java语言基础

1,小数默认为double

 

2,\r 回车 \n换行

 

3,标识符,标识符由下划线_  美元符号$ 数字组成,不能由数字开头,允许使用中文和其他国家的语言

 

4,常量,当定义的常量为属性时,必须在定义时给它初始值,常量不能重新赋值

 

5,变量,静态变量的有效范围可以跨类,甚至可以达到整个应用程序之内。

 

6,运算符,二元运算符(对两个操作数进行处理)

6.1赋值运算符,将右边的操作数赋值给左边,如果有多个赋值运算符,从最右边开始计算

赋值运算符可以连在一起使用 x=y=z=5; 想当于把五赋值给了三个变量

 

6.2自增自减运算符,单目运算符  a++;先参加运算再赋值,++a;先赋值再参加运算

 

6.3逻辑运算符,

短路运算 &&)  针对与boolean值进行判断,当一个表达式为假时,将不在判断后面的表达式,直接输出结果,从而节省计算机的判断次数

非短路运算 &) 将所有的表达式都判断完毕后在输出结果,哪怕前面的表达式为假了,也会判断后面的表达式

 

6.4三元运算符  格式  条件式?值1:值2  条件式用一个变量接受,如果为true将值一赋值给变量,为false赋值值二

 

 

 

7,数据类型准换

隐式类型转换(低精准度自动转换为高精准度)(人总是走上坡路的

从小到大byte<short<int<long<float<double

显式类型转换(高转低,缺点,精度受损)

格式 (类型名)要转换的值

 

8,注释

多行注释可以嵌套单行注释

基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
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