第二章 一切都是对象


1.用句柄操作对象

/**
 * 用句柄操纵对象
 */
private void twoOne(){
    //这只是一句柄,并不是一个对象
    String s;
    //这才是一个对象
    String s1 = "对象";
}

2.所有的对象必须创建

/**
 * 所有的对象都必须创建
 */
private void twoTwo(){
    //一个正式的创建对象的过程
    String s = new String("对象");
}

3.对象保存在什么地方

/**
 * 对象保存在什么地方
 */
private void twoTwoOne(){
    //1.寄存器   (根据需要编译器分配,对于它没有直接的控制权)
    //2.堆栈 ram (通过堆栈指针的移动,控制内存的创建与释放,对象句柄放到里面)
    //3.  ram 保存java对象
    //4.静态数据 ram 位于固定位置,
    //5.常数存储 直接放置于程序代码内部
    //6.ram存储 流对象,硬盘对象
}

4.特殊情况 主要类型

/**
 * 特殊情况 主要类型
 */
private void twoTwoTwo(){
    //名      长度(bit)   对象
    //boolean 1 Boolean
    //char    16  Character
    //byte    8   Byte
    //short   16  Short
    //int     32  Integer
    //long    64  Long
    //float   32  Float
    //double  64  Double
    //void        Void

    //使用
    char c = '2';
    Character c1 = new Character('2');

    //任意精度  整数
    BigInteger bigInteger = new BigInteger("213213123213213213213");

    //任意精度  定点数字
    BigDecimal bigDecimal = new BigDecimal("23729328938293.2328932893829382");

    System.out.println(bigInteger);
    System.out.println(bigDecimal);
}

5.数组

/**
 * 数组
 */
private void twoTwoThree(){
    //全部初始化为0
    int[] ints = null;

    //未初始化报错
    try {
        System.out.println(ints[0]);
    }catch (Exception e){
        System.out.println("出错了, 现在没有0号元素");
    }

    //初始化为0
    ints = new int[10];
    for (int temp : ints){
        System.out.print(temp + " ");
    }
    System.out.println();

    //访问数组之外 报错
    try {
        System.out.println(ints[11]);
    }catch (Exception e){
        System.out.println("出错了, 现在没有11号元素");
    }
}

6.清除对象与作用区域

/**
 * 绝对不要清除对象
 */
private void twoThree(){
    //一般而言,只要被判断为将不被使用了的内存 都会被回收
    //比如这个s 经历了函数之后,就可以被回收了,在下一次回收的时候,就会被回收
    String s = new String("wewe");
}


/**
 * 作用域
 */
private void twoThreeOne(){
    {
        int x = 0;
        {
            System.out.println("x = " + x);
            x = 5;
            int y = 0;
        }
        System.out.println("x = " + x);
    }
}

/**
 * 对象的作用域
 */
private void twoThreeTwo(){
    //执行之后,没有办法访问,但是对象占据着内存,但是java会回收它
    String s = new String("对象");
}

7.新建数据类型 类

/**
 * 新建数据类型
 */
private void twoFour(){

    //int  double... 都会有默认值
    class Temp{
        int i;
        double f;

        int ceshi(int a){
            return a + 3;
        }
    }
    Temp temp = new Temp();
    System.out.println(temp.i = 100);//赋值  使用
    System.out.println(temp.f);
    System.out.println(temp.ceshi(5));
}

8.static关键字

/**
 * static 关键字
 */
private void twoSix(){
    //1.想用一个存储区域来保持特定的数据(无论创建多少个对象,还是根本不创建对象)
    //2.即使没用创建对象,也需要一个能调用的方法

    System.out.println(staticInt);
    System.out.println(staticFunc(5));
    System.out.println(staticClass.getA());
}

private static int staticInt  = 100;
private static int staticFunc(int a){
    return a + 3;
}

//注意1.a, getA 可以访问 但是 b 不能被访问
//注意2.静态内部类可以包含静态变量
private static class staticClass{
    public static int a = 100;
    int b = 1000;

    public static int getA() {
        return a;
    }
}
 
 
 
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。
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