Think in java读书笔记

本文详细探讨了Java中初始化与清理的重要概念,包括primitive类型重载的风险、返回值重载的问题、构造函数间的调用限制、finalize()方法的特殊用途、变量初始化的要求、类实例化的流程、静态变量的初始化时机及数组初始化的多种方式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

第四章:初始化与清理 
1、primitive类型的重载慎用。
   (chap4、P7)


2、返回值不能重载,因为存在虽然方法有返回值,但程序中并不关注返回值的情况,如:
   定义:int f(){}; String f(){};
   调用 f(),此时虚拟机就不知道该调用哪个f了。
   (chap4、P11)


3、类中的普通方法不能调用构造函数,构造函数能相互调用,但只能用this关键字。
   (chap4、P13)


4、一般来说,类中无需使用finalize(),因为虚拟机会自动进行垃圾清理,但有种特殊情况,声明了一个对象,但并没有refrence,比如:
   class Aclass(){....};
   ...
   new Aclass();
   因为没有refrence,那么虚拟机会认为它已经没有用了,就可以回收了,但此时如果你不希望它回收,那么可以在finalize函数中实现,具体可参考书本的例子。
   (chap4、P16)


5、内部变量在使用之前必须初始化;所谓“使用”是指出现在表达式右边、方法的参数等,而不是表达式的左边,例如:
   String s = "i love java";
   int i;
   i = s.length();
   是正确的;而
   int i;
   i++;
   是错误的。因为i++相对于i = i + 1
   但是,如果不是内部变量而是类的的成员数据,则不需要初始化,因为编译器不知道会在哪个方法中被初始化。对于primitive的成员数据,Java会自动赋予初始值,如:
   boolean = false
   char  = (char)0  ----空格
   byte  = 0
   int  = 0
   long  = 0
   float = 0

   double = 0

对于对象的成员数据,没有初始化之前等于null,所以,primitive的成员数据没有初始化之前被使用并不会发生错误,但对象数据在运行时就会发生exception。

   有一种特殊情况,如:
   int [] a = new int[4];
   此时,看上去只初始化了数组的大小而没有初始化数组的成员,但在java中,这也是没有问题的,java给每个数组成员自动进行了初始化。
   (chap4,P22)


6、类实例化的时候总是先执行成员数据的定义(如果在定义的时候进行初始化的话此时就初始化了),然后再执行构造函数,而不管在代码顺序上成员数据在前还是构造函数在前。
   (chap4,P26)


7、对于static类型的成员变量,static类型的成员变量总是比其他成员变量先初始化,static类型的成员变量只初始化一次,只有被用到的static成员变量才会被初始化。
   此处,“被用到”在我来理解,是从main函数开始检查的,如果main函数中定义了静态变量或者被main函数调用的其他类中定义了静态变量,这些静态变量就“被用到”了。
   (chap4,P27)


8、primitive类型的数组可以用new来初始化,如int[] a = new int[]{1,2,3,4},也可以直接用形如int[] a = {1,2,3,4}的方式来初始化,但如果不是primitive的变量就只能用new来初始化。
   (chap4,P34)


9、数组初始化的时候,int[] a = {1,2,3,4,}; 4后面有逗号,对不对?答:对,最后的逗号有与没有都可以。
   (chap4,P35)

   
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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