数学运算类和包装类

基于轻量级神经网络MobileNet V2的水果识别种类算法研究 本文阐述了一种基于轻量级卷积神经网络MobileNet V2的水果分类与识别算法研究。为了最大限度地促进机械收获,需要一个检测系统,它可以让我们识别不同类别的水果。一个相对未开发的想法是使用深度学习和人工智能算法,不仅可以检测水果的种类,还可以检测水果是否成熟。这可以证明是有利可图的,因为它可以提供作物生长状况以及成熟和未成熟果实的个体数量,以及决定是否是收获时间的有用信息。第一步对数据进行了预处理,数据预处理技术在众多的深度学习计算中起到了重要作用。 阅读详情

@(笔记)[面向对象|MarkDown|我的博客|每日一类]

07.16

数学运算类和包装类

Math类

Math类中所有的属性和方法都是静态的,也就是说全露都可以可用Math.属性和Math.方法名调用属性和方法.
- 属性
- static double E:比任何值都接近e的double值
- static double PI:比任何值都接近pi的double值

  • 几个常用的方法
    • ceil(double a) :返回大于等于这个参数的整数
      • Math.ceil(-12.1)返回-12 ; Math.ceil(12.8)返回13;
    • floor(double a):返回小于等于参数的整数;
      • Math.floor(-12.1)返回-13;Math.floor(12.9)返回12;
    • rint(double a):返回接近参数并等于某一整数的double值
      • Math.floor(-12.1)返回-12;Math.floor(12.9)返回13;
    • random():返回 [0,1) 之间的double值;

随机数

获得随机数的3种方法

  1. 通过System.currentTimeMillis()获取当前时间毫秒数的long型数字作为随机数
  2. 使用Math.random()
  3. 通过 Random类产生一个随机数
    • Random r = new Random()
      • 默认使用当前时间System.currentTimeMillis()作为生成器的种子,每次产生的随机数都不同
    • Random r1 = new Random(10)
      • 使用固定的种子,每次生成的随机数都相同

包装类

为了贯彻执行 一切皆是对象 的指导方针,对于不是对象的8种基本类型,我们也要想办法给他们找对象,所以包装类这个媒婆就出现了.

基本数据类型包装类
booleanBoolean
byteByte
charCharacter
shortShort
intInteger
longLong
floatFloat
doubleDouble

值得注意的是:
- 所有包装类都是final类型,不能创建子类;
- 包装类是不可变的,一旦创建了一个包装类对象,那么它包含的基本类型数据就不能改变

基本数据类型,包装类和String类之间的转换

基本 转 包装
1. 自动装箱;
Integer in = 10;
2. 调用包装类的带参构造方法;
Integer in = new Integer(10);
3. 调用包装内的静态方法 valueOf(int i)
int a = Integer.valueOf(10);

包装 转 基本
1. 自动拆包;
Integer in = 10;
int a = in;
2. 调用包装类对象的 xxxValue() 方法;
Integer in = 10;
int a = in.intValue();

基本类型 转 String

int a = 10;
String str = "" ;
  1. 用 “+”;
    str = str + a;
  2. 用包装类的工具类转换成对象,然后用对应包装类的 toString(变量)转;
    new Integer(a).toString();
    或者
    Integer.toString(a);

String 转 基本类型

String s = "12345";
int a = Integer.parseInt(s);

String 转 包装类

1.调用包装类的带参构造

String str = "200"; 
Integer in  = new Integer(str);

2.调用包装类的valueOf()方法
Integer in = Integer.valueOf(str);

包装类 转 String

Integer in = new Integer(10);
String s = "";

s = in.toString();

如何在Ubuntu 22.04上为AlphaFold3配置NVIDIA A100 GPU(含驱动安装避坑指南) 本文提供了在Ubuntu 22.04系统上为AlphaFold3部署NVIDIA A100 GPU的完整安装教程。内容涵盖从系统环境准备、NVIDIA驱动安装与避坑指南,到Docker容器化部署、数据库获取以及最终构建运行AlphaFold3的详细步骤,旨在帮助研究者和开发者高效配置高性能计算环境,充分发挥A100的硬件潜力。 阅读详情

相关推荐

智算中心建设全流程指南:从规划到落地

智算中心的建设是一个复杂而系统的过程,涉及选址、立项、办理相关手续、设计、土建、机电安装、调试、验收等多个环节。每个环节都需要充分考虑各种因素,并注意相关的事项,以确保智算中心的顺利建设和高效运行

数据中心全生命周期价值管理 3397

java常用的基本类(三):基本包装类型及大数据运算

1.基本包装类型(以Integer为例) 常用方法 1.构造方法 传入int,传入字符串(数字形式) 2.静态方法 将字符串解析成基本类型 parseXXX(String s)---将字符串解析成不同基本类型的值 valueOf(String)---将字符串转化为对应的包装类型 3.基本方法 XXXValue() ----返回表示的该基本类型的值 toString(基本类型)--...

weixin_44821905的博客 452

Android 集成 Google 与 Facebook 第三方登录实战详解(2024版)

本文详细介绍了2024年Android应用集成Google与Facebook第三方登录的完整实战指南。通过分步教程和代码示例,帮助开发者快速实现一键登录功能,提升用户体验和注册转化率,同时涵盖隐私合规和常见错误处理的最佳实践。

blue的专栏 822

Java:包装类

1:八种基本类型对应的包装类 2:装箱与拆箱 装箱:将基本数据类型变为包装类对象,利用每一个包装类提供的构造方法实现装箱处理。 Integer num = new Integer(55) ; // 装箱 拆箱:将包装类中包装的基本数据类型取出。利用Number类中提供的六种方法。 boolean、char类型分别通过Boolean类中的booleanValue、Character类中的charValue方法拆箱 int data = num.intValue() ; // 拆箱 Numb

m0_51755061的博客 543

Claude Code+Cursor+Claude 4三剑合璧!5步搞定Magentic-UI的OAuth2.0集成,开发效率飙升500%,新手秒变全栈工程师

本文详细介绍了如何利用Claude Code、Cursor和Claude 4三款AI工具高效集成Magentic-UI的OAuth2.0认证系统。通过5个步骤的实战演练,开发者可快速完成从环境搭建、项目分析、代码生成到前端集成的全过程,显著提升开发效率。文章还提供了JWT令牌管理、安全配置及常见问题解决方案。

weixin_29234509的博客 453

撸毛笔记-朴朴超市 v1.01

朴朴超市 v1.01脚本地址:自动签到和组队赚朴分, 朴分可以抵扣50%的金额组队瓜分需要4人成团, 每个号每天只能开团和入队各一次每天跑一两次即可使用扫码或自己想办法捉refreshToken扫码获取token: (先微信进入朴朴超市小程序并登录注册过账号再扫码)把获取的refreshToken和备注(非必须)填到文件pupuCookie.txt里(第一次运行会自动创建), 多账号换行或&或@隔开。

xiaoshun007的专栏 1810

java中的包装类

里面维护的基本数据类型的变量value,也是final修饰的,不能更改,即一旦创建对象,其内容就不能修改。通过这六个方法,数值类型的包装类可以互相转换这六种数值,但是需要注意的是当大范围的数值转换为小范围的数值时,可能会溢出或损失精度。数值类型的包装类都继承自Number类,Number类是抽象类,要求它的子类必须实现如下六个方法。方式一:直接拼接空字符串。将一个char类型的基本数据类型值包装为Character类型的对象通常有两种方式。包装类是引用数据类型,数值类型的包装类创建对象的方式通常有两种。

冲出仁川,走出马德里,故事还会再继续 1467

【使用FPGA实现MIPI DSI接口】——如何使用FPGA实现MIPI DSI接口?这是一个让许多开发者都感到困扰的问题。本文将介绍如何使用FPGA设计和实现...

【使用FPGA实现MIPI DSI接口】——如何使用FPGA实现MIPI DSI接口?MIPI DSI(移动产业处理器接口 - 显示串行接口)是一种用于在移动设备中传输视频数据的标准接口,它是目前大部分智能手机和平板电脑所采用的显示接口。首先,我们需要实现MIPI DSI的物理层接口。在实现MIPI DSI接口后,我们还需要编写驱动程序来控制MIPI DSI显示屏显示图像。这里只是提供了MIPI DSI接口的物理层代码示例,完整的MIPI DSI接口实现需要包括控制器和驱动程序等更多内容。

uote_e的博客 1998

Java的包装类(重点:Integer类的装箱和拆箱)

目录 1. Java的8种基本数据类型,以及对应包装类型 2. 什么是装箱和拆箱 2.1 装箱和拆箱 2.2 自动装箱和自动拆箱 3. 包装类Integer使用比较运算符== 和 equals()方法时的注意事项 3.1 两个包装类Integer进行 == 运算 3.2两个包装类Integer进行 equals() 运算 3.2基本类型和包装类进行 == 运算 4. 其他包装类使用equals()方法时的注意事项 之前在做Java语法汇总时,提到过Java包装类。 这里单独起一篇文..

sulia1234567890的博客 1238

排队论 | 排队论建模方法

排队论 | 排队论建模方法

算法如诗的博客 353

【OpenFOAM】-olaFlow-算例10-wavemakerTank

采用 Flap和Piston两种方式的动网格进行造波

ou_no的博客 2167

java integer == 效率_Java中包装类与基本类型运算的性能比较(Integer i += 1)

本文主要从字节码和内存占用的角度介绍自动拆箱装箱对运算中性能的影响。如果要看懂字节码,需要了解JVM的虚拟机栈的结构和代码的执行流程,可参阅《深入理解Java虚拟机》本文部分参考了如下文章的内容:最近在做华为2020年的软件挑战赛,其中经常会用List来保存Integer类的数值,在做性能优化的时候想到了装箱/拆箱的性能损失,特意实验了一下。以下代码从0开始一直加到int类型所能表达的最大值。lo...

weixin_35126200的博客 479

Android11.0(R) MTK 平台开机logo动态替换(by logo.bin方式)

实现的效果 客户提供一张格式为 bmp 的开机logo,在 linux 环境下执行制作 logo.bin 脚本文件, apk 拷贝 logo.bin 文件替换系统原有的bin,然后重启 logo 自动更新。 原理分析 MTK 平台的充电图片和开机logo都是打包到 logo.bin 中的 对应的资源路径在源码 vendor\mediatek\proprietary\bootable\bootloader\lk\dev\logo 系统一般预制了很多分辨率文件夹,实际通过 BOOT_LOGO 来确定打包那一个

cczhengv 4585

包装类 & Math类

文章目录包装类 & Math类Java Math 类Number & Math 类方法 包装类 & Math类 为了符合Java是一门完全面向对象的语言,java为8大基本数据类型都提供了对应的包装类,我们通常使用的基本数据类型 例如:如:byte、int、long、double 等可以被称为原始数据类型。 然而,在实际开发过程中,我们经常会遇到需要使用对象,而不是内置数据类型的情形。为了解决这个问题,Java 语言为每一个原始数据类型提供了对应的包装类。 所有的包装类**(Inte

xiaohuyousdf的博客 213

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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")

编程语言Java入门——基础知识篇(四)包装类、数字处理类

本文详细介绍了Java中的包装类、数字处理类和格式化工具。主要内容包括:1. 八大基本数据类型的包装类(Byte、Short、Integer等)的作用、常用方法和缓存机制;2. Number类及其子类的基本用法;3. Math、BigInteger、BigDecimal等数学运算工具类的使用;4. Random随机数生成器的应用;5. NumberFormat、DecimalFormat等数字格式化工具的使用方法。文章通过大量代码示例展示了这些类的具体应用场景和使用技巧,并提醒读者注意包装类的缓存范围等特殊

言不信者行不果,行不敏者言多滞. 1723

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Java中的包装类

1、包装类Wrapped Class: Number类 Integer Byte Short Long Float Double Boolean类 Character类 abstract. Number类的6个方法 byte byteValue(); abstract double doubleValue(); abstract float floatValue(); abstract int intValue(); abst..

weixin_41712457的博客 143

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

System类、包装类、Math类、Random、Arrays工具类

目录: 1.System类 2.包装类 3.Math类 4.Random类 1.System类 (1)常用方法: 1.public static long currentTimeMillis():返回以毫秒为单位的当前时间(其实就是获取当前时间离基准时间的毫秒数)。 2.public static void arraycopy(Object src, int srcPos, Object...

记录博主学到的点滴 362

包装类

Java API API 通常是指常用类及其方法 Java API 提供的常用包有以下几种: (1)java.lang :编写Java程序时最广泛使用的包,自动导入到所有的程序中 (2)java.util :包含系统辅助类,如Collection、List和Map等集合 (3)java.io :包含输入与输出有关的类 (4)java.net :包含了与网络有关的类 (5)java.sql :包含了与数据库相关的类 枚举 枚举是指由一组固定的常量组成的类型,使用 enum 关键字定义枚举类型 枚举示例 //

绿萝蔓蔓绕枝生 177

【Java基础系列教程】第十四章 Java 包装类、日期与日期格式化类、数值格式化等常用类详解

一、包装类 二、System 系统类 三、Runtime 运行时环境类 四、Math 数学运算类 五、Date 日期类 六、SimpleDateFormat日期格式化类 七、Calendar 日历类 八、Properties 类 九、DecimalFormat 类 十、BigInteger 与 BigDecimal 类 十一、面试题

波哩个波的博客 984

Java基础篇--Number(包装)& Math (数学运算)类

Java中的Number类是一个抽象类,它是所有包装类(如Integer、Double、Long等)的父类。这个类提供了将基本数据类型(如int、double、long等)封装为对象,并在对象中进行数字值的操作。在Java中,将基本数据类型转换为其对应的包装类对象的过程称为装箱(Boxing),而将包装类对象转换为基本数据类型的过程称为拆箱(Unboxing)。类的这些方法,可以执行基本的数学运算,例如绝对值计算、取最大/最小值、四舍五入、三角函数计算以及指数和对数运算等。它作为其他具体数值包装类(如。

m0_74293254的博客 1243

JAVA学习笔记Ⅸ——JAVA中的包装类

包装类 int、float、double、boolean、char 等。基本数据类型是不具备对象的特性的,比如基本类型不能调用方法、功能简单。为了让基本数据类型也具备对象的特性, Java 为每个基本数据类型都提供了一个包装类,这样我们就可以像操作对象那样来操作基本数据类型。 基本数据类型 对应包装类型 byte Byte short Short int Integer long Long float Float double Double char Characte

DeepHao'Blog 433

java.lang包,包装类,Math类,Object类,Class类,字符串操作(String,StringBuffer)

java.lang包: java.lang包是一个java内置的一个基础包,其中包含了一系列程序中要用到的类 在默认情况下,每个java程序都会自动导入该包,因此无须再程序中显式的声明 包装类: java提供一系列包装类,以便将原始数据类型当作对象进行操作 在java.lang包中,对于每个原始数据类型都有一个相应的包装类 原始数据类型和包装类对照表: 原始数据类型---------------------包装类 boolean(布尔型)Boolean byte(字节型) Byte ch

weixin_44752188的博客 328

java语言中包装类,java语言的枚举、包装类和Math类

枚举枚举指由一组固定的常量组成的类型,可以认为是类的变种使用enum关键字定义;Modifier是访问修饰符;枚举常量之间用逗号分隔;枚举常量列表以分号结尾。里面的直接写的值都是该类的公共静态常量,可以用类型.值的方式调用,可以和普通类一样定义属性和方法。valueOf方法常用来将该类的枚举类型与字符串类型比较枚举的好处:类型安全、易于输入、代码清晰包装类包装类:对应每个基本数据类型,都有一个包装...

weixin_29091445的博客 169

Java API(Math类和Random类 包装类 Date类、Calendar类和DateFormat类)

Math类 Random类 包装类 Date类 Calendar类 DateFormat类 SimpleDateFormat类

yPassion的博客 719

【Java从入门到精通】Java Number & Math 类

等。

RL2698853114的博客 1019

20200730实用类介绍(枚举类型,包装类,Math类)

实用类介绍(枚举类型,包装类,Math类)一.枚举类型(Enum)1.定义2.定义枚举语法格式3.好处二.包装类1.定义2.作用3.包装类和基本数据类型的转换三.Math类 一.枚举类型(Enum) 1.定义 由一组固定的常量组成的类型,使用关键字enum定义 2.定义枚举语法格式 [Modifier]enum enumName{ enumContantName1[,enumContantName2[;]] //[field,method] } 枚举常量之间以逗号隔开,如果除了枚举常量还定义了其他成员,则枚

May_J_Oldhu的博客 475
上一篇: 每日一类之String类
下一篇: 面向对象之封装
dong4go
博客等级 码龄12年 5粉丝 28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