“神奇”static的用法小结

本文详细解析了Java中的静态成员(包括变量和方法)和静态代码块的用法,通过四个实例展示了如何在不同场景下利用静态特性进行高效编程。包括内部类中的静态使用、定义方法时的静态应用、定义变量时的静态效果,以及静态代码块的执行顺序。

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

        static,代表全局静态的意思,用来修饰变量或方法,也可以用来形成static静态块。static修饰的成员变量和成员方法独立于该类的任何对象。也就是说,它不依赖类特定的实例,而是被类的所有实例共享。因此,static对象可以在它的任何对象创建之前访问,无需引用任何对象。

        就static的几种用法,我分别小小的测试了一下,接下来就跟大家分享分享!


       1.内部类中static的使用

         若一个普通类声明为静态的,则会报错,并且提示移除static,而内部类却不然。当一个内部类声明为静态时,可以直接将此类作为一个普通类来使用,而不需要再去实一个外部类。

package lyd_static_tester20130804;

public class tester1 {
	public static void main (String[] args){
		static_class.static_class_fu sc = new static_class.static_class_fu();
	}

}

 

package lyd_static_tester20130804;

public class static_class {
	public static class static_class_fu {
		static_class_fu() {
		System.out.println("静态类实现啦!");
		}
	}
}

 

     2.定义方法时static的使用

 

      若一个方法声明为static,那么在调用此方法时则无需实例化本类的对象。

 

 

package lyd_static_tester20130804;

public class tester2 {
	public static void static_method(){
		System.out.println("静态方法实现啦!!!");
	}
	public static void main (String[] args){
		static_method();
		}
}

    3.定义变量时static的使用

    从某种意义上讲,在定义一个变量时将其声明为static,实际就是将其定义为全局变量。

package lyd_static_tester20130804;

public class tester3 {
	static int i=1;
	
	public void count(){
		i++;
	}

	public static void main(String[] args) {
		tester3 t = new tester3();
		t.count();
		System.out.println("静态变量实现啦,i值加1,为"+i);
	}
}

    4.静态代码块( static{} )

 

     static代码块也叫静态代码块,是在类中独立于类成员的static语句块,可以有多个,位置可以随便放,它不在任何的方法体内。如果static代码块有多个,JVM将按照它们在类中出现的先后顺序依次执行它们,且每个代码块只会被执行一次

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