Java编程思想-第二章-一切都是对象-2.1-2.2笔记

第二章:一切都是对象

如果我们说另一种不同的语言,那么我们就会发觉一个有些不同的世界

  • 2.1 用引用操纵对象
    每种编程语言都有自己的操作内存中元素的方式。在Java中,一切都被视为对象。但实际上,操作的标识是对“对象”的一个”引用”。

    例如:遥控器(引用)和电视(对象)
    你只要拿着遥控器,就可以保持和电视的连接,你调大音量,实际上是操控遥控器(引用),遥控器再调控电视(对象)。此外,没有电视,遥控器也可独立存在,并不一定需要与对象关联。

        String s:

  这里创建的s只是引用,并不是对象。如果现在向SS发送个消息,就会返回一个运行时错误。这是因为s实际上没有与任何东西关联。所以安全的做法是创建一个引用的同时便进行初始化。

        String s="xx";

  这里用到了Java的一个特性:字符串可以用带引号的文本初始化。通常,必须对对象采用一种更通用的初始化方法。

  • 2.2 必须由你创建所有对象

  当我们创建了一个引用的时候,通常用new操作符与一个新的对象关联。new关键字的意思是:给我一个新对象。所以前面的例子可以写成:

String s=new String("xxx");  

2.2.1 存储到什么地方
  程序运行时,对象是怎么防止安排的?内存是如何分配的?
1. 寄存器
这是最快的存储区,因为它位于处理器内部。但是寄存器数量极其有限,所以寄存器根据需求进行分配,你不能直接控制,也不能在程序中感受到他的存在。
2. 堆栈
位于通用RAM中,但通过堆栈指针可以直接从处理器那里获得支持。堆栈指针若向下移动,则分配新的内存;反之,则释放那些内存。这是一种仅次于寄存器的高效分配存储方法。
3.
一种通用的内存池,用于存放所有Java对象。堆不同于堆栈的好处是:编译器无需知道存储的数据在堆里存活多久时间。当需要一个对象时,只需要new出这个对象,就会自动在堆里进行存储分配。但这需要比堆栈存储更长一点点时间。
4. 常量存储
常量值通常直接存在程序代码内部,这样做是安全的,因为他们永远不会被改变。
5. 非RAM存储
存于程序外。基本例子:流对象和持久化对象。

2.2.2 特例:基本类型

  基本类型不用new来创建变量,而是创建一个并非引用的”自动”变量。这个变量直接存储”值”,并放置于堆栈中,因此更加高效。Java要确定没种基本类型所占存储空间的大小,他们的大小并不像其他大多数语言那样随机器硬件架构的变化而变化。这种所占存储空间大小的不变性也是java程序比其他大多数语言编写的程序更具可移植性的原因之一。

image

  所有数值类型都有正负号。boolean类型所占存储空间大小没有明确指定,仅定义为能够取字面值true or false。

  基本类型具有的包装类。使得可以在堆中创建和一个非基本对象,用来表示对应的基本类型。

  例如:

Char c = "x";  
Character ch = new Character(c);  

也可以这样

Character ch = new Character("x");

Java SE5的自动包装功能将自动地将基本类型转换成包装类型:

Character ch = "x";

并可以反响转换:

char c = ch;

  高精度数字

  Java提供了两个用于高精度计算的类:BigIntegerBigDecimal。虽然它们大体属于”包装器类”的范畴,但是他们都没有对应的基本类型。这两个是调用方法的方式来取代运算符,所以运算速度会稍慢。

  BigInteger支持任意精度的整数,不糊丢失任何信息。
  BigDecimal支持任何精度的定点数,建议用来计算有关于钱的东西~

2.2.3 Java中的数组

  几乎所有的程序设计语言都支持数组。Java确保数组会被初始化,而且不能再它的范围之外被访问。这种范围检查,是以每个数组上少量的内存开销及运行时的下标检查为代价的。但换来的是安全性和效率的提高,所以是值得的(java有时也可以优化这些操作)
  当创建一个数组对象时,实际上就是创建了一个引用数组,并且每个引用都会被自动初始化为一个特定的值,该值拥有自己的关键字null,一旦java中看见null,就知道这个引用还没指向某个对象。在使用任何引用前,必须为其指定一个对象;如果试图使用一个还是null的引用,那就会报错哦~

                                     Next 2.3 永远不需要销毁对象

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 1
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