目錄拷貝程序(無限級拷貝)

FileCopy.java:

import java.io.*;
public class FileCopy
{
  FileInputStream FIS;
  FileOutputStream FOS;
  public boolean copyFile(String src, String des)
  {
    try
    {
      //取得輸入出流
      FIS = new FileInputStream(src);
      FOS = new FileOutputStream(des);
      byte[] bt = new byte[1024];
      int readNum = 0;
      while ((readNum = FIS.read(bt)) != -1)
      {
        FOS.write(bt, 0, bt.length);
      }
      FIS.close();
      FOS.close();
      return true;
    }
    catch (Exception e)
    {
      try
      {
        FIS.close();
        FOS.close();
      }
      catch (IOException f)
      {
        // TODO
      }
      return false;
    }
    finally
    {
    }
  }
}

DirectoryCopy.java:

/*
 * 文件拷貝函數,可以拷一個指定文件夾下面的所有文件,及其子目錄中的文件
 * 以及子目錄中子目錄下面的內容
 */

import java.io.*;

public class DirectoryCopy
{
  FileInputStream FIS;
  FileOutputStream FOS;

  public DirectoryCopy()
  {
  }
  //文件夾拷貝核心函數

  public boolean copyDirectory(String SrcDirectoryPath,
                               String DesDirectoryPath)
  {

    try
    {
      //創建不存在的目錄
      File F0 = new File(DesDirectoryPath);
      if (!F0.exists())
      {
        if (!F0.mkdir())
        {
          System.out.println("目標文件夾不存,創建失敗!");
        }
      }
      File F = new File(SrcDirectoryPath);
      File[] allFile = F.listFiles(); //取得當前目錄下面的所有文件,將其放在文件數組中
      int totalNum = allFile.length; //取得當前文件夾中有多少文件(包括文件夾)
      String srcName = "";
      String desName = "";
      int currentFile = 0;
      //一個一個的拷貝文件
      for (currentFile = 0; currentFile < totalNum; currentFile++)
      {
        if (!allFile[currentFile].isDirectory())
        {
          //如果是文件是采用處理文件的方式
          srcName = allFile[currentFile].toString();
          desName =
              DesDirectoryPath + "//" + allFile[currentFile].getName();
          FileCopy FC = new FileCopy();
          FC.copyFile(srcName, desName);
        }
        //如果是文件夾就采用遞歸處理
        else
        {
          //利用遞歸讀取文件夾中的子文件下的內容,再讀子文件夾下面的子文件夾下面的內容...
          if (copyDirectory(allFile[currentFile].getPath().toString(),
                            DesDirectoryPath + "//" +
                            allFile[currentFile].getName().toString()))
          {
            //System.out.println("D Copy Successfully!");
          }
          else
          {
            System.out.println("SubDirectory Copy Error!");
          }
        }
      }
      return true;
    }
    catch (Exception e)
    {
      e.printStackTrace();
      return false;
    }
  }

  public static void main(String[] args)
  {
    DirectoryCopy directoryCopy = new DirectoryCopy();
    /*
    if (args.length != 2)
      System.exit(0);
    File F = new File(args[0]);
    if (F.exists())
    {
      if (!F.isDirectory())
      {
        System.out.println("請輸入一個目錄的全路徑!");
        System.exit(0);
      }
    }
    else
    {
      System.out.println("你輸入的路徑不存在!");
    }
   */
    //if (directoryCopy.copyDirectory(args[0], args[1]))
    if (directoryCopy.copyDirectory("e://123", "e://456"))
    {
      System.out.println("Directory Copy Successfully!");
    }
    else
    {
      System.out.println("Directory Copy error!");
    }
  }
}

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 1
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