Java泛型(Generics Type)

术语:
formal parameters  形式参数
type parameters  类型参数
raw type 原型类型

1. 为什么使用泛型(Generics)
简单来说,泛型就是在定义类,接口和方法时,能够使用类型(classes和interface)作为参数。正如在方法定义中使用形式参数一样,泛型提供了一种在不同类型的输入情况下能够使用同样的方法代码。只是对于形式参数而言,输入的是值。而对于类型参数而言,输入的是类型。
使用泛型的优点:
1)在编译时,泛型会有强类型检查。当其违反类型安全时,会报错。
2)避免类型转换

List list = new ArrayList();

list.add("hello");

String s = (String)list.get(0);

     由于ArrayList中存储的是Object类型,所以get必须转型为String。

List<String> list = new ArrayList<String>();

list.add("hello");

list.get(0);

3)方便开发者实现泛型算法
  
2. 泛型的使用
从一个简单的Box类来说明。
public class Box {
private Object object;
public void set(Object object) { this.object = object;}
public Object get(){ return object;}
}

从上面的例子可以看出,Box类的set方法可以接受任何类型,赋值给Object对象。对于这种情况,由于在编译时没有类型检测,无法检测Box类的使用。很可能出现我们需要得到一个Integer类型,却传进去一个String类型,导致运行时错误。
但是,如果我们将其转化为泛型,就不会出现这种问题。
public class Box<T> {
private T t;
public void set(T t) {this.t = t;}
public T get(){ return t;}
}

3. 泛型的命名
  泛型通常命名形式如下:

E   Element(Java Collections FW的扩展)

K   Key

  N   Number

  T   Type

V   Value

S,U,V etc    2nd,3rd,4th types

4. 引用和实例化泛型
  泛型引用时,必须将T用具体类型替代,如integer。
Box<integer> b;
  使用泛型的类的实例化:
Box<integer> b = new Box<integer>();
5. Raw Types
  Raw type就是未指定具体类型的泛型类或接口,对于泛型类Box:
public class Box<T> {
public void set(T){…}

  }

  Raw Type:  Box rawBox = new Box();
  我们在开发中经常使用的ArrayList,就是一个泛型类,其Raw Type为:
ArrayList list = new ArrayList();
  我们在开发中应避免使用raw type.

6. 泛型方法
  泛型方法引入了自己的类型参数,参数的范围仅限于方法内。静态与非静态的泛型方法都是允许的。
  泛型方法语法:
public class Util{
public static <K,V> boolean compare(Pair<K,V> p1,Pair<K,V>p2) {
return p1.getKey().equals(p2.getKey()) && p1.getValue().equal(p2.getValue());
}
}

public class Pair<K,V> {
private K key;
private V value;

public void setKey(K key){ this.key = key; }
public K getKey() { return key;}

}

  泛型方法的调用:

    Pair<Integer,String> p1 = new Pair<>(1,”apple”);

Pair<Integer,String> p2 = new Pair<>(2,”pear”);

Boolean same = Util.<Integer,String>compare(p1,p2); //<Integer,String>可省略


未完待续。。。

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