Java-String类的常用方法延申

                    字符串常用的提取方法

StringBuffer类和StringBuilder类

一、使用StringBuffer类处理字符串

        除了使用String类存储字符串之外,还可以使用StringBuffer类来存储字符串。而且它是比String类更高效率的存储字符串的一种引用数据类型。特别是对字符串进行连续操作时,使用StringBuffer类可以大大提高程序的执行效率。

1.如何使用StringBuffer类

StringBuffer类位于java.util包中,是String类的增强类。

声明StringBuffer并初始化如下:

StringBuffer sb1=new StringBuffer("青春无悔");

2.常用的StringBuffer类方法

(1)toString()方法

String s1=sb1.toString();                 //转化为String类

(2)append方法

追加字符串: 字符串.append(参数)       将参数连接到字符串后并返回

          该方法和String类的concat()方法一样,都是把一个字符串追加到另一个字符串后面,所不同的是String类只能将String类型的字符追加到一个字符串后面,而StringBuffer类可以将任何类型的值追加到字符串后。

关键代码案例:

public class SbAppend {
	public static void main(String[] args) {
		StringBuffer sb=new StringBuffer("青春无悔");
		int num=110;
		//在字符串后面追加字符串
		StringBuffer sb1=sb.append("我心永恒");
		System.out.println(sb1);
		//在字符串后面追加字符
		StringBuffer sb2=sb1.append('啊');
		System.out.println(sb2);
		//在字符串后面追加整型数字
		StringBuffer sb3=sb2.append(num);
		System.out.println(sb3);
	}

}

 

运行结果:

(3)insert()方法

插入字符串: 字符串.insert(位置,参数);   将字符串插入到字符串指定位置后并返回,参数值可以是包括String的任何类型。

案例:编写一个方法,实现将一个数字字符串转换成以逗号分隔的字符串,即从右边开始每三个数字用逗号隔开。

关键代码:

import java.util.Scanner;

public class Demo3 {
	public static void main(String[] args) {
		Scanner input=new Scanner(System.in);
            //接收字符串,存放在StringBuffer类型的对象中
		System.out.println("请输入一串数字:");
		String num=input.next();
		StringBuffer str=new StringBuffer(num);
		//从后往前每隔三位添加逗号
		for(int i=str.length()-3;i>0;i-=3) {
			str.insert(i, ",");
		}
		System.out.print(str);
	}

}

运行结果如下:

二、使用StringBuilder类处理字符串

用法和StringBuffer类基本一样,它是JDK5.0版本新增的类,是一个可变的字符序列。

 

 

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