java的异常处理

                                java的异常处理

java 异常的处理框架,是java语言健壮性的一个重要体现。

java异常的概念和java异常体系:

java把异常当做对象来处理,并定义了一个类 java.lang.Throwable 作为所有异常的超类,错误分为两大类Error 与 Exception

 它们的结构体系如下:

   

 java异常体系结构:

  Throwable 的两个子类,Error Exceptio表示错误和异常,其中异常有分为运行时异常(RunntimeException )和非运行时异常也称之为不受检查异常(Unchecked Exception )和检查异常(Checked Exception

运行时异常与非运行时异常:

 运行时异常都是RuntimeException类及其子类,如NullpionterException IndexOutOfBoundsException,这些异常是不受检查的异常,程序中可以选择处理也可以选择不处理,这些错误一般是由程序逻辑错误引起的,程序应该从逻辑角度尽可能避免这类异常的发生。

 非运行时异常是RunnTimeException 以外的异常,从程序语法的角度来讲是必须处理的异常,如果不处理就不能够编译通过,如IOExceptionSQLException 等。  

异常的捕获与处理:

java提供了处理异常的关键字, try , catch , finally , throw , throws .

try 语句块表示要尝试运行代码,try语句块中代码受异常监控,其中代码发生异常时会抛出异常。

catch语句会捕获try代码块中发生的异常,并在其代码块中做异常处理。

finally 语句块紧跟catch语句块,finally语句块总是会在方法返回前执行而不管try是否发生异常。try catchfinally语句块中的变量的作用域为代码块内部,分别独立而不能相互访问。

throw throws 关键字

 throw关键字是用于方法内部,用来抛出一个Throwable类型的异常,如果抛出了检查异常则应该在方法头部声明可能抛出的异常类型,该方法的调用者也必须检查处理抛出的异常,如果所有的方法都层层上抛异常,最终JVM会进行异常处理,其会打印异常消息和堆栈消息。如果抛出的是Error 或者RunntimeException则方法的调用者可以选择处理该异常,

throws关键字用于方法体外部的方法声明部分,用来声明方法可能会抛出的异常,仅当抛出了首检异常时,该方法的调用者才必须处理或重新抛出该异常。使用如下:

public static void test3() throws Exception{       //抛出一个检查异常       

  throw new Exception("方法test3中的Exception");     

       }   

Throwable 类中常用的方法:getCause () 返回抛出异常的原因,如果case未知返回null

getMessage ()返回异常消息信息,printStackTrace()对象的堆栈跟踪输出至错误流。

异常处理的一般原则:

能处理就早早处掉,抛出去不能够处理的异常就转换为RuntimeException处理,因为对于一个应用系统来说,抛出大量的异常是有问题的, 2:对于检查异常如果不能行之有效的处理还不如转换为RunntimeException抛出。可以让上层代码有选择的余地。3:对于一个应用系统来说,应该有自己的一套异常处理框架,这样当异常发生时,也能得到统一的处理风格,将优雅的异常信息反馈给用户。

 异常的转译:

 所谓异常转译就是将一种异常转换为另一种新的异常,也许这种新的异常能够更准确地表达程序发生异常。

 异常转译原因:在一个系统中,大量处理处理受检查异常时负面影响会很多,使代码的可读性降低,编程复杂,因此很有必要将这些受检查异常转换为error 或者RunntimeException,让开发人员根据情况来决定是否捕获和处理异常。

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