《Thinking in Java 4th》zh_cn 练习试解

本文介绍了一个使用Java枚举类型的例子,包括定义不同面值的货币并利用枚举特性进行操作和展示。通过values()方法遍历所有枚举值,并使用switch语句根据不同货币类型输出其描述。
P107 练习21:(1)创建一个enum,它包含纸币中最小面值的6种类型。通过values()循环并打印每一个值及其ordinal()。

//: initialization/MoneyType.java

public enum MoneyType {
ONE_FEN,FIVE_FEN,ONE_JIAO,FIVE_JIAO,ONE_YUAN,FIVE_YUAN
}
//: initialization/SimpleEnumTest.java

public class SimpleEnumTest {
public static void main(String[] args) {
for(MoneyType m : MoneyType.values())
System.out.println(m + ", ordinal " + m.ordinal());
}
} /* Output:
ONE_FEN, ordinal 0
FIVE_FEN, ordinal 1
ONE_JIAO, ordinal 2
FIVE_JIAO, ordinal 3
ONE_YUAN, ordianl 4
FIVE_YUAN, ordianl 5
*/

P107 练习22:(2)在前面的例子中,为enum写一个switch语句,对于每一个case,输出该特定货币的描述。

//: initialization/ShowMoneyType.java

public class Show {
MoneyType type;
public Show(MoneyType type) { this.type = type};
public void describe() {
System.out.print("The describe of money-type :");
switch(type) {
case ONE_FEN: System.out.println("ONE FEN is the mini type.");
break;
case FIVE_FEN: System.out.println("FIVE FEN is larger than ONE FEN.");
break;
case ONE_JIAO: Syetem.out.println("ONE JIAO is 10 times larger than ONE FEN.");
break;
case FIVE_JIAO: Syetem.out.println("FIVE JIAO is larger than ONE JIAO");
break;
......
}
}
public static void main(String[] args) {
Show show1 = new Show(MoneyType.ONE_FEN);
show1.describe();
......
}
}/* Output:
ONE FEN is the mini type.
......
*/
深度学习作为人工智能的关键分支,依托多层神经网络架构对高维数据进行模式识别与函数逼近,广泛应用于连续变量预测任务。在Python编程环境中,得益于TensorFlow、PyTorch等框架的成熟生态,研究者能够高效构建面向回归分析的神经网络模型。本资源库聚焦于通过循环神经网络及其优化变体决时序预测问题,特别针对传统RNN在长程依赖建模中的梯度异常现象,引入具有门控机制的长短期记忆网络(LSTM)以增强序列建模能力。 实践案例涵盖从数据预处理到模型评估的全流程:首先对原始时序数据进行标准化处理与滑动窗口分割,随后构建包含嵌入层、双向LSTM层及全连接层的网络结构。在模型训练阶段,采用自适应矩估计优化器配合早停策略,通过损失函数曲线监测过拟合现象。性能评估不仅关注均方根误差等量化指标,还通过预测值与真实值的轨迹可视化进行定性分析。 资源包内部分为三个核心模块:其一是经过清洗的金融时序数据集,包含标准化后的股价波动记录;其二是模块化编程实现的模型构建、训练与验证流程;其三是基于Matplotlib实现的动态结果展示系统。所有代码均遵循面向对象设计原则,提供完整的类型注与异常处理机制。 该实践项目揭示了深度神经网络在非线性回归任务中的优势:通过多层非线性变换,模型能够捕获数据中的高阶相互作用,而Dropout层与正则化技术的运用则保障了泛化能力。值得注意的是,当处理高频时序数据时,需特别注意序列平稳性检验与季节性分等预处理步骤,这对预测精度具有决定性影响。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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