[bxd学习java基本点]7.linkedList方法，remove移走的要显示元素

最新推荐文章于 2024-09-23 18:34:24 发布
原创 最新推荐文章于 2024-09-23 18:34:24 发布 · 1.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文通过具体示例展示了 Java 中 LinkedList 类的使用方法，包括 addFirst, removeFirst, getLast 和 removeLast 等特有方法的运用，并解释了 get 与 remove 方法的区别。

day14-08

LinkedList
其特有方法：
addFirst();
removeFirst();
removeLast();
getLast();


class LinkedListDemo{
public static void main(String[] args){
LinkedList link new LinkedList();
link.add("123");
link.add("456");
link.addFirst("123");
link.removeFirst("java02");
sop(link);
sop("size="+link.size);
sop(link.removeFirst())
}
public static void sop(Objct ojb){
System.out.print(obj);
}
}
get与remove区别
get 不会删除
remove 取还要删除
______
java04
java03
java02
java01
______

Elasticsearch+X-pack和Java Transport方式连接
qq_28808029的博客
01-25 2977
Elasticsearch+X-pack和Java Transport方式连接一. 软件及依赖包版本二. 破解X-pack-core.jar1. 通过idea插件(java-decompiler)将x-pack-core-6.8.11.jar进行反编译2. 修改源码文件LicenseVerifier.java和XPackBuild.java3. 编译修改后的LicenseVerifier.java和XPackBuild.java4. 替换LicenseVerifier.class和XPackBuild.cl
elasticsearch7.X x-pack破解使用权限和告警等功能
fj56355113的专栏
09-15 4530
elasticsearch7.X x-pack破解使用权限和告警等功能 简介：x-pack是elasticsearch的一个收费的扩展包，将安全，警告，监视，图形和报告功能捆绑在一个易于安装的软件包中，x-pack被设计为一个无缝的工作，但是你可以轻松的启用或者关闭一些功能。如果购买商业版需要每年支付十多万。为了使用几个不可或缺功能而花大钱去购买，有点不值得，特别是对于中小型企业来说。所以我在这里主要通过如何破解来启用x-pack的一些功能。 反编译 x-pack是收费项目，想启动.
java linkedlist 删除_Java中的的LinkedList remove()方法 Java.util.LinkedList.remove() - Break易站...
weixin_30069591的博客
02-12 613
所述Java.util.LinkedList.remove(int index)方法用来从链表从特定位置或索引中删除的元素。句法：LinkedList.remove(int index)参数：参数index是整数数据类型，它指定要从LinkedList中删除的元素的位置。返回值：此方法返回刚刚从列表中删除的元素。下面的程序说明了Java.util.LinkedList.remove(int ind...
Java中LinkedList删除元素
热门推荐
JFBom的博客
05-24 2万+
今天敲代码看到一个例子，在迭代器遍历的时候插入元素报错，有提到原因，但没有提到删除元素的方法，就自己试了一下。import java.util.*; public class IteratorTest { public static void main(String[] args) { List<String> ll = new LinkedList<String&g...
LinkedList 的 removeFirst(), removeLast(), remove(e), remove(index) 方法详解
m0_61431263的博客
09-23 1171
LinkedList的remove(e), 和方法提供了灵活的方式来移除链表中的元素。这些方法在处理链表数据结构时非常有用，特别是在需要频繁进行元素插入和删除操作的场景中。了解这些方法的用法和注意事项，对于编写高效和健壮的 Java 程序至关重要。
java集合之LinkedList
BNMB888的博客
08-12 704
概要： 底层实现为双向链表，改易查难。 1，Class public class LinkedList extends AbstractSequentialList implements List, Deque, Cloneable, java.io.Serializable 2，成员变量（只有first和last，所以只能根据index1/2用last一个一个查找
removefirst_Java ArrayDeque removeFirst（）方法与示例
cumt30111的博客
07-10 2252
removefirst ArrayDeque类removeFirst()方法 (ArrayDeque Class removeFirst() method) removeFirst() method is available in java.lang package.removeFirst()方法在java.lang包中可用。 removeFirst() method is used to ret...
java 在线考试系统
09-15
java 在线考试系统java MF000001 : DJINGH MF000002 : k58fun MF000003 : 65skuv MF000004 : sh9n4g MF000005 : 6HD85G MF000006 : hjsung MF000007 : 56fjid MF000008 : juff5s MF000009 : 68shud MF000010 : 5du8a...
毕向东java基础下载地址
11-08
毕向东老师的Java基础教程包含了大量实际案例分析，通过这些案例，学习者不仅能够学到理论知识，还可以了解如何将所学应用到实践中去。这种方式比单纯的理论教学更能激发学习者的兴趣，帮助他们更好地理解和掌握知识...
优化代码 String bmid = PubUtil.valueOf(listBXD.get("BXD_BMID")); String year = PubUtil.valueOf(listBXD.get("BXD_BXRQ")).substring(0, 4); String shsj = PubUtil.valueOf(listBXD.get("BXD_SHSJ")); String xmid = PubUtil.valueOf(listBXD.get("BXD_XMID")); String jhbh = PubUtil.valueOf(listBXD.get("BXD_XMJH_JHBH")); //部门年度发生额 String sql = "select ISNUll(sum(BXD_JE),0) as \"je\" from BXD where BXD_BMID = '"+bmid+"' " + "and BXD_SHBZ = 'Y' and DATEPART(YYYY,BXD_BXRQ) = '"+year+"'"; Double deptMoney = PubFunAction.queryForObj(sql, Double.class, 0.0); //更新部门年度发生额 sql = "update DBUDGET set DBUDGET_SJZC = '"+deptMoney+"' where DBUDGET_DEPTID = '"+bmid+"' and DBUDGET_YEAR = '"+year+"'"; PubFunAction.jt.update(sql); //项目年度发生额 sql = "select ISNULL(sum(BXD_JE),0) as \"je\" from BXD where BXD_XMID = '"+xmid+"' " + "and BXD_SHBZ = 'Y' and DATEPART(YYYY,BXD_BXRQ) = '"+year+"'"; Double projectMoney = PubFunAction.queryForObj(sql,Double.class,0.0); //更新项目年度发生额 sql = "update DBUDGETMX set DBUDGETMX_SJZC = '"+projectMoney+"' where DBUDGETMX_XMID = '"+xmid+"' and DBUDGETMX_YEAR = '"+year+"'"; PubFunAction.jt.update(sql); //经济分类年度发生额 for (Map<String, Object> bxdmx : listBXDMX) { String lbid = PubUtil.valueOf(bxdmx.get("BXDMX_BXLB_LBID")); sql = "select ISNULL(sum(BXDMX_BXJE),0) as \"je\" from BXD left join BXDMX on BXDMX_KEY=BXD_KEY " + "where BXDMX_BXLB_LBID = '"+lbid+"' and BXD_SHBZ = 'Y' and DATEPART(YYYY,BXD_BXRQ) = '"+year+"'"; Double economicClassificationMoney = PubFunAction.queryForObj(sql, Double.class, 0.0); } //更新合同计划完成标记 if (!"".equals(jhbh)){ sql = "update XMJH set XMJH_WCBZ = 'Y',XMJH_SJRQ_END = '"+shsj+"' where XMJH_JHBH = '"+jhbh+"'"; PubFunAction.jt.update(sql); }
06-10
7. 对于字符串转换成数字的操作，可以使用Double.parseDouble()方法来代替valueOf()方法。 8. 对于字符串的比较，可以使用equals()方法来代替"=="操作。 综合以上优化建议，可以对代码进行如下改进： ``` ...
Java LinkedList中删除元素有哪些方法呢？
qq_25073223的博客
08-19 2240
Java LinkedList中删除元素的方法分享
java集合框架(二)LinkedList常见方法的使用
a836996156的博客
11-29 1530
LinkedList是Java中的一个双向链表。它实现了List和Deque接口，在使用时可以像List一样使用元素索引，也可以像Deque一样使用队列操作。LinkedList每个节点都包含了前一个和后一个节点的引用，因此可以很方便地在其中进行节点的插入、删除和移动。相比于ArrayList，LinkedList的插入和删除操作效率更高，但是访问元素时效率较低，因为需要遍历链表来寻找目标元素。LinkedList的使用场景主要是场景是需要频繁执行插入和删除操作且对访问操作的效率要求较低的情况。
LinkedList源码中add()和remove()方法
闰土的博客
11-01 1444
LinkedList底层结构 （1）LinkedList底层维护了一个双向链表,链表是一个有序集合 （2）LinkedList中维护了两个属性first和last，分别指向首节点和尾节点 （3）节点（Node）对象里面维护了prev、next、item三个属性，prev指向前一个节点，next指向后一个节点，item存储数据。 （4）LinkedList的元素的添加和删除，不是通过数组完成的，效率高 add()方法 （1）add()添加第一个元素(element = 1),下面是测试代码 LinkedLi
java linkedlist 删除_Java LinkedList.remove() 删除数据
weixin_33417904的博客
02-12 5025
首页>基础教程>集合框架>LinkedList类Java LinkedList.remove() 删除数据方法remove()：获取并移除此列表的头(第一个元素)。remove(int index)：移除此列表中指定位置处的元素。remove(Objec o)：从此列表中移除首次出现的指定元素(如果存在)。removeFirst()：移除并返回此列表的第一个元素。re...
LinkedList集合对元素进行增、查、删操作
Blue92120的博客
02-20 1019
其中，左图为新增一个元素，图中的元素1和元素2在集合中彼此为前后关系，在它们之间新增一个元素时，只需要让元素1记住它后面的元素是新元素，让元素2记住它前面的元素为新元素就可以了。在文件Example02.java首先创建了一个LinkedList集合，接着分别使用add()、offer()、push()方法向集合中插入元素，然后使用peek()方法获取了集合的第一个元素，最后分别使用removeFirst()、pollLast()方法将集合中指定位置的元素移除，这样就完成了元素的增、查、删操作。
ArrayList与LinkedList移除指定元素对比（源码分析）
itigoitie的博客
05-18 404
ArrayList与LinkedList移除元素对比（源码分析）ArrayList移除元素remove(int index)remove(Object o)removeAll(Collection<?> c)clear()LinkedList移除元素remove(int index)remove(Object o)removeAll(Collection<?> c)clear()结论 ArrayList移除元素 首先在主函数中调用ArrayList的有参构造方法生成一个List实例l
Java的LinkedList使用remove（）方法无法删除对应整数位置的元素
qq_52651584的博客
10-16 714
LinkedList的remove（）方法有很多重载，可以把鼠标移动到这个方法上方让编译器显示这个方法的参数信息以确定在这里使用的是哪个重载。 例如，如果remove（i）的i中是一个int的包装类Integer而不是int类型的话，该起就会提示你调用的方法是remove（Object o），意为查找这个linkedlist里面有没有和这个o相等的元素，如果有则删除。这就和i代表的整数值无关了。 因此要改成remove（i.intValue（）），i.intValue将Integer转换为i
原因：List每remove掉一个元素以后，后面的元素都会向前移动，
experiencewjw的博客
03-02 8773
package hb.list; import hb.util.Person; import java.util.Iterator; import java.util.LinkedList; import java.util.List; public class RemoveListObject { public static void main(String[] args) { L
LinkedList中的remove方法
93吸血鬼的学习笔记
11-04 1万+
实在是太坑爹了！！！！！jdk7的api里面，他有三个remove方法 return type method Description E remove() Retrieves and removes the head (first element) of this list. E remove(int index) Removes the element at th
自监督学习，如果区分相似度高的负样本，除了改变采样方法，可以在损失函数上进行修改吗
最新发布
05-22
### 自监督学习中通过修改损失函数区分高相似度负样本的方法 在自监督学习中，损失函数的设计对于有效地区分正样本和负样本至关重要。当面对高相似度的负样本时，可以通过调整损失函数的形式或引入额外机制来提高模型对这些困难样本的学习能力。 #### 1. **增加难负样本采样** 为了更好地处理高相似度的负样本，可以在训练过程中动态选择那些与正样本最接近的负样本参与计算。这种方法通常被称为硬负挖掘（hard negative mining）。例如，在对比学习框架下，可以仅保留一批中最难的几个负样本进行梯度更新[^1]。 ```python import torch from torch.nn.functional import cosine_similarity def hard_negative_mining(anchor, positive, negatives, k=5): """ 动态选择最难的k个负样本。 参数: anchor (Tensor): 锚点样本张量形状为[BxD] positive (Tensor): 正样本张量形状为[BxD] negatives (Tensor): 负样本集合张量形状为[NxD], N>>B k (int): 需要选出的最难负样本数量 返回: hardest_negatives (Tensor): 最难的k个负样本张量形状为[kxBxD] """ pos_sim = cosine_similarity(anchor.unsqueeze(1), positive.unsqueeze(1), dim=-1).unsqueeze(-1) neg_sims = cosine_similarity(anchor.unsqueeze(1), negatives.unsqueeze(0), dim=-1) _, indices = torch.topk(neg_sims, k=k, largest=True, sorted=False) hardest_negatives = negatives[indices] return hardest_negatives ``` #### 2. **采用更复杂的损失形式** 传统的InfoNCE Loss虽然能够很好地分离正负样本，但对于高度混淆的情况可能表现不足。此时可考虑使用更加精细设计的损失函数，比如： - **Symmetric InfoNCE**: 不仅仅关注单侧锚定样本与其他样本的关系，还同时优化双向关系，即不仅让`anchor-positive`靠近，也让`positive-anchor`靠近[^1]。 - **Proxy-NCA++**: 这种方法引入代理节点作为中间桥梁连接原始数据点与其类别中心，从而间接增强了对边界区域附近实例辨别力的能力[^1]。 #### 3. **加入温度参数调节** 温度超参τ控制着softmax操作内部指数项缩放程度，较小值会放大得分差异使得决策面更为陡峭；较大则趋于平坦化输出分布。针对某些特定应用场景下的极端情况可通过微调此数值达到更好效果[^1]。 #### 4. **结合Batch Normalization特性** 即便是在不显式定义负样本的情况下，借助批标准化层同样能实现一定程度上的对比效应。这是因为BN强制每批次内的激活响应满足单位方差约束条件，进而促使网络自动寻找局部最优解路径避开潜在陷阱——也就是所谓的“模式坍塌”现象[^3]。 --- ### 示例代码：改进版对比学习损失函数 以下是基于PyTorch实现的一个扩展版本InfoNCE Loss，其中加入了动态难负矿工逻辑以及双路对称性考量因素。 ```python class SymmetricHardNegativeLoss(torch.nn.Module): def __init__(self, temperature=0.5, num_hard_negs=5): super(SymmetricHardNegativeLoss, self).__init__() self.temperature = temperature self.num_hard_negs = num_hard_negs def forward(self, embeddings_a, embeddings_b): batch_size = embeddings_a.size(0) # Compute pairwise similarities between all pairs of samples. sim_matrix_ab = torch.matmul(embeddings_a, embeddings_b.t()) / self.temperature sim_matrix_aa = torch.matmul(embeddings_a, embeddings_a.t()) / self.temperature sim_matrix_bb = torch.matmul(embeddings_b, embeddings_b.t()) / self.temperature # Mask out diagonal elements corresponding to same-instance comparisons within each set. mask_diag = ~torch.eye(batch_size, dtype=torch.bool, device=sim_matrix_ab.device) sim_matrix_aa = sim_matrix_aa[mask_diag].view(batch_size,-1) sim_matrix_bb = sim_matrix_bb[mask_diag].view(batch_size,-1) # Select top-k hardest negatives per row from both matrices AA & BB combined. total_negatives = torch.cat([sim_matrix_aa,sim_matrix_bb],dim=1) values,_ = torch.topk(total_negatives,k=self.num_hard_negs,largest=True,dim=1) max_values = values[:,-1:] # Keep only the last element which is smallest among selected ones. logits_pos = torch.diag(sim_matrix_ab).view(-1,1) # Positive pair scores along main diagnoal AB matrix. logits_neg = total_negatives.ge(max_values.expand_as(total_negatives)).float()*total_negatives exp_logits_all = torch.exp(torch.cat((logits_pos,logits_neg.sum(dim=1).view(-1,1)),dim=1)) log_prob = logits_pos - torch.log(exp_logits_all.sum(dim=1,keepdim=True)) mean_log_prob_pos = (-log_prob.mean()+math.log(float(self.num_hard_negs)+1))/self.temperature return mean_log_prob_pos ``` ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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