Eclipse 常用的快捷键【真的不错】

http://my.eoe.cn/864234/archive/24797.html   原文链接。




  • 1、SHIFT+ ALT+Z(刚学的):

条件:选中一段代码

图片说明文字

会弹出上面的右键菜单,然后你就可以享用快捷键带来的便利了。

  • 2、 Alt+方向键

alt + 上下方向键:移动光标所在行。
ctrl + AlT +上下方向键:复制光标所在行。

图片说明文字

alt+左右方向键:返回上一次光标所在的地方。

就是Eclipse中这两个小图标的快捷键。
你过你平时有用这几个按钮,你就懂得这快捷键的便利了。

  • 3、 alt+shift+r:重命名

对变量或者方向进行重命名。
条件:选中一个变量名或者方法名。

  • 4、 alt+shift+m:提取方法

图片说明文字

选中一段代码,抽取成一个方法。可以巧妙的选取代码块,自动生成有参数的方法。
多方便啊。

  • 5、 alt+shift+l:提取变量

和提取方法大同小异。

  • 6、shift+enter及ctrl+shift+enter

shift+enter:在光标所在行的下面插入空行。
ctrl+shift+enter:与上相反。

  • 7、Ctrl + 1

先写一个方法名,比如:int i = method ( "string ");

如果这个方法method 没有,用Ctrl+1 自动生成方法:会自动生成int型的返回类型,和一个String型的参数。

多方便啊。

  • 8、Ctrl+K

直接跳转到下一次出现的位置,反之:Ctrl+shift+k

使用场景:选中一个变量或者方法名

  • 9、alt+shit+O打开或者关闭选中变量或者方法的提示

使用场景:选中一个变量或者方法名

  • 10、Ctrl+shift+g

搜索选择单元在工程中所有的使用地方

  • 11、Ctrl+shift+R

open Resource 打开资源文件的搜索对话框,会根据你的输入值实时检索匹配的文件。

  • 12、Ctrl+Alt+J

为保持代码的整齐,我们经常会使用ctrl+shift+f 来格式化代码。但是我想说的是,有些时候,代码缩进为一行更美观。今天无意中发现了一个快捷键Ctrl+Alt+J, 将选中行数的代码缩进成一行

  • 13、Ctrl+Shift+P

括号匹配:当我们在代码中,尤其是在已经注释的代码中,快速的找到一对括号中的代码范围。遗憾的一点是,要是能将这对括号的代码选中就好了。

  • 14、Ctrl+T

选中一个类名,一个变量名,一个方法,或者空白等等,按Ctrl+T查看当前所在区域的类的继承结构

  • 15 SHIFT+ALT+C

选中一个方法,对方法进行重构,可添加参数,可修改返回值类型,这个功能比Ctrl+Shift+R重构强大多了。


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