1集合-Map

Map

一个将多个key映射到value的对象。一个map不能包含重复的key,每个key也只能映射到一个对象。

Map期待了Dictionarry,Dictionary是一个完全抽象类而不是一个接口

Map接口提供了3个集合视图,1个map可以视为由:用1个set存储所有key,用1个集合存储所有value。用1个set存储所有key-value映射。Map的顺序分为两种情况,一种是返回遍历器的返回元素的顺序,一种是没有实现遍历器就没有顺序。有序的比如TreeMap,无序的比如HashMap;

注意:如果map里的key是可以变得那需要特殊注意,因为当进行equals比较时可变的key将做啊出无法预知的后果。并且禁止将自己作为自己的key。当允许自己作为自己的value,非常需要注意的是:equals,和hashCode方法将并不容易定义在这样的Map里。

所有一般性的Map实现类都应该提供两个标准的构造器:1个无参构造去,1个返回其参数并作为map的构造器。事实上后来,够再去运行使用者去复制任何map去生成一个等效的map。并没有办法去强制这个约定(因为接口里面不能包含构造器)除非所有的一般性map实现类都在jdk里

所有修改map的操作如果不支持会抛出UnsupportedOperationException异常。但是当给一个不可添加的map里进行putAll()操作,添加了一个空的映射则可以,但不必须抛出异常。

一些map的实现类对其中的key和value有要求。比如,有些实现类允许key和value为null,有些对他们的key的类型有要求。当试图去插入一个不合规的key或者value是,会抛出一个未检异常,一般来说是NullPointerException 或者ClassCastException。试图去查询一个不合规的元素的过程,可能会抛出一个异常或者返回false;有些实现类是抛出异常,有些是返回false。通常来讲,当试图去操作一个不合规的key或者value,最终可能导致插入操作,那么结果可能是抛出异常或者成功,这是可以选择的。

很多方法在集合框架接口中被定义使用equals方法。比如说containsKey方法的说明里说:retures true if and only if this map contains a mapping for a key k such that (key == null ? k==null:key.equals(k).这个描述应不应该按时当调用containsKey()方法时会调用equals()方法。实现类可以去优化接口来避免使用equals方法。比如,比较两个key的hash codes。(hashCode() 方法声明。两个具有不同hashCode的对象不可能相同)。

如果出现了map直接或间接的引用自身,那么当递归该map的时候,则会抛出一个异常。这种情况包括使用clone(),equals(),hashCode(),toString()方法。实现类可以有选择的处理自我引用的情况,当时目前大部分实现类没有去做。

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