JavaScript基础语法2-数据类型

Rust之数据固定Pin与Unpin 介绍了Rust中用于解决自引用结构的内存安全问题的Pin机制;Pin通过智能指针包装器确保被包裹的值不会被移动,!Unpin标记的类型需要特别注意内存安全 阅读详情

01 变量的数据类型:

由js引擎根据 = 右边变量值的数据类型来判断的,运行完毕之后,变量就确定了数据类型。 

JavaScript拥有动态类型,同时也意味着相同的变量可用作不同的类型:

var  x = 6;  // x为数字
var x = 'pp'; // x为字符串

02 数据类型( 简单 和)

简单数据类型说明默认值
Number数字型,包含整型值和浮点型值0
 Boolean布尔值false
String字符串类型“”
Undefinedvar a;声明了变量a,但是没有给值,此事a=undefinedundefined
Nullvar a = null;声明了变量a 为空值null

数字型Number

// isNaN() 这个方法用来判断非数据 并且返回一个值 
//如果是数字 返回的是false; 如果不是数据 返回的是true
        console.log(isNaN(12)); //false
        console.log(isNaN('pp'));  // true

字符串型 String

1. 可以用单引号 也可以用双引号

        js可以用单引号嵌套双引号,或者用双引号嵌套单引号(外双内单,外单内双)

 2. 字符串转义符 (转义字符写在引号里面)

 3. 字符串长度  

        通过字符串的length属性可以获取整个字符串的长度。

4.字符串拼接

  • 多个字符串之间可以使用+进行拼接,其拼接方式为 字符串+任何类型=拼接之后的新字符串
  • 拼接前会把字符串相加的任何类型转成字符串,再拼接成一个新的字符串 
  •  数值相加,字符相连

案例(弹窗用户输入年龄,显示年龄)

  // 弹出一个输入框(prompt),让用户输入年龄(用户输入)
  // 把用户输入的值用变量保存起来,把刚才输入的年龄与所要输出的字符串拼接(程序内部处理)
  // 使用alert 语句弹出警示框(输出结果)
       var age =  prompt("请输入你的年龄");
        var str = "你今天已经" + age  +"岁"
        alert(str);

布尔型 Boolean

var a = true;
var b = false;
console.log(a+1); // 2 true参与加法运算当1来看
console.log(b+1); // 1 false参与加法运算当做 0来看

Undefined

        //如果一个变量声明未赋值 就是Undefined 未定义数据类型
        var str;
        console.log(str);
        var vara = undefined;
        console.log(vara + "pin"); //undefinedpin
        console.log(vara + 1); // NaN  undefined 和数字相加 最后 的结果是NaN

Null 空值

// null 空值
var va = null;
console.log(va + "pin"); // nullpin
console.log(va + 1 ); //1

 获取变量数据类型 typeof

    <script>
        var num = 10;
        console.log(typeof num); //number
        var str = "10";
        console.log(typeof str); //string
        var flag = true;
        console.log(typeof flag); //boolean
        var var1 = undefined;
        console.log(typeof var1); //undefined
        var timer = null;
        console.log(typeof timer); //object
    </script>

ResNet理论基础与具体实现(详细教程) 论文地址:Deep Residual Learning for Image Recognition ​ Identity Mappings in Deep Residual Networks pytroch源码地址:resnet 0x00 前言 ResNet是2015年就提出的网络结构,中文名字叫作深度残差网络,主要作用是图像分类。现在在图像分割、目标检测等领域都有很... 阅读详情

相关推荐

论文、报告中那些乱七八糟的图(甘特图、卡吉图,桑基图,小提琴图,弦图,螺旋图,风玫瑰图)

在一些论文或报告中,总是会看到一些熟悉的图,但作者总是不能好好说话,非得搞个洋名字、缩写字或者半洋半中的词来显示它多么高大上,有时候这种故弄玄虚、华而不实的写法也实在是让人看了不伦不类,图首先是让读者更容易看懂的,不是让你来故作高深、玩玄学的。

David_jiang 9431

PADS 中的 PIN TYPE 说明

pin type一般用在原理图仿真或DRC检查中(pads logic没有DRC检查功能),例如Open Collector没有接上拉电阻,DRC检查就会报错或仿真不正常.1.Source:信号源引脚,也就是output,输出信号.2.Bidirectional:双向引脚,也就是GPIO,具有输入输出功能.3.Open Collector:开集电极引脚,三极管集电极没有上拉,参考模拟电路三极管部分...

gioc的专栏 2900

【RTOS】 Vxworks 653 第一章 —— 初识 vx653 3.x

。。不是很重要,自己搜吧鲁棒分区是一种确保共享计算资源中独立运行功能实现​​时空隔离​​的机制,其目标是为集成模块中的混合临界性应用提供与联邦式部署(federated implementation)同等级别的功能隔离保障。具体表现为:​​多关键性共存​​:支持不同安全等级应用(如飞控系统A级与娱乐系统D级)在同一模块中协同运行。​​抗干扰能力​​:防止未授权或意外的时空干扰(如内存越界、时间窗口冲突),确保应用间互不影响。​​。

qq_38183694的博客 1280

JavaScript 内置对象

JavaScript 内置对象 <script> // Math数学对象 不是一个构造函数 ,所以我们不需要new 来调用 而是直接使用里面的属性和方法即可 console.log(Math.PI); // 一个属性 圆周率 console.log(Math.max(1, 99, 3)); // 99 console.log(Math.max(-1, -10)); // -1 console.log(Math.max

qq_51946936的博客 250

实战演练:用wvp-GB28181-pro + ZLMediaKit搭建一个可用的国标视频监控测试环境(附设备模拟器对接)

本文详细介绍了如何使用wvp-GB28181-pro和ZLMediaKit在Ubuntu系统上搭建GB28181视频监控测试环境。从环境准备、组件解析到核心服务部署与设备模拟器对接,提供完整的实战指南,帮助开发者快速构建可验证的监控系统。

weixin_42692935的博客 580

空间节省算法在Rowhammer防御中的应用与优化

空间节省算法(Space-Saving)是一种高效的流式数据处理算法,主要用于在有限内存条件下实时识别数据流中的高频项。其核心原理是通过维护固定大小的计数器表,动态跟踪最活跃的元素,适用于处理无限数据流场景。该算法在内存安全领域具有重要价值,特别是在Rowhammer攻击防御中,能够有效检测异常高频访问的DRAM行地址。通过结合计数器衰减策略(如DSAC)和混合架构设计,空间节省算法可以在保证低硬件开销的同时,提供高精度的攻击检测能力。这些技术已成功应用于现代DDR5内存控制器,展现出优异的工程实践价值。

weixin_31139479的博客 606

前端学习(640):typeof检测数据类型

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>Document&l...

歌谣的博客 327

【深度学习时间序列预测案例】零基础入门经典深度学习时间序列预测项目实战(附代码+数据集+原理介绍)

本专栏整理了《深度学习时间序列预测案例》,内包含了各种不同的基于深度学习模型的时间序列预测方法,例如LSTM、GRU、CNN(一维卷积、二维卷积)、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型,包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集。

优快云 精品推荐 4万+

JavaScript数据类型 —— 基础语法(2)

JavaScript基础语法(2) 数据类型 js中有六种数据类型,包括五种基本数据类型(Number,String,Boolean,Undefined,Null),和一种复杂数据类型(Object)。在JS中,原始类型有6中: 一、数字类型Number (1)、整数:   可以是正数、0、负数,也可以是10进制、8进制、16进制等不同进制幂数的表示。   八进制是0开头的,后面的每个...

xxzh_pengpeng的博客 273

【TIDB】TiDB认证考试PTCA 练习题 题库

TiDB认证考试PTCA 练习题 题库

DBA之路的博客 4721

Trae中配置和使用MCP 服务保姆级教程

您好,我是程序员夏叶,深度AI编程使用者,专注于分享AI编程方面的使用技巧和经验,有兴趣的可以关注我的公众号,一起学习,共同进步。从21号开始,Trae开始陆陆续续的灰度推送了一次新版本,有的用户是21号收到的更新,有的用户是22号收到的更新,本次更新我愿称之为王炸级更新,具体更新内容可以去看我的上一篇文章。本次更新其中的一个内容就是支持了MCP 服务,那么什么是MCP呢,它的全称是。

cpp加油站的专栏 8211

JavaScript学习笔记:2.基础语法与数据类型

上一篇笔记我们聊了JavaScript的入门常识,这一篇就来深挖它的"内功心法"——基础语法与数据类型。作为一门让无数开发者又爱又恨的语言,JS的基础看似简单,实则藏着不少"陷阱"和"彩蛋"。今天就用接地气的方式,带你吃透这些核心知识点,从此写代码少踩坑、多优雅~

Amon的专栏 1096

将Keil中的变量数组导出

首先,写好导出数据的函数。

小柚子的博客 1952

JavaScript_2 基本语法:五大基本数据类型,语法基础

b站 黑马pink老师的课程

jtwqwq的博客 257

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。

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")

JavaScript学习 基础语法 数据类型 2022-2-16

一、什么是JavaScript 1.1 概述 JavaScript是一门世界上最流行的脚本语言 ECMAScript它可以理解为是JavaScript的一个标准 二、引入JavaScript JS可以写在head里面也可以写在body里面 1、内部标签 <script> //..... </script> 2、外部引入 文件abc.js test.html <script type="text/javascript"></script> 3、弹窗的

m0_56661579的博客 493

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

JavaScript基础语法2——变量和数据类型(数据类型的 种类+判断+转换)

1. 变量(重点) 变量指的是在程序中保存数据的一个容器 变量是计算机内存中存储数据的标识符,根据变量名称可以获取到内存中存储的数据 也就是说,我们向内存中存储了一个数据,然后要给这个数据起一个名字,为了使我们以后再次找到它 语法:var 变量名 = 值 1. 定义变量及赋值 // 定义一个变量 var num; // 给一个变量赋值 num = 100; // 定义一个变量的同时给其赋值 var num2 = 200 注意 一根变量名只能存储一个值 当再次给一个变量赋值的时候,前

Concentrateon的博客 435

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

白骑士的JavaScript教学语法基础篇之变量与数据类型 2.1.2 原始数据类型

在JavaScript中,原始数据类型(Primitive Types)是最基本的数据单位,它们直接存储值而不是引用。与复杂的对象类型相比,原始数据类型的操作更为简单直接。在本节中,我们将深入探讨JavaScript中的七种原始数据类型:‘String‘、‘Number‘、‘Boolean‘、‘Null‘、‘Undefined‘、‘Symbol‘和‘BigInt‘,并解释它们各自的特点和用法。

JeremyTC的博客 1024

JavaScript学习2:变量、数据类型、运算符、分支、循环_分支循环在javascript语法基础里的位置

变量是用于存放数据的容器本质:变量是程序在内存中申请的一块用来存放数据的空间与其他编程语言不一样的地方!!!!JavaScript的变量数据类型在执行该行代码时根据具体的赋值来确定的(和java中的 int age 就确定是整型不同)。变量的数据类型是可变的**(动态的)**简单数据类型(Number、String、Boolean、Undefined、Null)复杂数据类型(Object)

2401_89734062的博客 567

【知识整理】javascript基础语法总结(2)——数据类型转换和运算符

一.数据类型转换:(js是弱类型编程语言);    1.声明变量时,不用考虑变量中将要存储的数据类型;    2. 赋值时,由系统自动动态判断数据的类型;(注:因为是动态判断同一个变量,先后可保存不同类型的数据。)    3. 运算时,js会根据自己的需要,动态转换数据类型。 二.数据类型转换分类:    1.隐式转换:无需程序员干预,而由系统自动完成的转换;      算数运算中的隐

qq_19891827的博客 630

JavaScript学习2:变量、数据类型、运算符、分支、循环_分支循环在javascript语法基础里的位置(2)

与其他编程语言不一样的地方!!!!JavaScript的变量数据类型在执行该行代码时根据具体的赋值来确定的(和java中的 int age 就确定是整型不同)。变量的数据类型是可变的**(动态的)**简单数据类型(Number、String、Boolean、Undefined、Null)复杂数据类型(Object)

2401_84446513的博客 423

JavaScript快速入门基础知识

JavaScript(简称JS)是一种轻量级、解释型、弱类型的脚本语言,主要用于实现网页的动态交互效果,是前端开发三大核心技术(HTML负责结构、CSS负责样式、JS负责行为)之一。JS不仅能运行在浏览器端实现前端交互,还能通过Node.js运行在服务器端,实现接口开发、文件操作、数据库连接等后端功能,真正做到一次编写,多平台运行。核心功能网页动态效果:轮播图、下拉菜单、页面滚动动画、弹窗提示等;表单验证:注册/登录时校验账号格式、密码强度、手机号合法性等;

2301_80150018的博客 754

JavaScript零基础2小时快速入门:从核心语法到DOM交互实战

JavaScript作为Web前端开发的核心语言,是实现网页动态交互与逻辑处理的基础技术。其工作原理基于在浏览器环境中解释执行,通过操作文档对象模型(DOM)来动态修改网页内容与样式,从而实现丰富的用户交互体验。掌握JavaScript对于构建现代响应式网站、开发单页应用(SPA)以及学习主流前端框架(如Vue、React)具有重要技术价值。本教程聚焦于零基础学习者,通过精心设计的“2小时快速入门”路径,系统讲解变量、函数、条件判断等核心语法,并结合DOM操作、事件处理等实战案例,帮助初学者快速上手编写可运

weixin_30460489的博客 286

JavaScript基础快速入门:2小时从核心语法到交互实战

JavaScript是前端开发的核心编程语言,它让页面从静态展示变为动态交互。其基本原理围绕变量、函数、数组对象、DOM操作与事件处理展开,配合现代ES6+语法与异步请求能力,开发者可以构建从简单表单到完整单页应用的各种功能。掌握JavaScript基础并非背诵API,而是建立“能写出可交互页面”的工程实践能力。在技术价值上,无论是网页动效、数据加载,还是待办清单这类常见应用场景,都需要借助JavaScript逻辑与浏览器调试工具完成。对于零基础或从HTML/CSS过渡到编程的新手,一套高效的快速入门教程能

weixin_32479897的博客 361

Java学习——JavaWeb基础(三)(JavaScript的基本语法、数据类型、变量、函数、JS的内置对象)

一、JavaScript 1.1 JavaScript的介绍 1.概念:一门客户端脚本语言 (1)运行在客户端的浏览器中,每一个浏览器都有自己的JavaScript的解析引擎 (2)脚本语言:不需要编译,直接就可以被浏览器解析执行。 2.JavaScript的功能: 用来增强用户和html页面的交互过程,可以控制html元素,让页面有一些动态效果。 JavaScript与CSS、HTML的关系: ...

GXlbj23的博客 386

JavaScript 程序语言--基础语法及使用

实验名称 JavaScript 程序语言--基础语法及使用 实验时间 实验地点 实验类别 验证性实验□ 操作性实验□ 设计性实验□ 综合性实验□ 实验目的和要求 了解 JavaScript 程序语言的特点,掌握 JavaScript 编码调试即应用浏览器 开发者工具进行调试代码; 熟悉 ...

weixin_50648332的博客 329
上一篇: JavaScript基础语法1-变量
下一篇: JavaScript基础语法3-数据类型强制转换
BUG_devil
博客等级 码龄5年 45粉丝 29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