto-generated method stub

		StringTest sTest= new StringTest();
		StringBuffer result ;  
		sTest.test();
	}

}


附、Character类
       Character是char的包装类,就像Integer和int ,以及Long和long一样。
       包装类和基本类型可以自动转换,这是jdk1.5(5.0)的新特性,叫做自动封箱和自动解封。
  例1:char ch='a';
       Character ch1=ch;//自动封箱
            Character c=new Character(abc);
            char c1=c;//自动解封
  Character类提供了很多方法。compareTo、toLowerCase、toString、toUpperCase、toLowerCaseCase等
      1.Character 是进行单个字符操作的,
      2.String 对一串字符进行操作。是不可变类。

      3.StringBuffer、StringBuilder 也都是对一串字符进行操作,但是是可变类。

参考:StringBuffer:http://www.cnblogs.com/springcsc/archive/2009/12/03/1616330.html

        http://blog.csdn.net/huaye502/article/details/6603592

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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