Java学习笔记(三)基本数据类型

一、基本数据类型

创建变量即申请内存,内存管理系统根据类型分配用于存储数据的空间。
Java两大数据类型:

  • 内置数据类型
  • 引用数据类型
(一)、内置数据类型

Java提供8种数据类型,分别有以下几种:

  • byte:类似C语言的signed char,用于表示8位有符号的整数,数值范围为:-27~27-1,如100。
  • short:16位有符号短整型,数值范围为:-215~215-1,如100。
  • int:32位有符号整型,数值范围为:-231~231-1,如100。
  • long:64位有符号长整型,数值范围为:-263~263-1,如100L、100l
  • float:32位单精度浮点型,其中符号位占1位,指数长度为8位,尾数长度为23位,符合IEEE 754标准,即float可以和4字节字节型数据相互转换,如100.0f。以C语言为例,定义一个联合体(联合体内数据共享同一个首地址):
union Float_Char
{
 float f;
 char ch[4];
};
Float_Char.f=10.1;//ch[]内部数据就可以表示该float数据,还要注意大小端模式!
  • double:64位双精度浮点型,其中符号位占1位,指数长度为11位(整数部分),尾数长度为52位(小数部分),也符合IEEE754标准,如100.0d。
  • boolean:1位数据,仅有true和false两种取值。
  • char:16位Unicode(万国码)字符,最小值为\u0000(即0),最大值为\uffff(即65535),如’X’。
1、Example

数据类型存在于java.lang,下面分别输出各类型所占用内存位数,所表示数值的最小值和最大值。

package day2;
public class DataType {
       public static void main(String[] args) {
              // TODO Auto-generated method stub
              System.out.println(Byte.SIZE);           //byte类型占用内存大小
              System.out.println(Byte.MIN_VALUE);      //byte类型表示数据最小值
              System.out.println(Byte.MAX_VALUE);      //byte类型表示数据最大值
              System.out.println();
              
              System.out.println(Short.SIZE);
              System.out.println(Short.MIN_VALUE);
              System.out.println(Short.MAX_VALUE);
              System.out.println();
              
              System.out.println(Integer.SIZE);
              System.out.println(Integer.MIN_VALUE);
              System.out.println(Integer.MAX_VALUE);
              System.out.println();
              
              System.out.println(Long.SIZE);
              System.out.println(Long.MIN_VALUE);
              System.out.println(Long.MAX_VALUE);
              System.out.println();
              
              System.out.println(Float.SIZE);
              System.out.println(Float.MIN_VALUE);
              System.out.println(Float.MAX_VALUE);
              System.out.println();

              System.out.println(Double.SIZE);
              System.out.println(Double.MIN_VALUE);
              System.out.println(Double.MAX_VALUE);
              System.out.println();
              
              System.out.println(Character.SIZE);
              System.out.println((int)Character.MIN_VALUE);//以数值形式表示字符
              System.out.println((int)Character.MAX_VALUE);
              System.out.println();
       }
}

调试器输出信息:

8
-128
127

16
-32768
32767

32
-2147483648
2147483647

64
-9223372036854775808
9223372036854775807

32
1.4E-45
3.4028235E38

64
4.9E-324
1.7976931348623157E308

16
0
65535
(二)、引用类型

引用类型类似于C/C++中的指针,对象和数组都是引用类型,默认值为void,可指向任意与之兼容的类型数据。以对象为例:

Puppy puppy = new Puppy("seanOY");
(三)、常量

Java中常量使用final来修饰,在程序运行时不可被修改。为了便于区分,名字通常为大写,如PI的表示:

final float PI = 3.14;

常量(字面量)可以赋值给任意内置变量,如byte、char、int等。其中Unicode字符表达形式为’\uxxxx’,如’\u0032’表示字符’2’。

(四)、自动类型转换

当多种类型进行运算的时候,结果值的类型总为运算中占用字节数最多的那种类型(混合运算中不能有boolean)。如下混合运算按照byte(8位)->short、char(16位)->int(32位)->long(64位)->float(32位单精度浮点型)->double(64位双精度浮点)这种低位到高位类型转换的顺序进行。

  byte b1 = 100;
  short s1 = 100;
  char c1 = 100;
  int i1 = 100;
  long l1 = 100L;
  float f1 = 100.0f;
  double d1 = 100.0d;
  System.out.println(b1+s1+c1+i1+l1+f1+d1);
(五)、强制类型转换

在强制类型转换的时候需要注意数据的溢出和精度损失问题,同时浮点型数据强制转换为整型是直接丢弃小数位,而非四舍五入。

(六)、隐含强制类型转换

整数默认类型为int,浮点数则不存在这种情况,所以需要在数据末尾加上L或d来表示。

参考链接:
菜鸟教程-java基本数据类型

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