JAVASE基础部分一------java语言、JRE、JDK、环境变量、Hello world

软件的功能:实现人与计算机更好的交互

交互方式:图形/化界面和命令行方式

dos常见命令/

dr++出当前目录下的文件及文件夹

md:创建目录

rd:删除目录

cd:进入指定目录

cd..:退回到上一级目录

cd/:退回到根目录

del:删除文件

exit:退出dos命令行

JavaSUN公司1995年推出的一种面向Internet的高级编程语言。特色:与平台无关

JAVAEE  :  企业版

JAVASE  : 基础班

JAVAME  : 小型版

JVM :  虚拟机  Java Virtual Machine

JRE: Jave Runtime Environment Java运行环境,用于java软件的运行,包含JVMJava程序运行所需的核心类库

JDKJava Development Kit , Java开发工具包,包含JRE和开发工具如编译工具(javac.exe)、打包工具(jar.exe)等

总结:JDK包括LREJRE 包含 JVM

注意:JDK避免安装到带有空格或中文字符的目录下

配置java环境变量:我的电脑——高级——环境变量——path

方法1:Path变量值填写JDK中开发工具所在目录,如:d:\java\java1.6.0_21\bin

方法2:新建系统变量,变量名自取,变量值填写JDK中开发工具所在目录,.+

+.;配置path变量值,格式为 “%新建变量名%\JDK中开发工具所在目录;%java_home%

%A%”表示动态的获取已存在的环境变量A的值;

方法3dos命令行临时配置方式,命令格式 set path=JDK中开发工具所在目录如“set path=d:\java\java1.6.0_21\bin;此方法会改变原有的path值,如果想保留原有path值,可以在新值后面加上“;%path%”,如set path= d:\java\java1.6.0_21\bin;%path%

 Hello World  程序开发体验

1. 将java代码编写到扩展名为.java的文件中

2. 通过javac命令对该java文件进行编译

3. 通过java命令对生成的class文件进行运行

流程图:

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