Java 异常的原则和注意点

   功夫粗浅,欢迎指正。
   写代码时的异常处理,一直不太明白。刚好看到有本书讲到异常处理的《Robust Java》。
异常处理就是对于程序中可能出现的异常块,使用try catch来捕捉异常。保证程序能继续执行下去。
处理异常有以下几种方法:
1. 记录异常和异常信息。(这种做法是目前我使用最多的)
2. 要求用户和应用程序输入信息。(将异常处理扔给用户来选择,例如登陆时异常,需要用户重试操作)
3. 使用默认值或替换数据。(系统有些参数都有默认值,如果因为某些问题,没有拿到。则采用默认值)
4. 将控制转移给应用程序的其他部分。(将异常信息交给其他部分去处理)
5. 忽略异常。(这种方式碰到过一次,别的系统接口会抛出NullPointException,但不影响调用。其他的情况不建议这种忽然。)
6. 重试操作。(这种处理)
7. 使系统做好停止准备。

这些方法都是可能用到的,有可能会用到里面几种组合来处理。比如1.记录异常和异常信息和6.重试操作 一起使用来处理异常。

处理异常提倡的做法:
1. 尽可能的处理的异常。(如果自己无法正确处理异常,就需要记录异常情况,抛出异常的情况,交给调用方处理。)
2. 记录异常和异常信息。(记录异常的能快速定位异常原因,及时处理)
3. 根据情况包装异常。(统一包装异常,方便系统根据类型统一处理。这种方式需要根据系统情况来抉择。)


不提倡的异常:
1. 尽量不要忽然异常。
try {
   doSomething();
} catch (Exception e) {
   //do nothing. 
}
这种做,发生异常程序时,我们很难发现,可能会给程序带来难以预料的影响。

2. 尽量不采用覆盖式异常处理。(这一点理解可能存在问题)
如果可以用更具体的异常能捕捉了,就不使用Exception这类通用的异常。这样方便对不同异常采用不同的处理方式。

3. 一般不要把特定的异常转化为更加通用的异常。

4. 不用处理能够避免的异常。
  比如出现的NullPointException 异常,一般是可以通过判断引用来避免的。

 

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