从零开始学习JAVA

本人在经历这两周的遭遇后,反思,得到基础很重要,现在就从零开始学习JAVA,并且记录。

基本数据类型

整型 byte int short long   分别是 1个,4 个,2个,8个字节。创建long 类型时要加L。

浮点型 float, double。默认小数是double, 编译出错,float类型声明后要加f。

字符型 char 通过unicode编码,可以实现int与字符之间的转化,(\123)8进制的字符,(\u0025)16进制的字符。

布尔型 boolean 只有 true和false 用来做条件判断。

变量

变量表示名

可以以下划线“_”,任意字母,“$”开头,但是不能以数字和关键字开头。

1.关键字 instanceof 返回boolean值,判断前一个对象是否继承或实现后一个对象或接口。

2.transient 修饰变量,类在实现序列化Serializable后,被修饰的变量将不会被序列化。

3.defalut 修饰接口中的方法,可以变成默认方法(同包能可以访问,子类不可以访问,protected同包能访问,子类也可以访问(子类在别的包下,那么该包下的类是不能访问子类中的protected))。switch中也可以使用,用于默认值。

成员变量和局部变量

成员变量方法体外的变量可以用修饰符去修饰,这些修饰可以加一个访问权限,局部变量不 能用修饰符修饰。

常量用final声明

常量只能赋值一次,不能修改。

运算符

&&与&  &&只判断false,到false就停止,&会一直判断到结束。

String 字符串操作

indexof()搜索第一次出现的索引。 lastindexof()最后一次出现的索引。找不到返回 -1。

substring(begin,end)截取字符串  从开始到结尾。

trim()去除前置空格和后置空格。

startsWith()和endsWith()判断开始字符串是否与参数相同和结束的字符串是否和参数相同。

equalsIgnoreCase()忽略大小写的equal(),字符和长度相同。

compareTo()比较字典数。

格式化成string类型

format有很多方式,%t 什么的。

String 使用+运算符的时候会创建新string并赋值。

append()如果参数是自定义类,那么调用其toString方法。

insert(5,"a")在索引5处插入a

delete(start,end)在索引start开始一直删除到end-1 ,end不存在就删除到尾。

数组

Arrays.fill(object[],object)替换数组中的元素

Arrays.copyof()拷贝数组,长度可以设置。

数组查询

binarySearch(object[]),object) 返回索引。

方法中定义的变量是局部变量,方法外定义的变量是全局变量。

this关键字是一个本类应用。

方法中参数如果和成员变量同名,会覆盖成员变量在方法中的作用域。

静态方法不能使用this。

finalize()方法对象销毁是先调用。

compareTo()函数就是 原来的值减去参数。

Integer 里方法 intValue(), valueOf(),parseInt()

继承

继承方法重写,只能扩大修饰符返回不能缩小范围。

在构造方法调用的时候,先调用最原始的类,再调用第一级子类,第二级子类,最后到最终子类。

方法重载

不定长参数  public void add(int...a)看做(int[] a)

多态

抽象类和接口

final修饰后,引用不可改变。final类中成员变量可以不是final,方法默认为final
内部类
内部类可以使用外部类成员变量和方法
不能直接new内部类,通过外部类去创建内部类。
内部类如果参数和外部类重名,要获得外部类引用才能使用外部类的参数。内部类中不能有静态方法和变量。
局部内部类
和内部类一样,但是声明在方法中,所以外部类不能在除该方法外之外访问。
静态内部类
可以有静态方法和变量。
自定义异常
继承异常类,方法通过throws抛出异常,方法中通过throw  new来生成异常。异常处理要有顺序。
HashSet不保证顺序,TreeSet实现了排序接口,可以实现排序。类要实现Comparable<Integer>。
TreeMap的Value不能为null。

audioinputstream 音频流,pipedinputstream线程间通讯,sequenceinputstream合并流。
反射
可以获得类的信息。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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