千峰Java教程:026. 数组的遍历和内存分析

7、数组的遍历(迭代)

求数组的长度

x.length

 

通过下标来访问数组中的元素。

下标:从0开始,到组长度-1。

如:int[] scores = {80, 90};

访问最后一个元素值:int lastElement = scores[scores.length - 1];

 

遍历:一次取出数组中的每一个元素。

遍历方式一:普通的for循环。

语法:

for( i = 0 ; i < 数组的长度 ; i++)
{
	//这里i是循环变量,同时也是数组下标(取值范围[i , 数组长度])
	数组中元素的类型 变量 = 数组名[i];
}
//遍历scores元素
public class a
{
	public static void main(String[] args)
	{
		int[] scores = {12, 23, 34, 45, 56};
		int len = scores.length;
		for(int i = 0 ; i < len ; i++)
		{
			int x = scores[i];
			System.out.println(x);
		}
	}
}

8、增强for循环与可变参数

1.5以后Java新增for reach循环可变参数

遍历方式二:使用增强for循环【for reach循环】

语法:

for(数组中元素的类型 变量 :数组名)
{
	数组中元素的类型 临时变量 = 变量;
}

结合方法的定义,可以用可变参数来代替数组作为参数。

public static void print(int...变量名)    //这是在JDK1.5之后新增的特性
{
	//可变参数在使用时作为数组使用
}

例:

public class a
{
	public static void main(String[] args)
	{
		int[] scores = {12, 23, 34, 45, 56};
		for(int x : scores)
		{
			System.out.println(x);//把scores的元素一一给x,然后一一输出x
		}
	}
}

可变参数:假如,一个方法叫hanoi(),若传给此方法的实参不确定有多少个,就说参数是不确定的。

public class a
{
	public static void main(String[] args)
	{
		int[] scores = {12, 23, 34, 45, 56};
		print(12, 23, 34, 45, 56);//print()是一个方法,但是需要的值不确定,所以下面方法的形参写的是... x的形式。然后把上面的12, 23, 34, 45, 56放到方法里,下面就能输出上面输出的东西了
	}
	public static void print(int... x)
	{
		int len = x.length;
		for(int i = 0; i < len ; i++)
		{
			System.out.println(x[i]);
		}
	}
}

可变参数是参数列表的最后一个。

可变参数作为数组使用。

9、数组需要注意的问题

空指针异常(NullPointerExcepiton)

数组越界异常(ArrayIndexOutOfBoundsException)

数组内存结构分析:数组是引用类型,会放在堆内存中。

首先空指针异常:如果传给方法一个空指针,就会返回异常。

public class a
{
	public static void main(String[] args)
	{
		int[] scores = {12, 23, 34, 45, 56};
		print(null);//没传scores,而是给了null(空)
	}
	public static void print(int[] x)
	{
		System.out.println("数组的长度为:"+x.length);
	}
}

然后是数组越界异常:

public class a
{
	public static void main(String[] args)
	{
		int[] scores = {12, 23, 34, 45, 56};
		print(scores);
	}
	public static void print(int[] x)
	{
		for(int i = 0; i <= x.length ; i++)//这里x不能<=length,应该小于,因为i是从0开始的。
		{
			System.out.println(x[i]);
		}
	}
}

 

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