用Java计算1-100内所有奇数的和

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.9w累计阅读 1.9w+平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄7年

关注

原创最新推荐文章于 2026-05-22 10:23:23 发布 1.9w 阅读 AI 写同款· GEO 优化 ›

Java使用while循环：计算1-100之间所有数字的和，所有偶数的和，所有奇数的和，能把5整除数之和 while循环：计算1-100之间所有数字的和，所有偶数的和，所有奇数的和 /* * 计算1-100之间所有数字的和，所有偶数的和，所有奇数的和 * */ public class sum100 { public static void main(String[] args) { // TODO Auto-generated method stub int i=0; int sum=0;//总和 int sumOdd=0;//奇数和 int sumOuShu=0;//偶数的和阅读详情

Java计算100内所有奇数的和

	public class Multi02{
public static void main(String[] args){
	//使用for循环，完成0-100的奇数求和
	int sum = 0;
	for(int i = 1;i <= 100;i++){
		if(i % 2 == 1){
			sum += i;
						
		}				
	}
	System.out.println("1-100所有奇数求和结果为："+sum);
}

}

收录于

计算

当前文章被收录于：

计算

5 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#java

计算1到100以内所有奇数的和计算1到100以内所有奇数的和的程序代码立即下载

相关推荐

Origin科研绘图——桑基图

是一种用于展示“流动”（flow）关系的可视化图表，常用于呈现能量流、物质流、资金流、信息流等在不同节点之间的传递和分配情况。它最大的特点是用“宽度可变的流线”来直观表示数量大小——流线越宽，代表流量越大，因此特别适合理解复杂系统中资源从哪里来、到哪里去、以及不同路径所占比例。为该流程对应的数量。只需将各个流程逐项填写在 A、B、C 三列即可，流程的排列顺序并非关键，确保起点、终点及对应数值准确才是最重要的。与柱状图、饼图不同，桑基图不仅展示“多少”，还展示“从哪到哪”。至此，本期教程就结束啦。

weixin_41301530的博客 1394

用Java实现计算1-100的奇数和

计算1-100之间的奇数和

weixin_47510206的博客 9483

常见消息队列：ActiveMQ、RabbitMQ、RocketMQ、Kafka的区别总结

常见消息队列：ActiveMQ、RabbitMQ、RocketMQ、Kafka的区别。

qq_30713721的博客 3471

Java实现1~100之间奇数的和，两种方法实现

justdoit936的博客 6627

Comsol&Matlab 亥姆霍兹共振消声器传递损失理论解与仿真解

当外界噪声以共振频率进入共振器时，共振器内的空气质量发生周期性的振动，从而减少或消除噪声。当特定频率的声波进入共振器时，共振器的空气质量会发生周期性的振动，从而实现对该频率的噪声的减弱或消除。5. 反射和吸收：共振器的几何形状和容积还可以影响共振器内空气振动的反射和吸收。然而，对于不同频率的噪声，需要相应调整共振器的参数以匹配新的共振频率。3. 腔体内的空气振动：当特定频率的声波进入共振器时，共振器内的空气质量会发生振动。2. 声波进入共振器：外界的声波通过共振器的颈部进入共振器的封闭空腔。

声学黑洞仿真工作室 4573

从零到一：Livox Mid-360 激光雷达的硬件集成与避坑实战

本文详细介绍了Livox Mid-360激光雷达的硬件集成全流程，包括硬件准备、网络配置、驱动编译和常见问题解决方案。通过实战经验，帮助开发者高效完成从设备拆箱到数据输出的完整链路，避免在IP设置、驱动编译和固件兼容性等环节踩坑。

salt的博客 1028

java基础之使用for循环实现1~100所有奇数求和

weixin_52277424的博客 5847

RobotFramework二次开发——实时日志

背景基于RobotFramework的二次开发，少不了要打印实时日志出来，比如广泛应用的工具ride中，在执行用例时会把执行过程中的log全部打印出来，如果二次开发的时候，执行用例只能静默等待执行完毕，那只能算是一个半成品。结果在最后，不想看过程的可以直接跳到最后思路RobotFramework的日志有好几种，一个是执行后的log文件，这个文件可以作为数据留存，但是没办法实时获取，因为文件是在执行完

点点寒彬的博客 1万+

使用JAVA 打印1~100之间所有奇数/偶数的和

使用JAVA 打印1~100之间所有奇数/偶数的和@TOC ————————学习JAVA第四天作业–————————— 1.作业要求：新建一个Test类，使用for循环语句打印1~100之间所有奇数的和； 2.编写代码： public class Test{ public staitc void main(String[] args){ int a = 0; for(int i =1;i<...

qq_39175662的博客 1万+

6.8 点云相关软件——CoProcess

摘要 CoProcess是华测导航研发的三维点云全流程处理平台，支持海量数据浏览、编辑及多类型成果输出，适配地形测绘、道路建设等行业需求。软件采用模块化设计，包含基础功能（数据导入、分类、建模等）和行业定制模块（地形、道路、矿山等），支持多格式数据交互与自动化处理，显著提升作业效率。相比Lidar360，CoProcess操作更简便、性价比更高；相比开源工具CloudCompare，其行业适配性与专业功能更优。2025版本优化了数据处理性能与智能算法，需授权激活高级功能，适合商业项目应用。

qq625924821的博客 247

PDD psnl_verification anti_content 生成顺序与环境校验说明

K不是明文 URL，而是从当前href再派生出来的一小段摘要值。页面 URL 变，K会跟着变但K不是直接肉眼可读的 URL 字串可以把它理解成“URL 的短摘要字段”。这一步是最容易被误解的地方。它吃进去的是压缩后的中间串不是直接吃环境字段它内部还带有长度预算 / 字符映射 / 位置处理逻辑所以最终看到的环境字段 bytes协议头deflate 压缩自定义编码多层叠加后的结果。先把字段总包做再把压缩结果转成raw再拼fTail最后走做字符级输出因此，当前看到的协议字段流。

码王吴彦祖的博客 68

c语言求1到100的奇数和

1：求1到100的奇数和 #include<stdio.h> int main() { int i; int sum = 0; for (i=1; i<=100; ++i) { if (i%2 != 0) sum = sum + i; } printf("sum=%d\n",sum); return 0; } 2：求1到100之间奇数的个数 #include<stdio.h> int main() { int i; int cnt = 0; for (

weixin_44742660的博客 2万+

【电容/电感】电路板会“滋滋”的响，我们称它为啸叫

一、啸叫的起源大部分硬件工程师应该都遇到过，PCBA上电后出现“滋滋滋”的叫声，其声响或大或小，或时有时无，或深沉或刺耳，或变化无常者皆有。该现象我们称为“啸叫”，一般分为电感啸叫和电容啸叫。

云轩阁 6万+

用JAVA计算1-100中的奇数和

1问题在Java中，如何使用JAVA计算1-100中的奇数和？2方法在java中用for循环语句求1-100中的奇数和的时候，可能会出现以下问题：java中的for循环是一种控制流语句，用于重复执行一段代码块。for循环由三个部分组成：初始化，条件判断和迭代。初始化部分在循环开始时执行一次，用于初始化循环变量的值。例如，可以使用一个变量来计数循环的次数。条件判断部分在每次循环开始前进行判断，如...

算法与编程之美 545

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Java 计算1-100偶数和奇数和

/计算1 ~ 100之间偶数和。//计算1 ~ 100之间奇数和。

无限进步 1456

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")

利用Java的while循环分别计算1~100内的奇数和，偶数和

【代码】利用Java的while循环分别计算1~100内的奇数和，偶数和。

2302_79399123的博客 1097

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

java笔记——计算并输出1到100内所有奇数的和

这段代码中，我们定义了一个名为OddNumbersSum的类和一个名为main的方法。在main方法中，我们使用了一个do-while循环来遍历1到100的整数。对于每个数字，我们使用%运算符检查它是否为奇数（即余数不为0），如果是，我们将其加到sum中。循环结束后，我们输出1到100内奇数的总和。下面是使用Java编写的do-while循环代码，用于计算并输出1到100内所有奇数的和。

a25847a的博客 843

Java小程序：分别计算1-100内的奇数和偶数的和

分别计算1-100内的奇数和偶数的和

ITxiaochen1130的博客 2897

Java-使用三种循环for,while,do-while)计算1~100 的奇数和。

使用for循环输出1~100 的奇数和 public class Demo { public static void main(String[] args) { int i=1; int sum=0; for(;i<100;i+=2) { sum+=i； } System.out.println(sum); } } 使用while循环输出1~100 的奇数和 public class Demo { public static void main(String[

m0_46636892的博客 1万+

java中使用while计算1到100之间的奇数和

public class liwei05{ public static void main(String[] args){ int x=1; int y=0; while(x<=100){ if(x%2==1){ y+=x; } x++; }System.out.println("1到100之间奇数的和为:" + y); } } 结果为:

m0_55680183的博客 4154

Java编程入门与应用 P75——条件表达式2为空（计算1~100的奇数和）

Java编程入门与应用 P75 条件表达式2为空计算1~100的奇数和 /** * Java编程入门与应用 P75 * 条件表达式2为空 * 计算1~100的奇数和 */ public class for_condition2_null { public static void main(String[] args) { int result = 0; //for循环进行运算1~100的 for(int number = 1; ; n.

乖珑珑的博客 164

Java编程入门与应用 P76——3个条件表达式都为空（计算1~100所有的奇数和）

Java编程入门与应用 P76——3个条件表达式都为空计算1~100所有的奇数和 /** * Java编程入门与应用 P76——3个条件表达式都为空 * 计算1~100所有的奇数和 */ public class for_condition1_2_3_all_null { public static void main(String[] args) { int result = 0; int number = 1; //使用for循环进.

乖珑珑的博客 165

Java编程入门与应用 P75——条件表达式1为空（使用for语句的这种形式计算1~100所有奇数的和）

Java编程入门与应用 P75——条件表达式1为空使用for语句的这种形式计算1~100所有奇数的和 /** * Java编程入门与应用 P75——条件表达式1为空 * 使用for语句的这种形式计算1~100所有奇数的和 */ public class for_condition1_null { public static void main(String[] args) { int result = 0; int number = 1; .