Java容器之HashMap源码总结

Java容器之HashMap源码总结

Map是一种将对象和对象相关联的设计;HashMap设计用来快速访问,TreeMap保持键始终处于排序状态,所以没有HashMap快。
Map的数据结构是链表的数据,根据hash值确定数组下标,hash值冲突时采用拉链法拓展哈希表。
map中key和value都可以为null

Map接口

package gemme.collection;

import java.util.Set;

/**
 * 自定义接口Map
 * */
public interface IMyMap<K, V> {

    // 元素数目
    int size();

    // 集合是否为空
    boolean isEmpty();

    // 是否包含Key
    boolean containsKey(Object key);

    // 根据键获取值
    V get(Object key);

    // 将键值对放入集合中
    V put(K key, V value);

    // 移除键值对
    V remove(Object key);


    interface MyEntry<K, V> {

        K getKey();

        V getValue();

        V setValue(V newValue);

        boolean equals(Object o);

        int hashCode();

    }
}

抽象类和实现类

package gemme.collection;

/**
 * 自定义抽象类AbstractMap
 * */
public abstract class IMyAbstractMap<K, V> implements IMyMap<K, V> {

}


package gemme.collection;

import java.util.Objects;

public class MyHashMap<K, V> extends IMyAbstractMap<K, V> implements IMyMap<K, V> {
    //默认初始化大小 16
    int DEFAULT_INITIAL_CAPACITY = 1 << 4;

    //默认负载因子 0.75
    float DEFAULT_LOAD_FACTOR = 0.75f;

    //元素个数
    int size;

    // 临界值
    int threshold;

    // 负载因子
    float loadFactor;

    MyEntry<?, ?>[] EMPTY_TABLE = {};

    // 哈希表
    MyEntry<K, V>[] table = (MyEntry<K, V>[]) EMPTY_TABLE;


    public MyHashMap() {
        threshold = (int) (DEFAULT_INITIAL_CAPACITY * DEFAULT_LOAD_FACTOR);
        loadFactor = DEFAULT_LOAD_FACTOR;
        size = 0;
    }

    /**
     * 获取key的哈希值
     * */
    int hash(Object k) {
        int h = 0;
        h ^= k.hashCode();
        h ^= (h >>> 20) ^ (h >>> 12);
        return h ^ (h >>> 7) ^ (h >>> 4);
    }

    @Override
    public int size() {
        return size;
    }

    @Override
    public boolean isEmpty() {
        return size == 0;
    }

    /**
     * 当Key为空时,Entry下标为0,拿到该链表遍历并比较它们的Key
     * */
    private V getForNullKey() {
        if (size == 0) {
            return null;
        }
        for (MyEntry<K, V> e = table[0]; e != null; e = e.next) {
            if (null == e.getKey()) {
                return e.getValue();
            }
        }
        return null;
    }

    /**
     * 根据键值获取entry,先计算哈希值,根据哈希值找到ENTRY链表,遍历链表
     * */
    MyEntry<K, V> getEntry(Object key) {
        if (size == 0) {
            return null;
        }
        int hash = (key == null) ? 0 : hash(key);
        for (MyEntry<K, V> e = table[indexFor(hash, table.length)]; e != null; e = e.next) {
            Object k = e.key;
            if (e.hash == hash && (k == key || (k != null && k.equals(key) ))){
                return e;
            }
        }
        return null;
    }

    static int indexFor(int h, int length) {
        return h & (length - 1);
    }

    @Override
    public boolean containsKey(Object key) {
        return getEntry(key) != null;
    }


    /**
     * 根据键获取值
     * */
    @Override
    public V get(Object key) {
        if (null == key) {
            return getForNullKey();
        }
        MyEntry<K, V> entry = getEntry(key);
        return null == entry ? null : entry.getValue();
    }


    @Override
    public V put(K key, V value) {
        if (table == EMPTY_TABLE) {
            // 初始化
            threshold = (int) (DEFAULT_INITIAL_CAPACITY * loadFactor);
            table = new MyEntry[DEFAULT_INITIAL_CAPACITY];
        }
        if (null == key) {
            putForNullKey(value);
        }
        int hash = hash(key);
        int index = indexFor(hash, table.length);
        //遍历index位置的entry,若找到重复key则更新对应entry的值,然后返回
        for (MyEntry<K, V> e = table[index]; e != null; e = e.next) {
            if (e.hash == hash && (e.key == key || key.equals(e.key))) {
                V oldValue = e.getValue();
                e.setValue(value);
                return oldValue;
            }
        }
        addEntry(hash, key, value, index);
        return null;
    }


    private void addEntry(int hash, K key, V value, int index) {
        // 判断size是否达到临界值,若已达到则进行扩容,将table的capacicy翻倍
        if (size > threshold) {
            resize(2 * table.length);
            hash = (key != null) ? hash(key) : 0;
            index = indexFor(hash, table.length);
        }
        // 将新的entry放到table的index位置第一个,若原来有值则以链表形式存放
        MyEntry<K, V> entry = table[index];
        table[index] = new MyEntry<>(hash, key, value, entry);
        size++;
    }


    private void resize(int newCapacity) {
        MyEntry[] newTable = new MyEntry[newCapacity];
        // 遍历原table,将每个entry都重新计算hash放入newTable中
        for (MyEntry<K, V> e : table) {
            while (null != e) {
                MyEntry<K, V> next = e.next;
                int i = indexFor(e.hash, newCapacity);
                // 将entry指到新的newTable,设置next
                e.next = newTable[i];
                // 设置newTable的值为e
                newTable[i] = e;
                e = next;
            }
        }
        // 用newTable替table
        table = newTable;
        // 修改临界值
        threshold = (int) (table.length * DEFAULT_LOAD_FACTOR);
    }


    private V putForNullKey(V value) {
        for (MyEntry<K, V> e = table[0]; e != null; e = e.next) {
            if (e.key == null) {
                V oldValue = e.value;
                e.value = value;
                return oldValue;
            }
        }
        addEntry(0, null, value, 0);
        return null;
    }

    @Override
    public V remove(Object key) {
        MyEntry<K, V> e = removeEntryForKey(key);
        return e == null ? null : e.getValue();
    }


    MyEntry<K, V> removeEntryForKey(Object key) {
        if (size == 0) {
            return null;
        }
        int hash = (key == null) ? 0 : hash(key);
        int i = indexFor(hash, table.length);

        MyEntry<K, V> prev = table[i];
        MyEntry<K, V> e = prev;

        while (e != null) {
            MyEntry<K, V> next = e.next;
            if (e.hash == hash && (e.key == key || key.equals(e.key))) {
                size--;
                // 如果删除的是链表的第一个节点
                if (prev == e) {
                    table[i] = next;
                } else {
                    // 不是链表的第一个节点,前一个节点直接指向next
                    prev.next = next;
                }
                return e;
            }
            prev = e;
            e = next;
        }
        // 没有找到对应的节点,返回null
        return null;
    }


    /**
     * 自定义节点MyEntry
     * */
    static class MyEntry<K, V> implements IMyMap.MyEntry<K, V> {

        K key;
        V value;
        MyEntry<K, V> next;
        int hash;

        MyEntry(int h, K k, V v, MyEntry<K, V> n) {
            hash = h;
            key = k;
            value = v;
            next = n;
        }

        @Override
        public K getKey() {
            return key;
        }

        @Override
        public V getValue() {
            return value;
        }

        @Override
        public V setValue(V newValue) {
            V oldValue = value;
            value = newValue;
            return oldValue;
        }

        @Override
        public boolean equals(Object o) {
            return false;
        }

        public int hashCode() {
            return Objects.hash(getKey()) ^ Objects.hash(getValue());
        }
    }


    @Override
    public String toString() {
        StringBuilder sb = new StringBuilder();
        for (MyEntry entry : table) {
            while (entry != null) {
                sb.append(entry.getKey() + ":" + entry.getValue() + "  ");
                entry = entry.next;
            }
        }
        return sb.toString();
    }
}

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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