[java学习一]异常

什么异常

在程序运行中,发生了意外,背离了程序本身的意图,称为异常

异常分类

java通过 Throwable及其子类对异常进行描述
Throwable主要分为两个子类

  • Error
    程序无法处理的错误,程序运行过程中遇到严重的问题。一般来来说错误的产生与代码编写无关,是java虚拟机产生的错误。常见错误有
    VirtualMachineError:虚拟机错误
    OutMemoryError:内存溢出
    ThreadDeath:线程锁死
  • Exception
    程序能够进行处理的异常。主要分为Unchecked Exception 和 checked Exception(非检查异常) 和 (检查异常)
    Uncheck Exception 是编译器不要求强制处理的异常一般包含
    RuntimeException:运行时异常
    NullPointer Exception:空指针异常
    ArrayIndexOutOfBoundsException :数组下标越界异常
    ArithmeticException:算术异常
    ClassCastException:类型转换异常

CheckedException 编译器在编译阶段要求必须处理的异常
IOException:文件操作异常
SQLException:数据库异常
分类图

异常处理

在java中异常处理主要分为两步:

  • 抛出异常
    java在运行的过程中出现异常,程序会生成一个异常对象抛出,异常对象主要包含,异常类型、异常出现时的程序状态等等。

  • 捕获异常
    java程序会捕捉异常,如果捕捉到异常,会选择匹配的处理器进行处理

java通过5个关键字来对异常进行处理
try、catch、finally、throw、throws

try{
	//可能会出现异常的代码
}catch(E1 Exception){
	//处理器1
}catch  (E2 Exception) {
	//处理器2
}finally {
	//无论如何都会执行的代码
}

可以通过throws声明将要抛出何种类型的异常,通过throw将产生的异常抛出
如果一个方法可能会出现异常,但没有能力处理这种异常,可以在方法申明处用throws子句声明抛出异常

异常链

有时候我们会捕获一个异常后再抛出另外一个异常,将异常发生的原因一个传一个串起来,即把底层的异常信息传给上层,这样逐层抛出。

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