JavaCore-hashCode和equals若干问题解答

equals()的作用
equals用来判断两个对象是否相等
JDK中定义equals的源码如下:

public boolean equals(Object obj){
	return (this == obj)
	}

在Object中定义了equals方法,所有Java类都实现了equals方法,所有类都可以同步不动equals去比较两个对象是否相等,但默认的equals方法等价于==方法。

我们需要重写equals方法,因为我们想比较两个对象是不是同一个对象

@Override
public boolean equals(Object obj){
	if(obj == null){
		return false;
	}
	
	// 如果是同一个对象的引用,返回true,反之返回false
	if(this == obj){
		return ture;
	}
	
	//判断类型是否相同
	if(this.getClass()!=obj.getClass()){
		return false;
	}

	//判断值是否相同
	Person person=(Person)obj;
	return name.equals(person.name)&&age ==person.age
	
}

如果不复写equals方法,和 == 无任何区别

hashCode作用:
hashCode的作用是获取哈希码,返回一个int整数,作用是确定该对象在哈希表中的索引位置,
hashCode定义在JDK的Object.java中,任何类都用hashCode函数
仅当创建该类的散列表的时候,该类的hashCode才有用,作用是确定该类的每一个对象在散列表中的位置。
其他情况下hashCode没有任何作用
散列表是key-value,能根据key快速检索出对应的value,其实就是利用了hashCode,
散列表本质就是通过数组实现的,当我们获取散列表的某个key的value,就是要获取数组中某个key位置的元素,而数组的位置,是通过key队形的hashCode计算得到的。

HashSet中已经有1000个元素,当插入第1001个元素时,因为是Set集合,允许有重复元素。将1001个元素诸葛和前面1000个元素进行比较,这个效率是相等低下的。散列表很好的解决了这个问题,根据元素的散列码计算出元素在散列表中的位置,然后将元素插入该位置即可。对于相同元素,自然只能保存一个。
在散列表中,如果两个对象相等,那么他们的hashCode值一定要相等
如果两个对象hashcode相等,他们不一定相等。

hashCode和equals之间的关联
1 不会创建类对应的散列表,不会创建HashSet,HashTable,HashMap等等这些本质是散列表的数据结构,用到该类,hashCode和equals没有半毛钱关系
equals用来判断对象是够相等,hashCode根本没有任何作用

2会创建类对应的散列表
这种情况下,hashCode和equals是有关联的
1 两个对象相等,hashCode值一定相等,这里的相等是通过equals比较两个对象return true
2 如果两个对象的hashCode相等,他们并不一定相等,只能说明两个键值对应的hashCode相等,然而哈希值相等不能说两个键值对相等。
这种情况下,要判断两个对象是否相等,除了要覆盖equals之外,也要覆盖hashCode函数,否则equals无无效
在这里插入图片描述
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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