变量,运算符(笔记)

变量:就是将不确定的数据进行存储,也就是需要在内存中开辟一个空间。

如何开辟内存空间呢?

就是通过明确数据类型,变量名称和数据来完成的。

数据类型::

基本数据类型: 数值型 : 整数型(byte,short,int,long)   整数类型之所以划分如何清楚,因为在内存中开辟的空间不一样

浮点型(float,double)      单精度   双精度

字符型(char)

布尔型(boolean)

引用数据类型: 类(class)

接口(interface)

数组([ ])

定义变量的格式;

数据类型  变量名   =  初始化值


类型的转换

对于整数类型之间,可以直接运算,但是必须有一个操作前提,就是自动类型提升,先要把两个类型提升为同一个数据类型,原则:已大的为主,往大的提升。

运算符

算术运算符

a++     (先出去,在加)

++a (先加,在出去)

转义字符:通过\来转变后面字母或者符号的含义

赋值运算符

x += 4  ;  把左右两边的和赋给左边



short  s = 4;

s  = s + 5;    (编译报错:因为这是两次运算)

s += 5; (编译错误,因为这是一次运算,就等于直接赋值,内部有一个自动转换动作)

逻辑运算符 (用于连接布尔类型的表达式)

& (与)有一个false 结果为false  只有两边为true 结果为true

| (或)有一个true记过为true  只有两边为false 结果为false

^ (异或)两边相同结果为false 两边不同结果是true

! (非)

&& (短路)当左边为false 右边不运算,比 & 运算效果更高,

|| () 当左边为true 右边不运算,比 | 运算效果更高,


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