(1.12)java基础语法自述--类与对象---(单例模式,枚举类型)

(1.12)java基础语法自述–类与对象—(单例模式,枚举类型)

一,单例模式

1,什么是单例模式?

  • 单例模式又叫做 Singleton模式,指的是一个类,在一个JVM里,只有一个实例存在。

2.饿汉式单例模式

public class Books{
    private Books(){}//通过私有化构造方法,使得该类无法在外部通过new进行实例化
    
    private static Books h = new Books();//准备一个类属性,指向一个实例化对象,因为是类属性,所以只有一个
    
    public static Books reading(){//通过该方法,提供调用者获取上面属性定义的对象。
        return h;
    } 
    
    public static void main(String[] args){
        //此时通过new实例化会报错
        //只能通过reading得到对象
        Books h1 = Books.reading();
        Books h2 = Books.reading();
        //此时都是同一个对象
        System.out.println(h1==h2);
    }
}

3. 懒汉式单例模式

public class Books{
    private Books(){}
    private static Books h;//准备一个类属性,用于指向一个实例化对象,但是暂时指向null
    private static Books reading(){
        if(null == h){//第一次访问的时候,发现instance没有指向任何对象,这时实例化一个对象
            h = new Books();
        }
        //返回h所指向的对象
        return h;
    }
}

4.分别在什么情况下使用该两种模式

  • 饿汉式,是立即加载的方式,无论是否用到这个对象,都会加载(如果在构造方法里写了性能消耗较大,占时较久的代码,比如建立与数据库的连接,那么就会在启动的时候感觉稍微有些卡顿。)
  • 懒汉式,是延迟加载的方式,在使用时才会加载对象,,,(使用懒汉式,在启动的时候,会感觉到比饿汉式略快,因为并没有做对象的实例化。 但是在第一次调用的时候,会进行实例化操作,感觉上就略慢。)

5.总结

  • 什么是单例模式?
      1. 构造方法私有化
      2. 静态属性指向实例
      3. public static 的方法,返回指向第二步的静态属性

二,枚举类型

1. 预先定义的常量

  • 枚举enum是一种特殊的类(还是类),使用枚举可以很方便的定义常量
public enum Reading{
    SANTI1,SANTI2,SANTI3 //因为是常量,所以一般全是大写
}

public class Books{
    public static void main(String[] args){
    	Reading h = Reading.SANTI2;
    	switch (h){
    	case SANTI1:
    		System.out.println("三体1");
    		break;
    	case SANTI2:
    		System.out.println("三体2");
    		break;
    	case SANTI3:
    		System.out.println("三体3");
    		break;
    	}
    }
}

2. 使用枚举的好处

  • 假设在使用switch时,不是使用enum,而是使用int,而int 的取值范围就不只是1-4了,有可能超出1-4之间的值,这样判断结果就会似是而非了,但是使用枚举就会牢牢锁定在四个值中

3. 遍历枚举

  • 借助增强型for循环,可以很方便的遍历一个枚举都有哪些常量
public enum Reading{
    SANTI1,SANTI2,SANTI3 //因为是常量,所以一般全是大写
}

public class Books{
    public static void main(String[] args){
        for(Reading h:Reading.values()){ //增强型for循环用法
            System.out.println(h);
        }
    }
}
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