java实现队列

队列,又称为伫列(queue),是先进先出(FIFO, First-In-First-Out)的线性表。在具体应用中通常用链表或者数组来实现。队列只允许在后端(称为rear)进行插入操作,在前端(称为front)进行删除操作。


package com.jdkcn.util;

import java.util.Collection;
import java.util.Iterator;
import java.util.List;
import java.util.NoSuchElementException;
import java.util.Queue;
import java.util.Vector;


public class VectorQueue<T> implements Queue<T> {
 private List<T> elements = new Vector<T>();

 /**
  * 如果可能,将指定的元素插入此队列。
  * @param obj
  * @return 如果可以向此队列添加元素,则返回 true;否则返回 false。
  */
 public boolean offer(T t) {
  return elements.add(t);
 }

 /**
  * 检索并移除此队列的头,如果此队列为空,则返回 null。
  */
 public T poll() {
  if(elements.isEmpty())
   return null;
  else{
   T obj = elements.get(0);
   elements.remove(0);
   return obj;
  }

 }

 /**
  * 检索并移除此队列的头。此方法与 poll 方法的不同在于,如果此队列为空,它会抛出一个异常。
  * @throws java.util.NoSuchElementException 如果队列为空
  */
 public T remove() {
  T obj = null;
  if(elements.isEmpty())
   throw new NoSuchElementException("Vetory Queue is empty,No Elements contained.");
  else{
   obj = elements.get(0);
   elements.remove(0);
  }
  return obj;
 }

 /**
  * 检索,但是不移除此队列的头,如果此队列为空,则返回 null。
  */
 public T peek() {
  if(elements.isEmpty())
   return null;
  else{
   return elements.get(0);
  }
 }

 /**
  * 检索,但是不移除此队列的头。此方法与 peek 方法的惟一不同是,如果此队列为空,它会抛出一个异常。
  * @throws java.util.NoSuchElementException 如果队列为空
  */
 public T element() {
  if(elements.isEmpty())
   throw new NoSuchElementException("Vetory Queue is empty,No Elements contained.");
  else{
   return elements.get(0);
  }
 }
 
 /**
  * 打印VectorQueue里的元素
  *
  */
 public void printQueue() {
  if(elements.isEmpty()){
   System.out.println("VectorQueue is Empty.");
  }else{
   System.out.println("There are ["+elements.size()+"] Elements in VectorQuee.\n");
   for(int i=0, n=elements.size();i<n;i++){
    System.out.println(i+":"+elements.get(i)+"\n");
   }
  }
 }

 /* (non-Javadoc)
  * @see java.util.Collection#size()
  */
 public int size() {
  return elements.size();
 }

 /* (non-Javadoc)
  * @see java.util.Collection#isEmpty()
  */
 public boolean isEmpty() {
  return elements.isEmpty();
 }

 /* (non-Javadoc)
  * @see java.util.Collection#contains(java.lang.Object)
  */
 public boolean contains(Object o) {
  return elements.contains(o);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#iterator()
  */
 public Iterator<T> iterator() {
  return elements.iterator();
 }

 /* (non-Javadoc)
  * @see java.util.Collection#toArray()
  */
 public Object[] toArray() {
  return elements.toArray();
 }

 /* (non-Javadoc)
  * @see java.util.Collection#toArray(java.lang.Object[])
  */
 @SuppressWarnings("hiding")
 public <T> T[] toArray(T[] arg0) {
  return elements.toArray(arg0);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#add(java.lang.Object)
  */
 public boolean add(T obj) {
  return elements.add(obj);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#remove(java.lang.Object)
  */
 public boolean remove(Object o) {
  return elements.remove(o);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#containsAll(java.util.Collection)
  */
 public boolean containsAll(Collection<?> arg0) {
  return elements.containsAll(arg0);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#addAll(java.util.Collection)
  */
 public boolean addAll(Collection<? extends T> arg0) {
  return elements.addAll(arg0);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#removeAll(java.util.Collection)
  */
 public boolean removeAll(Collection<?> arg0) {
  return elements.removeAll(arg0);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#retainAll(java.util.Collection)
  */
 public boolean retainAll(Collection<?> arg0) {
  return elements.retainAll(arg0);
 }

 /* (non-Javadoc)
  * @see java.util.Collection#clear()
  */
 public void clear() {
  elements.clear();
 }


}

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