黑马程序员之基础加强之IDE基础知识和Java5新特性

学习内容概述:第一部分:学习IDE一些非常有用的知识,包括运行环境的设置,如何设置类模板,已有工程的导入以及快捷键的设置

                            第二部分:学习Java5部分新特性,包括:静态导入,枚举,增强for循环,自动装箱和拆箱,以及享元模式等

学习目标:熟练掌握MyEclipse的自己以前不知道新功能,为以后的开发带来快捷,熟练牢记Java5的新特性,扎实掌握各种新特性的用法

1.静态导入

   普通的导入就是导入某个普通的类,静态导入指的是导入某个类下的静态方法,这样我们在使用这个方法时不需要在方法名前面加入类名前缀,形式如下:import static  java.lang.Math.max;此外在使用静态导入时一定要注意JDK版本问题以及IDE工具的版本问题

 2. 可变参数

   我们在使用一个方法时,可能该方法的参数个数是不确定的,按照以前的经验,我们还要重载多个方法

   可变参数的特点:(1)只能出现在参数列表最后面

                                   (2)...位于变量类型与变量名之间,前后有无空格都可以

                                   (3)  调用可变参数的方法时,编译器可为该可变参数隐含创建一个数组,在方法体中以数组的形式访问可变参数

 思考:如何将经典面试题:overload和override的区别?如何回答的深入,回答的全面?

回答:除了要回答出常规的内容外,还要回答出一些特殊情况,比如对于重载,如果两个方法方法名,参数列表相同,返回值不同,这不算重载,甚至这在编译阶段根本就通不           过,对于重写:如果父类有个方法是私有的,但是子类定义了一个相同的方法,这不能算作重写,这将是两个完全不同的方法。

3.增强for 循环

   形式:for(type 变量名:集合变量名)

  注意事项:首先,迭代变量必须在()中定义!第二,集合变量可以是数组或者是实现了Iterator接口的集合类。第三,变量名取名的时候尽量与集合变量名存在共同点。

4. 自动拆箱和装箱

  这是Java5的新特性。基本数据类型和他们的包装类之间可以完成自动转换。

  思考:Integer a=12,Integer b=12和Integer a=129,Integer b=129之间的结果有什么不同?为什么?

    新知识:享元模式:如果很多很小的对象,这些对象有共同的特点,可以吧这些相同的属性变成一个对象,被称作享元模式

5. 重量级知识:枚举

   (1)为什么要用枚举?

   枚举就是要让某个类型变量的取值只能为若干个固定值中的一个,否则编译器就会报错,枚举可以让编译器在编译时就可以控制源程序中的非法写入值,普通的变量在开发时   无法实现这一目标。

   (2)  用普通类模拟Java枚举类

public class WeekDay{
private WeekDay();
public static final WeekDay MON = new WeekDay() ;
public static final WeekDay SUN = new WeekDay();
}
    模拟一个枚举类要注意以下三点:第一,私有构造方法。第二,为每个元素分别用一个公有的静态成员变量表示。第三,可以有若干公有方法或者是抽象方法。第四,如果有必要提供一些静态方法,允许其他程序根据特定的参数来获取与之匹配的实力

   总结:枚举类是一种特殊的类,实际上其中的每个元素都是该枚举类的一个特殊对象

(3) 枚举就相当于一个类,其中也可以定义构造方法,成员变量,普通方法和抽象方法。

       但是枚举类终究不是普通类,它与普通类有如下的区别:

      <1> 枚举类可以实现一个或多个接口,使用enum定义的枚举类默认继承了java.lang.Enum类,而不是继承Object类。其中Enum类实现了Serizable和Comparable两个接口

      <2> 枚举类的构造器只能使用private访问控制符,如果省略了其构造器的访问控制符,则默认使用private修饰,如果强制指定访问控制符,这只能指定private修饰符

      <3> 枚举类的所有实例必须在枚举类中显示列出,否则这个枚举类将永远不会产生实例。列出这些实例时,系统会自动添加public static final 修饰,无需程序员显示添加

      <4> 所有枚举类都提供了一个values方法,该方法可以很方便遍历所有的枚举值

(4) 枚举元素必须位于枚举体中最开始的部分,枚举元素列表后面要有分号与其他成员分隔。把枚举中的成员方法或者是变量放在枚举最前面,编译器会报错。

(5) 带构造方法的枚举

      <1> 构造方法必须是私有的

     <2>如果有多个构造方法,该如何实现哪个构造方法?

     <3>枚举只有一个成员时,就可以作为一种单例的实现模式

学习总结:以全新的角度学习了Java的新特性,在以后的开发工作中,要时刻提醒自己Java5的新特性有哪些,对于这些新特性要烂熟于心,此外还要注重积累Java6的新增特性,时刻保持学习Java新知识的动力。



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。
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