java四大运算符,Java入门之运算符的使用

在JVM中,Java中的数据是通过使用运算符进行操作的。运算符接受一个或多个参数,生成一个新的值。大部分运算符可以接受基本类型作为参数,少部分操作符如'='、'=='、'!='可以操作任意对象,除此之外String类型的对象支持'+'和'+='两种运算符。

赋值运算符

与大部分编程语言相同,Java使用'='运算符来进行赋值操作。这种操作会将右值赋给左值。右值可以为任意常数、变量或表达式而左值必须为一个明确的变量。如:

a = 4 + 3;

而不能是:

注意

4 + 3 = a;

这是因为我们不能将任何东西赋给常数。

在Java中,我们使用'='对一个对象进行赋值时,真正操作的是它的引用。实际上是将对象的引用进行拷贝。

如果我们使用语句'c = d',之后c与d都将指向同一个对象。

算术运算符

与其他编程语言类似,Java也提供了包括加减乘除、取模在内的算数运算符。如果我们要将x变量的值增加4,可以:

x = x + 4;

Java提供了同时进行算数运算和赋值的运算符,我们也可以这样写:

x += 4;

提高

其他算数运算符'', '/', '-', '%',也可以分别使用'=','/=','-=','%='来简化使用。

自增自减

Java也提供了自增自减运算符来使编码更为简洁,它们是'--'和'++'分别代表减少一个单位和增加一个单位。如:

a++;

a += 1;

a = a + 1;

a--;

a -= 1;

a = a - 1;

1、2、3行代码和4、5、6行代码的每一行都表示a自身加1以及自身减1。可以看出使用自增自减运算符来表示自增自减操作更为简洁,而且不损失可读性。

关系运算符

关系运算符生成布尔(boolean)类型的结果。如果关系表达式是真实的,返回true;反之,返回false。

关系操作符包括'>','=','<=',分别表示大于、小于、等于、不等于、大于等于和小于等于几种关系。

其中等于和不等于运算符适用于所有类型的对象,其他运算符并不适用于布尔类型的值,因为它们只有true或false,大于和小于并无实际意义。

提示

'=='和'!='作为关系运算符只用来比较对象的引用,如果想比较两个对象实际内容是否相同,可以考虑调用对象的equals()方法。

逻辑运算符

逻辑运算符的结果和操作的对象同为布尔值。Java有'&&','||','!'三种逻辑运算符,分别表示与、或、非操作。如果我们要计算y=|x*(x-1)|,即可使用逻辑运算符进行运算:

int y = 0;

if (x >= 1 || x<=0) {

y = x*(x - 1);

}

else {

y = -x*(x -1);

}

提示

在Java中,逻辑运算符支持短路操作,一旦能够明确表达整个表达式的值,我们就不需要计算表达式的余下部分了。比如我们需要判断一个对象不为空且它的某个方法返回值不为空,我们就可以这样判断:

if (object != null && object.someFunction() != null) {

// do something.

}

如果object为空,第一部分表达式object != null会返回false。第二部分表达式会因为object为空而抛出nullPointer异常。

但是实际上,我们执行这部分语句时,并没有捕获到这个异常,因为第一部分已为false,不管后面表达式的结果如何,最终的值都为false。编译器会自动将这部分运算进行优化,只进行第一部分表达式的计算。

||表达式也与次类似,如果有一个级联表达式为true,就会直接返回true。

位运算符

位运算符用来操作基本数据类型中的单个bit数据。进行运算时会将两个参数中的对应位进行布尔代数运算。

位运算符分为按位与(&),按位或(|),按位异或(^),按位非(~)。与运算只有输入均为1时才会输出1,否则输出0。或运算只要输入有一个或一个以上的1时就输出1,若输入均为0则输出0。异或运算的两个输入如果不同则输出1,反之输出0。非运算会将输入取反输出,0输出1,1输出0。如:

提示文本表达式"3 ^ 1"的结果为2。因为3第一位为1,第二位为1,1第一位为0,第二位为1。二者第一位异或为1,第二位异或为0。所以最终结果为2(10)。

文本表达式"2 & 1"的结果为0。因为2第一位为1,第二位为0,1第一位为0,第二位为1。二者第一位进行与运算结果为0,第二位计算结果为0。所以最终结果为0(00)。

文本达式"3 | 2"的结果为3。因为3第一位为1,第二位为1,2第一位为1,第二位为0。二者第一位进行或运算结果为1,第二位计算结果为1。所以最终结果为3(11)。

移位运算符

移位运算符的运算对象也为单个bit数据。它包括左移运算符(<>),无符号右移运算符(>>>)。对于左移运算符,它会将操作数按照右侧的移位数向左移动,并将低位补0。对于无符号右移位运算符,它会将操作数向右移动制定位数的同时,在高位补0。而对于有符号右移位运算符则会根据正负,在高位插入0(正)或1(负)。

提示3 << 1 表达式表示将3(11)向左移位1位,所以结果为2(10)。

(-1) >> 2表达式表示将-1(1111..(共32/64位)..1111)向右有符号移位2位为结果为(1001....1111)

而(-1) >>> 2的结果则为(0001...1111)

三元运算符

在Java中,三元运算符只有条件运算符一种,它的形式如下:

booleanExpression? valueWhenTrue : valueWhenFalse

如果布尔表达式值为true,则表达式的值为valueWhenTrue的值,否则为valueWhenFalse的值。

比如我们要计算|x|的值,我们可以这样使用:

y = x >= 0 ? x : -x;

想比于:

if (x >= 0) {

y = x;

}

else {

y = -x;

}

要更为简洁。

类型转换运算符

我们在很多情况下会用到类型转换。在适当的时候,Java也会根据数据类型将数据类型自动转为另一种。如我们为float变量赋一个整数值,编译器会将int转化为float赋给变量。

但是在很多情况下,Java并不能判断我们是否需要进行类型转换,这时我们就需要类型转化运算符,它允许我们显式地进行类型转换,如:

int a = 10;

long b = (long) a;

long c = (long) 100;

可以看出我们对变量和常量都进行类型转换。

提示

在对浮点数进行类型转换时,我们需要注意截尾的问题。如我们要将10.9进行类型转换:(int) 10.9,它的值并不是四舍五入的11,而是10.

运算符的优先级

在这篇文章的最后,我们来关注下,运算符的优先级问题。

当一个表达式存在多个运算符时,编译器会根据运算符的优先级决定计算顺序。各运算符的优先级如下:

'.', '()', '[]'

'+'(右到左结合), '-'(右到左结合), '++', '--', '~', '!'

'*', '/','%'

'+'(左到右结合), '-'(左到右结合)

'>>', '<>>'

'', '>='

'==', '!='

'&'

'|'

'^'

'&&'

'||'

'?:'

'=', '+='...等赋值运算符

在计算时,标号小的运算符会优先进行计算。如:

表达式1 + 56,根据运算符的优先级,编译器会先计算56,再计算30 + 1,最终得到结果31。

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。
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