java基础2(变量)

天堂2单机版 JAVA及ant环境变量设置 Java环境变量一键配置工具 阅读详情

1.基本类型变量

1.1.变量一定是要求先声明、再赋值、再使用

int a;//声明变量
a = 1;//给变量赋值
System.out.println(a);//使用变量的值

int b = 1;//声明变量的同时就进行赋值
System.out.println(b);//使用变量的值

int c,d = 1; //同时声明 c,d变量,并且值为1

1.2.赋值注意事项

java是强类型编程语言,要求数据的类型和变量的类型保持一致,才能使用 = 号进行赋值,就是把=号右边的数据,赋值给=号左边的变量。

例如,long a = 1L;

如果=号右边的数据,和=号左边的变量类型不一致,那么只能做类型转换,把数据的类型转为变量的类型,然后才能完成=号赋值操作。

只是类型转换的过程,分为手动转换和自动转换:

1.2.1 手动转换

int a = 1;
byte b = (byte)a;

1.2.2 自动转换

int a = 1;
long b = a;

2.引用类型变量

使用八种基本类型中的任意一种类型,声明出的变量,就是基本类型变量,例如 int a;

除了基本类型变量以外的变量都是引用类型变量,例如 Student stu;

简单说。因为我们写代码的时候,都是从类开始的。我们写的每一个类,其实都是一种类型,这种类型我们就称之为引用类型.当然JDK提供的一个类就是一种引用类型。例如:String

基本类型变量和引用类型变量的区别:

  • 基本类型变量只能接收基本类型数据,它是一种比较简单的数据,没有属性,也没有方法

  • 引用类型变量只能接收引用类型数据(也就是对象),但对象是一种比较复杂的数据,它里面可以有很多属性,也可以有很多方法

    引用类型变量,简称为引用,它可以用来接收对象,也叫做引用指向对象。

例如:

//a中没有任何属性和方法,它在这只是表示了一个很简单的数据1
int a = 1;

//stu接收了一个对象,它里面有属性和方法
Student stu = new Student(1L,"tom",20);
//使用stu可以访问属性并赋值
stu.msg = "hello world";
//使用stu可以调用方法
stu.show();

可以看出:
基本类型变量只能接收基本类型数据,只能表示最简单数字(8/16/32/64位)
引用类型变量只能接收引用类型数据(对象),可以访问属性、调用方法,完成比复杂的功能

基本类型变量和引用类型的变量核心区别:是否可以指向对象

SAP 关于WPS上传文件提示“文档中不包含数据“ 和“程序正在运行中“处理办法 最近这一周经常有用户反馈,使用WPS上传文件系统报错,一直提示“程序正在运行中”,另外在导入数据的时候提示"文档中不包含数据",跟进运维过程中遇到的这两种情况,分享一下处理的办法,如果各位更好的办法也可以给我留言分享。 阅读详情

相关推荐

AIDC供电系统与算电协同

AIDC供电系统的技术革新为算电协同提供了基础保障,而算电协同则是解决AIDC高能耗问题、推动数字经济可持续发展的关键路径

数据中心全生命周期价值管理 2564

java环境变量 axis2环境变量

我的电脑->属性->高级->环境变量->在系统环境变量中添加axis2环境变量Path E:/axis2-1.3/bin;AXIS2_HOME E:/axis2-1.3AXIS_LIB  %AXIS2_HOME%/libjava环境变量JAVA_HOME C:/Program Files/Java/jdk1.5.0_02CLASSPATH .;%JAVA_HOME%/l

1741

SpringBoot 自定义注解来实现动态切换数据源

/ 初始化数据源@Override@Inherited@Pointcut(“@annotation(包名.aop.DataSource)”) public void@Pointcut 注解定义了一个切点,名称为 dynamicDataSource。@annotation(包名.aop.DataSource) 表示这个切点匹配所有带有 @DataSource 注解的方法。

晴天飛 雪的博客 1836

CXF-wsdl2Java系统变量配置

MacOS CXF-wsdl2Java系统变量配置 wsdl2java位于cxf文件的bin目录下。 打开终端,输入命令:vim ~/.bash_profile,写入以下内容 保存退出,执行source ~/.bash_profile即可。

ZJJYk的博客 240

JS自动化生成大疆WPML航线文件实战(附完整代码与云台控制解析)

本文详细介绍了如何利用JavaScript自动化生成大疆WPML航线文件,以解决手动规划航线效率低、易出错的问题。通过解析WPML文件结构,特别是云台控制等核心参数,并封装可复用的JS模板函数,开发者能够快速批量生成复杂航线,如倾斜摄影五向飞行,实现航测与巡检任务的标准化与高效执行。

weixin_29007243的博客 297

分享一下如何使用labelimg制作自己的YOLO数据集

首先准备一下自己的下准备一个空文件夹用于保存标签文件,如下图所示。

skywalkerxhx的博客 830

2.Java变量

文章目录一. 变量的定义二. 变量的特点。三. 变量的使用四. 变量的分类五. 变量的作用域六. Java表达式 一. 变量的定义 表示存储空间。可用于存放一类型的常量,没有固定值,可以重复使用, 也可以用来存储某种类型的未知数据。 二. 变量的特点。 ①占据着内存中的某一块存储区域。 ②该区域有自己的名称(变量名)和类型(变量类型)。 ③可以重复使用。 ④该区域的数据可以在同一类型范围不断变化...

自我学习总结 420

基于NXP i.MX RT1180的无传感器FOC电机驱动实战指南

磁场定向控制(FOC)是一种先进的电机控制技术,它通过精密的数学变换,将三相交流电机的控制解耦为独立的转矩和磁场分量,从而实现高效、平稳、低噪音的驱动。其核心原理在于利用Park/Clark变换,在旋转坐标系下对电流进行线性控制。这项技术的价值在于显著提升了永磁同步电机(PMSM)的效率与动态性能,广泛应用于机器人、无人机和工业自动化等高精度场景。本文聚焦于利用NXP i.MX RT1180跨界处理器及其MCUXpresso SDK,快速实现一套完整的无传感器FOC解决方案。通过解析硬件平台选型、软件架构,

weixin_33925615的博客 302

lession2_2 java 变量数据类型

lession2_2 java 变量数据类型 lession2

weixin_43952174的博客 186

农经权二轮延包—地块示意图生成

本文介绍了地块示意图制作软件的使用方法及模板制作要点。软件通过设置六个参数(示意图模板、属性数据、地块DBF、导航图、地块图片及存放位置)自动生成Word文档,并可导出PDF。文章详细说明了5页Word模板的制作过程,包括页脚三栏设置和页码插入技巧,支持每户最多28个地块的情况。同时指出该软件生成的图片分辨率(300dpi)满足清晰度要求,并提及软件免费提供插件但收费提供后续服务。

weixin_47364423的博客 1108

javafx结合Scene Builder自定义fxml实现漂亮的登录界面、自定义最小化、关闭按钮

本节主要介绍了如何结合Scene Builder工具来制作一个好看又漂亮的登录界面,以及介绍了如何在程序中调用生成界面文件fxml文件,如何获取到fxml文件中的组件等,并演示登录、最小化和关闭等功能。

c1007857613的专栏 5220

Java语法基础2 Java变量

变量命名规则 字下美人数骆驼 1.变量必须以字母,下画线“—”或“¥”符号开头。 2.变量可以包括数字,但不能以数字开头。 3.除了“—”或“$”符号以外,变量名不能包含任何特殊字符。 4.不能使用Java语言的关键字,比如int、class、public等。 变量的访问 1.未经声明的变量不能使用。 例如: public static void main(String[]args){ a...

weixin_45729175的博客 187

【花雕学编程】Arduino FOC 之AS5048A磁编码器模块

您的硬件平台、使用场景和Arduino版本可能影响使用方法的选择。在Arduino平台上实现FOC可以提供平滑的运行和高度的扭矩、速度和位置控制,它通过精确控制电机的电流和电压来实现高效率、高精度和低噪声的操作。5、创新:Arduino可以让你用电子的方式来表达你的创意和想象,你可以用Arduino来制作各种有趣和有用的项目,如机器人、智能家居、艺术装置等。1、高性能电机控制:FOC是一种高级的电机控制算法,可以精准控制PMSM(永磁同步电机)和BLDC(无刷直流)电机,实现平滑的转速和扭矩输出。

雕爷学编程 1496

cxf wsdl2java环境变量设置与使用

在环境变量中进行如下操作: 方式一: 在CLASSPATH中添加 D:\apache-cxf-2.5.2\lib 新建CXF_HOME D:\apache-cxf-2.5.2 在PATH中添加 D:\apache-cxf-2.5.2\bin 方式二: 在cmd命令中使用set来设置环境变量, 如apache-cxf-2.7.6在F盘,可设置为:set pa

心疼笔记本 1万+

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")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

如何设置Java 2(JDK1.2)的环境变量?

google_ad_client = "pub-8800625213955058";/* 336x280, 创建于 07-11-21 */google_ad_slot = "0989131976";google_ad_width = 336;google_ad_height = 280;//<script type="text/java

java专栏 235

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

java变量2

下面是一个变量声明的例子: class MyJavaClass { public static void main(String[] args) { String name ="Lu"; int age = 26; double score = 18.9; char group = 'B'; } } char是字符类型,用来定义一个字符。 还有一种类型是布尔类型,它只有两个取值:true和false,这种类型只作为一种标志来记录 true/false 情况..

心猿问道的博客 175

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【Java基础03】Java变量2

本文介绍了Java中的基本数据类型和引用数据类型。基本数据类型包括整数(byte,short,int,long)、浮点数(float,double)、字符(char)和布尔(boolean),详细说明了各类型的内存占用和取值范围。引用数据类型包括类、接口、数组等,重点讲解了数组的定义、静态初始化(直接指定元素)、动态初始化(指定长度)以及元素访问和遍历方法。文章还对比了Java引用与C/C++指针的区别,强调Java数组是引用类型,通过地址访问存储在堆中的数据。最后总结了数组两种初始化方式的区别:静态初始化

青山的青衫的博客 964

组件化攻略-R2.java的今生前世和静态变量

ButterKnife已经成为众多开发者的选择。简直不要太好用。 其优势 1、强大的Resource绑定和Method事件处理功能,简化代码,提升开发效率 2、方便的处理Adapter里的ViewHolder绑定问题 3、运行时不会影响APP效率,使用配置方便 4、代码清晰,可读性强 截止 2019年9月6日。ButterKnife Version 10.1.0 (2019-02-13),已...

王学明 579

demo2 JAVA变量

JAVA变量意义的剖析: 1. 变量是什么,因为本人学过C语言,语言的很多东西都是共同的,例如 int  num = 10; 例如我拿这个int num = 10;来说 他会在内存的某一个位置开辟一个4字节的内存空间, 问题来了开辟空间我们要去使用这块内存空间??  使用方式  1-》 num变量名 num就代表这四个字节的内存空间 对num操作就是对这块内存块操作  2-》 在C

岁月不居 356

【Java基础-2】Java中变量

Java中变量

weixin_39033358的博客 435

java如何读取自定义log4j2,log4j2如何将文件中的属性变量读入log4j2

Background: As usual we have various life cycles like dev. stage, lt, prod all these are picked at deploy time from environment variable ${lifecycle}.So JNDI setting we stores in ${lifecycle}.properti...

weixin_34900419的博客 594

cxf wsdl2java 调用_java webservice cxf wsdl2java环境变量设置与使用

在环境变量中进行如下操作:方式一:在CLASSPATH中添加 D:\apache-cxf-2.5.2\lib新建CXF_HOME D:\apache-cxf-2.5.2在PATH中添加 D:\apache-cxf-2.5.2\bin方式二:在cmd命令中使用set来设置环境变量,如apache-cxf-2.7.6在F盘,可设置为:set path=F:\apache-cxf-2.7.6\bin如果...

weixin_33931886的博客 246

Java基础语法_2.Java的常量与变量

Java的常量与变量一、标识符1.标识符的命名规则二、关键字三、变量1.变量的三个元素2.变量的命名规则3.类的命名规则四、数据类型1.数据类型分为基本数据类型和引用数据类型。2.基本数据类型:3.引用数据类型:4.基本数据类型详解五、字面值1.整型字面值2.变量声明3.赋值4.变量定义六、浮点型字面值1.double表示2.float表示3.转换七、基本数据类型变量的存储1.分类2.存储八、字符型字面值1.表示2.例3.ASCII码4.char的范围:0-65535九、Unicode编码1.由来2.Uni

郝穹的博客 667

java语言中的变量有哪2种_变量类型有哪些-在C语言中的实型变量分为2种类型,它们是()和()-电气资讯 - 电工屋...

计算机常用的变量类型哪些计算机C#中常用变量类型:1.字符串型变量 string2. 整型int 32位,取值范围:-2,147,483,648~2,147,483,6473. 短整型short 16位,取值范围:-32,768~32,7674. 双精度 double 取值:小数点后15-16位5. 单精度型 float 注意赋值加f6. 布尔型 boolen 取值:ture false7. 日期...

weixin_29473667的博客 584

天堂2java环境变量修改办法2

如果启动游戏1.2.3.4时显示“‘javac’不是内部或外部命令,也不是可运行的程序或批处理文件”,则需要修改环境变量。 如能正常启动,则不需要修改。 java环境变量配置 配置JDK环境变量: 1.安装JDK,安装过程中可以自定义安装目录等信息,例如我们选择安装目录为C:\Java\jdk1.7.0_13; 2.安装完成后,右击“我的电脑”,点击“属性”; 3.选择“高级”选项卡,点击“环境变量”; 4.在“系统变量”中,设置3项属性: JAVA_HOME 、 P

dexusky的博客 1789
上一篇: java基础1(注释、标识符、关键字、基本类型)
下一篇: java基础3(变量,操作符,类型转换,循环语句,continue,break)
平平无奇的编码小天才
博客等级 码龄6年 15粉丝 39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