java--操作符

java中的操作符与其他主流语言的操作符基本类似,所以如果你有其他语言的编程经验,那么这里只需要了解一下不同点就是了。

我不太建议代码中使用大量的优先级操作,太复杂的分几步走,稍微复杂的加括号,我一直觉得很多时候大项目需要的不是说代码性能是第一位的,而是可读性是第一位的,如果别人看懂你的代码要1个月,那我觉得可以考虑重写或者翻新了。这可能也是框架大行其道的一个主要原因。

在java中有一种数据是特例:基本类型,java是面向对象语言,所以大部分的对象都是靠引用来传递的,唯独基本类型除外,比如 

int a=4;

int b=6;
a=b;
System.out.println(a);
a=3;
System.out.println(a);
System.out.println(b);

 这时候的输出应该是:6,3,6,因为基本类型存储的是实际值而不是指向一个对象的引用,所以当为其赋值的时候,是直接讲一个地方的内容复制到了另一个地方了,所以a的操作不会对b造成任何影响。

 

java中很多操作符刚开始可能使用场景决定了你不太可能考虑用到它,不如按位操作,不过有一种场景因为工作的缘故发现及其好用,比如如下场景:

一个博客的功能如下:可以被评论,不可以被评论;可以分享,不可以分享;可以“赞”,不可以“赞”;那么设计表的时候我们习惯上来3个字段表示三个功能,通过不同数值表示不同状态,但是,这样造成的后果也是显而易见的,如果增加了其他的功能,那么就需要做表的变更,这个有点不能接受,那么这时候我们试想一下,我们只需要表示的是一些非0即1的状态,那么习惯上我们是不是就考虑到了我们熟悉的0101的东西?于是他还有一个好处是可以表示同时拥有多种状态,所以其实我们考虑使用一个字段,通过按位操作表示多种不同的状态,比如第一位表示评论,第二位表示分享,那么11表示可评论,可分享,则用10进制表示为:3,如果按位于为3则表示两种状态,如此等等了。

详细说明参见:http://guoba6688-sina-com.iteye.com/blog/1670732

java中的102可以表示为1.02e2d,表示1.02的10的2次方,后边的d表示结果的类型,即整形。

java中的舍入使用的是java.lang.Math中的round()方法。

java中的字节自动提升是一个陷阱不过这个陷阱在IDE下基本不存在,只存在于变态面试题中

比如:

java表达式中数据类型的自动提升( + - * / %)
   首先看表达式有没有字符串的类型,如果有字符串的类型,类型自动提升为字符串类型
   然后看有没有没double,float,long类型,如果都没有的话,自定提升为int类型
byte ba = 1;
byte bb = 2;
byte result = ba + bb;
 

 

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