关于hashcode引发的思考 希望各位不吝赐教

1 篇文章 0 订阅
1 篇文章 0 订阅

  说一下我的思考(都待商榷且不好验证,请各位指点):首先,我们应该搞清楚一个顺序顺序问题,我认为,一个对象是在实例化后先被new出来,放在地址中,然后再去计算它的hashcode,用这个hashcode只是作为java中的这个对象的一个标识。也就是说,只要new一次就会产生一个对象(听起来像是废话,但是细细品),就是说,无论对象里的值相不相等,都是不同的对象,然后==(这个符号),是比较的两个对象的地址,即对象在jvm的堆里面的地址(我认为是比较的一个地址数值直接是计算机的储存这个对象内存的起始地址),我们一般比较是把这个对象用一个引用变量引用,比方说User user= new User(“鬼谷”,“22”);其中,user就是引用变量,把它存放到jvm的栈中,而new User(“鬼谷”,“22”)这是new的一个对象,放在堆中,栈是进行逻辑执行的,而堆是放东西的,这里就是将new User(“鬼谷”,“22”)的地址的值给了user,表现为user指向new User(“鬼谷”,“22”),我认为user本身的地址是让操作系统处理,通过入栈弹栈进行程序运行,而==进行比较的时候就,就是通过比较讲个引用对象的值来判断是否相等,这时引用对象的值就是他只指向的对象的起始地址,如果是指向的同一个对象值就相等,反之不相等。插一段,为下面铺垫,我认为(只要是我认为就是不确定,希望各位确定是这么回事的明确一下)对于基本数据类型,如果是在方法里的,放在栈中,在运行程序的时候即拿即用(感觉这就是为什么在方法里不能定义方法的作用域的原因),而在类里面的基本数据类型,作为属性,应该是new出来以后放在堆里面,等到运行的时候从堆里拿出,表现为方法里如果引用了这个对象,就会把这个的属性的值赋值给方法里定义的一个变量,如方法中:int i = user.getAge();user.getAge()是从堆里面的到这个值,而i是在栈里面,如果是直接进行比较如 user.getAge()== user1.getAge(),则是将两个值取出,放在栈中,比较两个基本变量数值的大小,即比较它们的二进制码,做一个小说明,我认为在栈中,基本类型和引用对象都是一个二进制码,表现形式不同,基本数据类型存的是值,例如int i =1;就是代表栈中存了1这个值(在栈中这个位置放的就是这个二进制码,前几位是0,后4位就是0001),而引用类型,则是存放在堆中对象的地址。而==就是比较这两个对象二进制码是否相同,即它比较的是堆对象的起始地址。接着说hashcode,在hashcode没有被重写前,是根据jvm堆里面这个对象的地址,计算出来的一个数值,在java中用于标识这个对象的地址(我认为这个可能不是唯一的,不同的对象计算出来的hashcode可能相同),和重写以后,如return Objects.hash(id, name, munber);这样就是根据new出来的对象的属性的数值,去计算hashcode,好多人觉得这个值和用equals比较大小密不可分,但是我觉得这两者并没有什么关系,无论是equal重写前还是重写后,自始至终从未提到过hashcode(或许我没找到,要是哪位找到了,烦请告知),hashcode在重写后(默认的重写方法,将所有属性都放入hash的参数中)就是判断两个对象的属性是否一样,
例如不同的两个类new两个属性相同的对象,如果属性值和hashcode的重写方式方式相同,则hashcode也相同,什么也说明不了,最多判断两个对象一定不相等。最后是equals,这个和==有对比性,没有重写前为return (this == obj);说明两个效果相同,但是重写后如下:


equals重写后,首先判断这两个引用对象的引用地址是否一样,如果相同说明是引用堆里面的同一个对象(因为==比较的真实的地址),同一个对象,没有疑问,一定相同;否则,接着运行方法,根据反射判断是否来自同一个Class类,就避免了不同类属性相同和属性值的问题,这就是比hashcode高明的地方,如上面hashcode的例子,即使不是一个对象也出现hashcode相同的情况。接着,如果相同,就进行接下来的比较,基本类型用==比较,在基本类型中,如果数值相同则返回true,上面已经做了阐述,非基本类型用equals比较,但是归根结底还是用==比较,没有hashcode的任何关系,所以我就产生疑惑为什么重写equals要重写hashcode?
       以上就是我对==、hashcode、equals的粗知薄见,有不对的地方恳求各位一定指出。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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