@SafeVarargs 使用说明

简介: @SafeVarargs 是jdk1.7引入的适用于可变参数与泛型能够更好结合的一个注解。 @SuppressWarnings 产生编译期警告的示例代码

说明:

@SafeVarargs 是jdk1.7引入的适用于可变参数与泛型能够更好结合的一个注解。

@SuppressWarnings 产生编译期警告的示例代码

官方解释:

程序员认定带有注释的主体或者构造函数不会对其执行潜在的不安全操作将此注释应用于未经检查的方法或者构造器在"不可具体化"的和未经检查的参数类型警告关于所有数组参数创建的时候

除了强加使用@Target 元注解的限制之外,编译器还被用在注解类型上来实现额外的限制下面几种情况会在使用@SafeVarags 注解的时候产生编译时错误:在声明一个固定参数的方法或者构造函数的时候

也就是说如果你认为你的方法或者构造方法是类型安全的,那么你也就可以使用@SafeVarargs 来跳过@SuppressWarnings("unchecked")检查。

示例:

publicclassSafeVarargs{
   // 这其实不是一个安全的类型检查
   @SafeVarargs
   static void m(List<String>...lists){
       // 先会存储到 array[0] 的位置
       Object[] array=lists;
       List<Integer>tmpList=Arrays.asList(42);
       // array[0] 又保存了tmpList(Integer)进行覆盖
// tmpList是一个List对象(类型已经擦除),赋值给Object类型的对象是允许的(向上转型),
       // 能够编译通过
       array[0] =tmpList;
       // 实际取出来的应该是 42
       Strings=lists[0].get(0);
  }
   public static void main(String[] args) {
       List<String>list1=Arrays.asList("one","two");
       m(list1);
  }
}


Exceptioninthread"main"java.lang.ClassCastException: java.lang.Integercannotbecasttojava.lang.String

atjava7.SafeVarargs.m(SafeVarargs.java:14)
atjava7.SafeVarargs.main(SafeVarargs.java:21)
Processfinishedwithexitcode1


具体分析:

List<String>list1=Arrays.asList("one","two");

当程序执行到这一步,会创建一个list1 ,其内部存在两个固定的值 [one,two],

调用m(list1)方法

m(list1);

接着

Object[] array=lists;

程序执行到这一步,会在array数组中的第0个位置上存储一个list1 对象

List<Integer>tmpList=Arrays.asList(42);

创建一个Integer的列表,存储一个integer类型的元素42

array[0] =tmpList;

重新给array[0] 进行赋值,把原来位置的lists 进行覆盖,存储新的元素tmpList

Strings=lists[0].get(0);

我们预期的结果应该是取的值是42,但是实际上却报出了ClassCastException

因为最后array[0] 中的值 42Integer 类型, 无法直接用String 对象进行接受,所以会报错。


            </div>
目录
相关文章
|
7天前
|
数据采集 人工智能 安全
|
16天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
269 156
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
208 105
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
739 5
|
13天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
822 153