LinkedList源码解析二

双向链表的优势:遍历效果优于单向链表。

每个节点类似如下结构:

 定一个静态内部类Node来表示该结构:

   private static class Node<E> {
        Node<E> next;
        Node<E> prev;
        E element;

        public Node(Node<E> prev, Node<E> next, E element) {
            this.prev = prev;
            this.next = next;
            this.element = element;
        }
    }

实现LinkedList的get方法

    @Override
    public E get(int index) {
        checkElementIndex(index);
        return node(index).element;
    }
    

 看下index是靠近头还是靠近尾,如果靠近头从头开始找,如果靠近尾就从尾开始找

 拿index和size的一半进行比较

    private Node<E> node(int index) {
        //看下index是靠近头还是靠近尾,如果靠近头从头开始找,如果靠近尾就从尾开始找
        //大于一半,靠近尾
        if (index > (size >> 1)) {
            Node x = last;
            for (int i = size - 1; i > index; i--) {
                x = x.prev;
            }
            return x;
        } else {
            Node x = first;
            for (int i = 0; i < index; i++) {
                x = x.next;
            }
            return x;
        }
    }

实现LinkedList的clear方法 

    @Override
    public void clear() {
        size = 0;
        first = null;
        last = null;
    }

实现LinkedList的add方法 

  @Override
    public void add(int index, E element) {
        checkPositionIndex(index);
        if (index == size) {
            //需要维护Last变量的方法
            linkLast(element);
        } else {
            //需要维护first的方法
            linkBefore(element, node(index));
        }

        size++;
    }
 private void linkBefore(E element, Node<E> node) {
        //1、获取指定的节点 2、获取前一个节点 3、创建新的节点 4、改变指向关系
        Node<E> pre = node.prev;
        Node<E> newNode = new Node<E>(pre, node, element);
        node.prev = newNode;
        if (pre == null) {
            //add(0,element)
            first = newNode;
        } else {
            pre.next = newNode;
        }
    }

    private void linkLast(E element) {
        //拿到last节点
        Node<E> l = last;
        //构建node节点,包含指向关系
        Node<E> newNode = new Node<E>(l, null, element);
        //将链表的last进行修改
        last = newNode;
        if (l == null) {
            //没有元素的情况
            first = newNode;
        } else {
            l.next = newNode;
        }
    }

 实现LinkedList的remove方法 

   @Override
    public E remove(int index) {
        checkElementIndex(index);
        Node<E> node = node(index);
        //index的前一个节点
        Node<E> pre = node.prev;
        //index的后一个节点
        Node<E> next = node.next;
        //改变前一个节点的next,后一个节点的pre

        if (pre == null) {
            //第一个节点
            first = next;
        } else {
            pre.next = next;
            node.prev = null;
        }

        if (next == null) {
            //最后一个节点
            last = pre;
        } else {
            next.prev = pre;
            node.next = null;
        }
        size--;
        return node.element;
    }

 LinkedList里面存着的线程安全问题

public class MainActivity14 extends AppCompatActivity {

    @Override
    protected void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main14);
        final MyLinkedList2 linkedList = new MyLinkedList2<Integer>();
        for (int i = 0; i < 4; i++) {
            new Thread(new Runnable() {
                @Override
                public void run() {
                    linkedList.add(UUID.randomUUID().toString().substring(0, 10));
                    System.out.println(linkedList);
                }
            }).start();
        }

    }
}

 怎么去解决线程安全问题?

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