分析HashMap(JDK1.8)

本文详细解析了Java中HashMap的工作原理,包括其构造方法、put方法的实现细节,以及哈希碰撞处理策略。深入探讨了HashMap如何通过链表和红黑树解决哈希冲突,确保高效的数据存储与检索。

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

1.构造方法

               

              有四个构造方法,空参构造和设置设置负载参数的构造;

    public HashMap() {
        //设置负载因子为默认的(0.75)
        this.loadFactor = DEFAULT_LOAD_FACTOR;
    }

    public HashMap(int initialCapacity) {
        //调用上图中第一个函数设置负载因子
        this(initialCapacity, DEFAULT_LOAD_FACTOR);
    }

2.put方法

   public V put(K key, V value) {
        return putVal(hash(key), key, value, false, true);
    }


 final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                   boolean evict) {
        Node<K,V>[] tab; Node<K,V> p; int n, i;
        //tab指向map的数组(table)并判断是否为空,tab长度为空。(个人感觉一个就好了,不知道为什么要有两个判断)
        if ((tab = table) == null || (n = tab.length) == 0)
            //初始化数组的大小
            n = (tab = resize()).length;
        //判断 该哈希值在数组(table)中是否存在
        //(n - 1) & hash    -》》  15&hash
        if ((p = tab[i = (n - 1) & hash]) == null)
             //中没有这个哈希值所在的数组后面没有链表(也就是这个链表(或者红黑树)还没加值)    则直接添加进去
            tab[i] = newNode(hash, key, value, null);
        else {
            Node<K,V> e; K k;
            //链表的第一个节点 哈希值相同&&(key的地址相同||key不为null并且equals判断相同)
            //  说明一下  map如果要存不同内容  就要重写hashcode和equals方法
            if (p.hash == hash &&
                ((k = p.key) == key || (key != null && key.equals(k))))
                e = p;
            //如果 p的类型是TreeNode(红黑树)  红黑树先放着,有时间再来更
            else if (p instanceof TreeNode)
                e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
            else {
                //循环遍历这个链表 查找是否有相同的(通过equals())
                for (int binCount = 0; ; ++binCount) {
                    if ((e = p.next) == null) {
                        p.next = newNode(hash, key, value, null);
                        if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
                            treeifyBin(tab, hash);
                        break;
                    }
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        break;
                    p = e;
                }
            }

            //e为找到的原始  若没找到则为空
            if (e != null) { // existing mapping for key
                V oldValue = e.value;
                if (!onlyIfAbsent || oldValue == null)
                    //改值
                    e.value = value;   
                afterNodeAccess(e);
                //返回原值
                return oldValue;
            }
        }
        ++modCount;
        if (++size > threshold)
            resize();
        afterNodeInsertion(evict);
        return null;
    }

 

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
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