Java Review (五、数组)

从 HashMap 的一次 Code Review 聊到哈希冲突 通过一次关于HashMap的Code Review,文章以组长和组员的问答形式,从HashMap与Hashtable的区别,逐步深入到HashMap的put操作底层原理,特别是哈希冲突的产生原因及其在Java 8中的链表与红黑树解决方案。当同一个哈希桶里的链表长度超过一个阈值(默认为8),并且哈希桶的总数量也超过一个阈值(默认为64)时,这个链表就会被。:(我心里一紧,这正是我想糊弄过去的地方)啊...这个...如果位置一样了,后面来的就把前面的覆盖了?这样,就精准地定位到了哈希桶数组中的一个索引位置。 阅读详情

数组是编程语言中最常见的一种数据结构,可用于存储多个数据,每个数组元素存放一个数据,通 常可通过数组元素的索引来访问数组元素,包括为数组元素赋值和取出数组元素的值。
 

数组数据类型

Java的数组要求所有的数组元素具有相同的数据类型。因此,在一个数组中,数组元素的类型是唯一的,即一个数组里只能存储一种数据类型的数据,而不能存储多种数据类型的数据。
一旦数组的初始化完成,数组在内存中所占的空间将被固定下来,因此数组的长度将不可改变。即 使把某个数组元素的数据清空,但它所占的空间依然被保留,依然属于该数组,数组的长度依然不变。
Java的数组既可以存储基本类型的数据,也可以存储引用类型的数据,只要所有的数组元素具有相同的类型即可。
数组也是一种数据类型,它本身是一种引用类型。例如int是一个基本类型,但int[] 就是一种引用类型了。

声明数组变量

复制代码
<span style="color:#141418"><span style="background-color:#ffffff"><code class="language-java">dataType[] arrayRefVar;   <span style="color:#a0a1a7"><em>// 首选的方法</em></span>
 
或
 
dataType arrayRefVar[];  <span style="color:#a0a1a7"><em>// 效果相同,但不是首选方法</em></span>
</code></span></span>

数组是一种引用类型的变量,因此使用它定义一个变量时,仅仅表示定义了一个引用变量(也就是 定义了一个指针),这个引用变量还未指向任何有效的内存,因此定义数组时不能指定数组的长度。而 且由于定义数组只是定义了一个引用变量,并未指向任何有效的内存空间,所以还没有内存空间来存储 数组元素,因此这个数组也不能使用,只有对数组进行初始化后才可以使用。
 

初始化数组

Java语言中数组必须先初始化,然后才可以使用。所谓初始化,就是为数组的数组元素分配内存空 间,并为每个数组元素赋初始值。
数组的初始化有如下两种方式。

  • 静态初始化:初始化时由程序员显式指定每个数组元素的初始值,由系统决定数组长度。
  • 动态初始化:初始化时程序员只指定数组长度,由系统为数组元素分配初始值。

静态初始化

复制代码
arrayName = new type[]{elementl, element2 , element3 , element4 ...}

在上面的语法格式中,前面的type就是数组元素的数据类型,此处的type必须与定义数组变量时 所使用的type相同,也可以是定义数组时所指定的type的子类,并使用花括号把所有的数组元素括起 来,多个数组元素之间以英文逗号(,)隔开,定义初始化值的花括号紧跟[]之后。值得指出的是,执行 静态初始化时,显式指定的数组元素值的类型必须与new关键字后的type类型相同,或者是其子类的 实例。下面代码定义了使用这三种形式来进行静态初始化。

实例

复制代码
//定义一个int数组类型的变量,变量名为intArr
int[] intArr;
//使用静态初始化,初始化数组时只指定数组元素的初始值,不指定数组长度
intArr = new int[](5, 6, 8, 20);
//定义一个Object数组类型的变量,变量名为:bjArr
Object[] objArr;
//使用静态初始化,初始化数组时数组元素的类型是
//定义数组时所指定的数组元素类型的子类
objArr = new String [ ] ( "Java", "C#" );
Object[] objArr2;
//使用静态初始化
objArr2 = new Object [ ] {"Java” ,"Python"};

动态初始化

动态初始化只指定数组的长度,由系统为每个数组元素指定初始值。动态初始化的语法格式如下:

复制代码
arrayName = new type[length];

在上面语法中,需要指定一个int类型的length参数,这个参数指定了数组的长度,也就是可以容 纳数组元素的个数。与静态初始化相似的是,此处的type必须与定义数组时使用的type类型相同,或 者是定义数组时使用的type类型的子类。下面代码示范了如何进行动态初始化(程序清单同上)。

复制代码
//数组的定义和初始化同时完成,使用动态初始化语法
int[] prices = new int[5];
//数组的定义和初始化同时完成,初始化数组时元素的类型是定义数组时元素类型的子类 Object[] books = new String[4];

执行动态初始化时,程序员只需指定数组的长度,即为每个数组元素指定所需的内存空间,系统将 负责为这些数组元素分配初始值。指定初始值时,

数组元素类型系统分配初始值规则
整数类型(byte、short、int和long)0
浮点类型(float、double)0.0
字符类型(char)'\u0000'
布尔类型(boolean)false
引用类型(类、接口和数组)null

数组使用

Java语言的数组索引是从0开始的,也就是说,第一个数组元素的索引值为0,最后一个数组元素 的索引值为数组长度减1。

复制代码
double[] arr = {1.9, 2.9, 3.4, 3.5};

arr[2]表示3.4,数组第三个元素。
 

for-each循环

Java 5之后,Java提供了一种更简单的循环:foreach循环,这种循环遍历数组和集合更加简洁。
 

深入数组

数组是一种引用数据类型,数组引用变量只是一个引用,数组元素和数组变量在内存里是分开存放的。
 

内存中的数组

数组引用变量只是一个引用,这个引用变量可以指向任何有效的内存,只有当该引用指向有效内存 后,才可通过该数组变量来访问数组元素。

与所有引用变量相同的是,引用变量是访问真实对象的根本方式。也就是说,如果希望在程序中访问数组对象本身,则只能通过这个数组的引用变量来访问它。

实际的数组对象被存储在堆(heap)内存中;如果引用该数组对象的数组引用变量是一个局部变量, 那么它被存储在栈(stack)内存中。

数组在内存中的存储示意图

在这里插入图片描述
 

如果堆内存中数组不再有任何引用变量指向自己,则这个数组将成为垃圾,该数组所占的内存将会 被系统的垃圾回收机制回收。因此,为了让垃圾回收机制回收一个数组所占的内存空间,可以将该数组 变量赋为null,也就切断了数组引用变量和实际数组之间的引用关系,实际的数组也就成了垃圾。

只要类型相互兼容,就可以让一个数组变量指向另一个实际的数组,这种操作会让人产生数组的长度可变的错觉。如下:

实例

复制代码
public class ArrayInRam {

	public static void main(String[] args) {
		//静态初始化a
		int []a= {5,7,20};
		//动态初始化b
		int []b=new int[4];
		//输出b的长度
		System.out.println(b.length);
		//循环遍历输出a
		for(int aa:a) {
			System.out.print(aa+"\t");
		}	
		//b引用a
		b=a;
		//输出b的长度
		System.out.println("\n"+b.length);

	}

}

输出结果:

复制代码
4
5	7	20	
3

看起来b数组的长度似乎发生了变化。实际上:

定义并初始化一个数组后,在内存 中分配了两个空间,一个用于存放 数组的引用变量,另一个用于存放数组本身。

  • 当程序定义并初始化了 a、b 两个数组后,系统内存中实际上产生了 4块内存区,其中栈内存中有 两个引用变量:a和b;堆内存中 也有两块内存区,分别用于存储a 和b引用所指向的数组本身。

可以非常清楚地看出a引用和b引用各自所引用的数组对象,并可以很清楚地看出a变量所引用的数组长度是3, b变量所引用的数组长度是4。

定义并初始化a、b两个数组后的内存示意图

在这里插入图片描述

  • 当执行代码 b = a 时,系统将会把a的值赋给b, a和b都是引用类型变量,存储的是地址。因此把a的值赋给 b后,就是让b指向a所指向的地址。

当执行7b = a;之后,堆内存中的第一个数组具有了两个引用:a变量和b变 量都引用了第一个数组。此时第二个数组失去了引用,变成垃圾,只有等待垃圾回收机制来回收它——但它的长度依然不会改变,直到它彻底消失。

让b引用指向a引用所指向数组后的存储示意图

在这里插入图片描述
 

基本类型数组的初始化

对于基本类型数组而言,数组元素的值直接存储在对应的数组元素中,因此,初始化数组时,先为 该数组分配内存空间,然后直接将数组元素的值存入对应数组元素中。

实例

复制代码
public class PrimitiveArrayTest {
	public static void main(String[] args) {
	//定义一个int[]类型的数组变量iArr
	int[] iArr;
	//动态初始化数组,数组长度为5
	iArr = new int[5];
	//采用循环方式为每个数组元素赋值
	for (int i = 0; i <iArr.length ; i++ ){
	  iArr[i] = i + 10;
    }
 }
}

定义iArr数组变量后的存储示意图

在这里插入图片描述

 

动态初始化iArr数组变量后的存储示意图

在这里插入图片描述
 

显式指定每个数组元素值后的存储示意图

在这里插入图片描述
 

引用类型数组的初始化

引用类型数组的数组元素是引用,因此情况变得更加复杂。每个数组元素里存储的还是引用,它指 向另一块内存,这块内存里存储了有效数据。

先定义一个Person类:

复制代码
public class Person {
	public int age; // 年龄
	public double height; // 身高
	//定义一个info方法
	public void info(){
	System.out .println ("我的年龄是:" + age+ "我的身高是:"+ height);
	}

}

定义一个Person]]数组,接着动态初始化这个Person[]数组,并为这个数组的每个数组元素指定值:

复制代码
public class ReferenceArrayTest {

	public static void main(String[] args) {
		//定义一个students数组变量,其类型是Person[]
		Person[] students;
		//执行动态初始化
		students = new Person[2];
		//创建一个Person实例,并将这个Person实例赋给zhang变量
		Person zhang=new Person();
		//为zhang所引用的Person对象的age、height赋值
		zhang.age = 15;
		zhang.height = 158;
		//创建一个Person实例,并将这个Person实例赋给丄ee变量
		Person lee = new Person();
		//为lee所引用的Person对象的age、height赋值
		lee.age = 16;
		lee.height = 161;
		//将zhang变量的值赋给第一个数组元素
		students[0] = zhang;
		//将lee变量的值赋给第二个数组元素
		students[1] = lee;
		//下面两行代码的结果完全一样,因为lee
		//和students [1]指向的是同一个Person实例
		lee.info();
		students[1].info();
	}

}


 

定义students数组变量后的存储示意图

在这里插入图片描述

 

动态初始化students数组变量后的存储示意图

在这里插入图片描述

 

创建两个Person实例后的存储示意图

在这里插入图片描述

 

为数组元素赋值后的存储示意图

在这里插入图片描述
 

多维数组

Java语言里提供了支持多维数组的语法。

但从底层运行机制来讲,二维数组实际上仍然是一维数组。

Java语言里的数组类型是引用类型,因此数组变量其实是一个引用,这个引用指向真实的数组内存。 数组元素的类型也可以是引用,如果数组元素的引用再次指向真实的数组内存,这种情形看上去很像多维数组。
回到前面定义数组类型的语法:

复制代码
type[] arrName;

这是典型的一维数组的定义语法,其中type是数 组元素的类型。如果希望数组元素也是一个引用,而且是指向int数组的引用,则可以把type具体成int[],那么上面定义数组的 语法就是 int[][] arrName。

如果把int这个类型扩大到Java的所有类型(不包括数组类型),则出现了定义二维数组的语法:

复制代码
type[][] arrName;

Java语言采用上面的语法格式来定义二维数组,但它的实质还是一维数组,只是其数组元素也是引 用,数组元素里保存的引用指向一维数组。

接着对这个"二维数组”执行初始化,同样可以把这个数组当成一维数组来初始化,把这个“二维 数组”当成一个一维数组,其元素的类型是type口类型,则可以釆用如下语法进行初始化:

复制代码
arrName = new type[length][]

上面的初始化语法相当于初始化了一个一维数组,这个一维数组的长度是lengtho同样,因为这个 一维数组的数组元素是引用类型(数组类型)的,所以系统为每个数组元素都分配初始值:nullo
这个二维数组实际上完全可以当成一维数组使用:使用new type[length] 初始化一维数组后,相当 于定义了 length个type类型的变量;类似的,使用 new type[length][] 初始化这个数组后,相当于定义了 length个type[]类型的变量,当然,这些type[]类型的变量都是数组类型,因此必须再次初始化这些数组。
 

基于GitLab的Code Review教程 一、前言 1、本文主要内容 GitLab Code Review机制说明 Git Workflow 与 Git Code Review Workflow GitLab Code Review 配置说明 GitLab Code Review 流程演示 GitLab For IDE 插件介绍(JetBrains等等) 2、GitLab Code Review机制 GitLab可以在... 阅读详情

相关推荐

Code Review时学到的技巧之isAssignableFrom

📆 最近更新:2023年4月1日🍊 个人简介:通信工程本硕 for NJU💪、Java程序员🌕。做过科研paper,发过专利,优秀的程序员不应该只是CRUD。

如切如磋,如琢如磨 3501

小白Java笔记——深入数组

前言:前面说过数组是一个引用数据类型,数组引用变量只是一个引用,数组元素和数组变量是分开存放的。正如定义数组的时候,只是定义一个引用变量,还需要再初始化。一、内存中的数组 数组引用变量(就是一开始定义的)只是一个引用,它可以指向任何有效的内存(只要你给他初始化,说明它需要指向哪里)。换句话说,只有引用变量指向有效的内存空间,才可以通过该数组变量来访问数组元素(也就是内存里的内容)。 与所有引用变量相

Lunatic_fei的博客 435

WPS Office 2026免费安装指南:AI办公与安全使用全解析

办公软件作为数字化办公的核心工具,其基本原理是通过文档处理、数据计算和演示展示等功能模块满足用户日常办公需求。随着人工智能技术的发展,现代办公软件逐步集成AI能力,通过自然语言处理和数据分析算法提升工作效率。在技术价值层面,优秀的办公软件不仅需要保持格式兼容性和跨平台同步能力,更要注重用户数据安全防护。从应用场景来看,无论是个人文档编辑、企业报表分析还是团队协作演示,办公软件都发挥着关键作用。WPS Office 2026作为国产办公软件代表,深度融合AI助手功能,支持智能写作和数据分析,同时通过官方免费策

weixin_30599769的博客 744

Java Review (五、数组)(1)

在开头跟大家分享的时候我就说,面试我是没有做好准备的,全靠平时的积累,确实有点临时抱佛脚了,以至于我自己还是挺懊恼的。(准备好了或许可以拿个40k,没做准备只有30k+,你们懂那种感觉吗)如何准备面试?1、前期铺垫(技术沉积)程序员面试其实是对于技术的一次摸底考试,你的技术牛逼,那你就是大爷。大厂对于技术的要求主要体现在:基础,原理,深入研究源码,广度,实战五个方面,也只有将原理理论结合实战才能把技术点吃透。

2401_84413420的博客 1136

为什么你的SSE连接总断?深入对比EventSource与fetch-event-source的5大差异点

本文深入对比了原生EventSource与@microsoft/fetch-event-source库在SSE连接稳定性上的五大关键差异。重点剖析了后者在请求能力、连接控制、错误处理、数据解析及性能优化方面的优势,特别是其支持POST请求、自定义Header、精细化的重连策略与生命周期管理,为解决生产环境中SSE连接频繁断开的问题提供了专业方案。

weixin_28077113的博客 496

Python实现多元线性回归(Multiple Linear Regression)

多元线性回归是一种用于建立多个自变量与因变量之间关系的统计学方法。在多元线性回归中,我们可以通过多个自变量来预测一个因变量的值。每个自变量对因变量的影响可以用回归系数来表示。

优快云 精品推荐 4333

JAVA代码Review总结

1. 代码Review的目的 一般团队很难在Review中要求极致的代码质量,毕竟是项目而非艺术品。你很难通过Review要求程序进化为完美的程序,很难要求程序员都达到很高的水准,所以常见团队的Review更多的是达成一定的共识,底线是质量可以做到项目要求的高度。而更优秀代码的探讨可以作为锦上添花的讨论,根据情况推荐而不强求。 本文尝试总结下自己评审中遇到的通用问题,项目或业务名称通过简称来替...

qrycsa的博客 264

【SAP HANA 24】HANA与Oracle SQL语法对照表

HANA SQL参考及Oracle 语法对照

探索 Java 编程的技巧、最佳实践和解决方案。本博客提供针对 Java 开发者的实用指南,涵盖从基础到高级话题,旨在提升编程效率和技能。 1429

Java Review (零、初识)

2020年在匆匆忙忙慌慌乱乱中就这么度过了,我们迎来了新一年,互联网的发展如此之快,技术日新月异,更新迭代成为了这个时代的代名词,坚持下来的技术体系会越来越健壮,JVM作为如今是跳槽大厂必备的技能,如果你还没掌握,更别提之后更新的新技术了。更多JVM面试整理:《一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码》点击传送门即可获取!大厂必备的技能,如果你还没掌握,更别提之后更新的新技术了。[外链图片转存中…(img-JVFlJpl5-1711975359620)]

2301_81749759的博客 762

第八届传智杯微信小程序开发挑战赛练习题库

本文是微信小程序开发练习题库,包含单选题、多选题和判断题三种题型。单选题主要考察小程序开发基础知识,如数组方法、组件使用、API调用等;多选题涵盖样式属性、页面跳转、数据处理等综合知识;判断题则测试开发者对小程序特性、生命周期、功能限制等概念的理解。题目内容涉及小程序开发的各个方面,包括组件使用、API调用、数据绑定、页面配置等核心知识点,适合开发者进行自我测试和知识巩固。

qq_73044452的博客 507

VTK 显示大量点云数据及交互(点云拾取、着色、测量等)功能

VTK (Visualization Toolkit) 是一个强大的开源可视化库,非常适合处理点云数据。下面将介绍如何使用 VTK 显示大量点云数据,并实现点云拾取、着色、测量等功能。

深之JohnChen的专栏 2003

java code review 工具_两款好用的代码Review工具 | 学步园

最近团队内部呼吁代码质量的声音越来越高,项目组引入了代码Review机制。上次我由于不了解主站URL替换的规则,险些造成客户端图片读取错误,而代码Review则有助于帮我们发现代码潜在的问题。主讲的同学介绍了两款代码Review工具,都是Eclipse下免费的插件。一款是ReviewClipse,另外一款是Jupiter。通过参加分享的同学们讨论以后,最终觉得ReviewClipse可能更适合目前...

weixin_32757449的博客 2994

YOLOv11来了,使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)

YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布, 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进,以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用,使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 28万+

AgentScope-Java 入门:搭建 Review Copilot 项目骨架

本文介绍了如何搭建 AgentScope-Java 的 Review Copilot 项目骨架。作者强调不从简单的聊天Demo入手,而是先构建一个完整的前后端项目框架,包括: 后端采用Spring Boot WebFlux + AgentScope-Java 前端使用Vue3+TypeScript+Vite 定义了ReviewRequest和ReviewJob核心数据结构 设计了可扩展的ModelFactory和AgentFactory 实现了健康检查接口验证项目启动 项目特点: 不绑定特定模型提供商,保持

qq_39805994的博客 1037

STM32实战开发(133):基于STM32的智能GPS定位跟踪系统开发

本文详细介绍了如何基于STM32开发一个智能GPS定位跟踪系统。系统使用NEO-6M GPS模块获取实时定位数据,并通过SIM800L GPRS模块将定位信息上传到远程服务器。通过OLED屏幕实时显示位置数据,使用SD卡存储历史轨迹,并提供蜂鸣器报警功能。项目实现了GPS定位数据的获取、解析、存储和传输,为智能定位系统提供了完整的解决方案。

2201_76125393的博客 1644

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

java代码优化review常见做法

代码优化,代码规范,优化相关视频讲解:python的or运算赋值用法012_程序写错了怎么办?Go语言工程化实践Java代码优化Review常见做法 整体流程 为了实现Java代码优化Review,我们可以按照以下步骤进行: 步骤 描述 1 检查代码规范 2 检查代码可读性 3 检查代码性能 ...

weixin_36908664的博客 240

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Code Review

一般我们在处理业务逻辑的时候,要遵循先检查、后处理的原则。3 类/接口/变量/参数名,命名是否规范 尽量使用完整的单词,并且大小写合适,避免使用method1,method2这类没有意义的名字。一些不符合预期的情况,如一些未知异常(数据库的数据异常等),又或者不符合业务预期的特殊场景,都需要打印相关的日志。2 是否有可以重构的逻辑重复的代码 这个需要适当把握,同样的或者类似的逻辑有多次实现。3 是否有功能复杂的语句 不要有太复杂的代码,代码应该简单、明了、直白。

Lising的博客 845

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

为什么一定要做代码Review?

代码评审(Code Review,简称CR)是软件开发过程中的一个关键环节,对于确保代码质量、提高团队协作效率和促进知识共享至关重要。通过多双眼睛审查代码,可以发现潜在的错误和缺陷,减少bug进入生产环境的机会。此外,代码评审确保代码符合团队的编码规范和最佳实践,保持代码风格的一致性。它还促进了团队成员之间的知识交流,帮助新成员更快地了解项目结构和业务逻辑。在代码合并到主分支之前,评审可以及早发现设计和实现上的问题,避免后期更复杂的修复工作。同时,代码评审增强了团队协作,团队成员可以在评审过程中相互学习!

无休居士的博客 2092

两款好用的代码Review工具

最近团队内部呼吁代码质量的声音越来越高,项目组引入了代码Review机制。上次我由于不了解主站URL替换的规则,险些造成客户端图片读取错误,而代码Review则有助于帮我们发现代码潜在的问题。 主讲的同学介绍了两款代码Review工具,都是Eclipse下免费的插件。一款是ReviewClipse,另外一款是Jupiter。通过参加分享的同学们讨论以后,最终觉得ReviewClipse可能更

望月听涛 4305
上一篇: Java Review (四、流程控制)
下一篇: Java Review (六、面向对象----类和对象)
加班不秃顶
博客等级 码龄7年 1822粉丝 599原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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