String API String Buffer 和StringBuilder

String API 常用方法

public static void main(String[] args) {

	String url = "www.baidu.com";
	**// charAt 返回指定位置的字符。**
	char a = url.charAt(4);// 根据索引差到字符。
	System.out.println(a);
	**//根据字符返回下标 indexOf**
	int b = url.indexOf(".");
    System.out.println(b);
    **//最后一次出现的字符  lastindexOf**
    int c = url.lastIndexOf(".");
    System.out.println(c);
    
    
    
    **//字符串比较  compareTo**
    String d = "hello";
    String e = "hello1";
    System.out.println(d.compareTo(e));
    
   
    **//字符串拼接 concat**
     d = d.concat("word");
    System.out.println(d);
    
   
    **//方法**:
    
    toCharAarry();
    getBytesDemo();
}

**//trim 去除字符串前后的空格**
public static void trimDemo(){
	String url1 = "www.baidu.com   ";
	System.out.println("原"+url1.length());
	String trim = url1.trim();
	System.out.println(trim);
	System.out.println("去除空格后的长度:"+trim.length());
}


**//toLowerCase() 转换成小写 toUpperCase() 转换成大写**
public static void toLowerCaseDemo(){
	String url = "HELLO WORD";
	String lowerCase = url.toLowerCase();
	System.out.println(lowerCase);
	String upperCase = url.toUpperCase();
	System.out.println(upperCase);
}


**//toCharAarry  将此字符串转换为一个新的字符数组。**
public static void toCharAarry(){
	String url  ="abc";
	char[] charArray = url.toCharArray();
	System.out.println(Arrays.toString(charArray));

}


**//getBytes   将此String 编码为 byte, 并将结果存储到一个新的 byte 数组中。**
public static void getBytesDemo(){
	String url = "abc";
	byte[] bytes = url.getBytes();
	System.out.println(Arrays.toString(bytes));
	
}

**//equals      equalsIgnoreCase:不考虑大小写**。
public  static void equalshDemo(){
	String url  ="www.baidu.com";
	String url1 = "WWW.baiDU.Com";
	System.out.println(url.equals(url1));
	System.out.println(url.equalsIgnoreCase(url1));
 
}

**//startsWith   endsWith 判断前后缀是否相同**
public static void startWithDemo(){
	String url = "www.baidu.com";
	System.out.println(url.startsWith("www"));
	System.out.println(url.endsWith("com"));
}

String Buffer 与StringBuilder区别

	 * 
	 * String 对象,以及方法。
	 * StringBuffer  StringBuilder
	 * StringBuffer: 字符串缓冲类:程安全的可变字符序列。一个类似于 String 的字符串缓冲区
	 * 
	 * StringBuilder: 一个可变的字符序列。此类提供一个与 StringBuffer 兼容的 API,但不保证同步.线程不安全。
	 * 
	 * String 和 StringBuffer  StringBuilder 区别。
	 * String 表示一组不可变的字符序列。对于字符串的操作,将会创建新的字符串对象。 不适用于频繁操作字符串。
	 * StringBuffer 线程安全的可变字符序列。对于字符的操作,将在其对象方法中完成,不会创建新的字符串对象。适用于多线程操作
	 * StringBuilder 非线程安全的可变字符序列。对于字符的操作,将在其对象方法中完成,不会创建新的字符串对象。适用于单线程操作。
	 *
	 public static void main(String[] args) {
	//String的使用
	String a ="a";
		   a=a+"b";
	//问题:一共有几个String对象
	//StringBuffer的使用
	StringBuffer  sb = new StringBuffer("a");
	sb.append("b");
	//向其内部插入,只允许前后多加1位 
	sb.insert(0, "[");
	sb.insert(sb.length(), "]");
	//删除某一位 
	sb.delete(0, 1);
	//反转
	sb.reverse();
	System.out.println(sb.toString());
	
	//StringBuilder 的使用
	StringBuilder sb1 = new StringBuilder("a");
	sb1.append("b");
	sb1.insert(0, "{");
	sb1.insert(sb1.length(), "}");
	sb1.delete(0, 1);
	System.out.println(sb1.capacity());
	System.out.println(sb1.length());
}
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