java第一季_java入门第一季2

1. 变量:在java中,我们通过三个元素描述变量:变量类型,变量名以及变量值

注意:java中的标点符号都是英文的

2. 变量名= 首字母+其余部分

字母,+  字母

下划线,  数字

$       ,下划线

$

注意:变量不能以数字开头

不能以除了下划线,$符之外的其他特殊字符开头

不能是java的关键字,保留字

优秀攻城师习惯:变量名由多个单词组成时,第一个单词的首字母小写,其后单词的首字母大写,驼峰命名法

变量命名时,要见名知意

java变量名没有限制,但是java语言是区分大小写的

3. java中的数据类型                   整数类型(byte,short,int , long)

基本数据类型 数值型 浮点类型(float,double)

字符型(char)

布尔型(boolean)

数据类型

引用数据类型  类(class)

接口(interface)

数组

注意:基本数据类型变量中存的是数据本身

引用数据类型变量中存的数据的空间地址

String是一种常见的引用数据类型,用来表示字符串

4.java中变量的使用规则

变量要先声明后使用

变量使用时,可以声明变量的同时进行初始化,也可以先声明后赋值

变量每次只能赋一个值

main方法中定义的变量必须先赋值,才能输出

变量名不建议使用中文,后期跨平台操作时出现乱码

5. java中的自动类型转换

自动类型转换条件:

1. 目标类型能和源类型兼容,如double类型可以兼容int类型,但是char类型不能兼容int类型

2. 目标类型大于源类型,double型兼容int型,double8字节,int4字节,反过来就不可以了

int类型不能转换为char类型,int类型不能转换为double类型

6. java中的强制类型转换()

强制类型转换语法:(数据类型)数值

double avg1=78.5;

int avg2=(int)avg1;将double类型强制转换为int类型,强制类型转换会导致数据的丢失

7. java中常量的应用

所谓常量,就是一个特殊的变量,它的值被设定后,在程序运行过程中不允许改变

语法: final 常量名=值;

final String LOVE="imooc";

final 关键字 变量类型 常量名 值

注意:常量名一般使用大写字母

8.如何在java中使用注释

单行注释//单行注释

多行注释/*多行注释*/

文档注释/**文档注释 */

可通过javadoc命令从文档注释只能够提取内容生成程序的API文档

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