package java基础知识.小结与练习;
/*
什么是函数?
函数就是定义在类中的具有特定功能的一段独立小程序。
函数也称为方法。
函数的格式:
修饰符 返回值类型 函数名(参数类型 形式参数1,参数类型 形式参数2,…)
{
执行语句;
return 返回值;
}
1:修饰符 后面会重点讲。public static
2:返回值类型 这个特定的功能完成后,需要返回一个结果。这个地方就是返回结果的类型。
3:函数名 为了方便使用这个函数,给它起个名字。这个名字要符合标识符命名规则。
4:参数类型 形式参数的数据类型
A:形式参数 自定义的接收方
B:实际参数 发出方
5:执行语句 那么这个语句是由多条语句组成。
6:return 这个功能执行完以后,需要有一个返回值,那么这个值有关键字return带回。
特点:
函数只有被调用后,才执行。
特殊情况:void
两个数相加,直接输出结果,不需要返回整型值。这个时候用关键字void来表示。
void 表示没有返回。
void类型的函数能被输出语句打印吗?不能。
如果有返回类型,我们可以直接通过输出语句在控制台打印。
*/
class FunctionDemo1
{
public static void main(String[] args)
{
/*
int a = 3 + 4;
System.out.println("a="+a);
int b = 5 + 6;
System.out.println("b="+b);
*/
//思考是不是写个功能实现两个数相加
//int a = sum();
//System.out.println("a="+a);
/*
继续想:难道我需要去该函数的代码吗?改成5+6吗,不能
一但一个功能确定后,它内部的代码是不允许改变的。
因为要参与运算的加数和被加数是不确定的,是变化的,
所以我们考虑声明两个变量传递过去。
把sum()进行改写。
*/
int x = 3,y = 4;
int z = sum(x,y);//7
System.out.println("z="+z);
//调用直接输出结果的功能
print(x,y);
System.out.println("sum(x,y)="+sum(x,y));
//System.out.println(print(x,y));
}
//写一个求两个数加法的函数
/*
public static int sum()
{
//int a = 3 + 4;
//return a;
return 3+4;
}
*/
public static int sum(int a,int b)
{
System.out.println("haha");
//int c = a + b;
//return c;
return a + b;
}
//求两个数的和并且把结果直接输出
/*
请问void类型的函数结果能写return吗?
可以,但是没必要。
其实,你没写,jvm会自动给你加上。
*/
public static void print(int a,int b)
{
int c = a + b;
System.out.println("a+b="+c);
//return;
}
}
相关推荐
山景BP10_128DBG开发板ADC_Key驱动
最近在学习山景BP10_128DBG开发板,想使用开发板上的按键。看了看原理图和之前用过的按键好像有点不一样。常见的按键都是判断IO口是否被拉低或拉高来判断按键是否被按下。山景BP10_128DBG开发板上的按键是ADC按键,每个按键按下之后ADC的采样值是不同的,通过ADC采样回来的值进而判断哪个按键按下。这种方式核心思想就是用一个ADC通道来节约IO口,对于IO紧张的芯片是一个不错的解决思路。
c++11 std::function demo函数
c++11 语法
C#实战:5分钟搞定Modbus RTU通讯(基于NModbus4库)
本文详细介绍了如何使用C#和NModbus4库快速实现Modbus RTU通讯,包括环境配置、核心功能实现、性能优化及常见问题排查。通过代码示例和实用技巧,帮助开发者高效完成工业自动化设备的数据采集与控制任务。
php 里的function demo,手把手教你学php递归函数
递归就是一个函数在它的函数体内调用它自身。执行递归函数将反复调用其自身,每调用一次就进入新的一层。递归函数必须有结束条件。 下面跟着小编一起来学习递归吧。递归思想就是,把一个相对复杂的问题(原始问题)转化为一个个与原问题相似的规模较小的问题(子问题)来解决,等一个个小问题解决了,最终的大问题自然就解决了。递归方法只需少量的程序就可描述出解题过程所需要的多次重复计算,大大减少程序的代码量。当然,递归...
433M遥控器无线解码1527协议
433M遥控器无线解码1527协议,定时器轮询法
从MATLAB代码入手:手把手教你复现OTFS调制解调核心模块(附完整函数解析)
本文详细解析了OTFS调制解调技术在MATLAB中的实现方法,包括核心模块如ISFFT变换、海森堡变换及MP检测算法的代码实现。通过完整的函数解析和性能验证框架,帮助通信工程师快速掌握这一前沿技术,提升在高速移动场景下的通信系统设计能力。
Function的使用demo
Function的使用demo 三个方法的区别:apply() andThen() compose() package com.testFunction; import java.util.function.Function; /** * < 类的职责(用处、关注点)、工作原理、相关的业务知识、必要的用法说明> * * @author <gdk> */ public class Test { public static void main(String[]
搭建Dzzoffice 教程
通过以上步骤,您已经成功配置了WEB环境,安装了DzzOffice,并完成了系统设置和应用安装。1.安装包的设置默认是系统盘之外的第二个盘,没有其他盘符的时候则安装在C盘,当主机盘符只有C盘可用的时候,安装时不要使用U盘,否则可能误装到U盘当中。4.如果之前已经安装,再次安装时请确保上次安装已经卸载或者所有文件可读,否则请备份文件,卸载之后再安装。在其他安装环境中,我没有相关的使用经验。3. 保证安装路径是纯净的,安装路径下不能有已安装的V8版本,若重新安装,请选择其它路径。
FunctionDemo
FunctionDemo
别再只会插拔了!深入Linux内核,手把手调试USB热插拔中断(以高通平台为例)
本文深入探讨了Linux内核中USB热插拔中断的调试方法,特别针对高通平台提供了详细的实战指南。从硬件基础到内核机制,再到中断调试工具和常见问题排查,帮助开发者系统性地解决USB设备识别问题。通过监控中断状态、分析处理流程和高级调试技巧,提升USB热插拔的稳定性和性能。
【UVM实战】第七章:UVM中的寄存器模型(1)寄存器模型简介
寄存器模型简介~
Java基础--方法的重载
方法名相同,但是其参数的数据类型不同,或者参数的顺序不同,或者参数的个数不同,即可以构成方法的重载。
解决pd.read_json报错ValueError: Trailing data问题
首先,我们使用open函数打开JSON文件,然后使用json.load函数将JSON文件数据解码为Python对象。在使用Python进行数据处理中,我们经常需要将JSON格式的数据读入到DataFrame中进行处理。而使用pandas库的read_json函数,就可以方便地将JSON数据读入到DataFrame中。但是有时候在读取JSON数据时,会遇到一个非常常见的错误:ValueError: Trailing data。这个错误的解决方案并不难,只需要在read_json中添加一个参数即可。
FunctionDemo2
package java基础知识.小结与练习; /* 函数的重载 在同一个类中,允许存在一个以上的同名函数,只要它们的参数个数或者参数类型不同即可。 简单的记住: 函数名字相同,参数列表不同。 **参数类型 **参数个数 */ class FunctionDemo2 { public static void main(Strin
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。
WINCC7.3破解文件
WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!
151129FunctionDemo
package java151129; public class FunctionDemo { public static void main(String[] args) { int x = getResult(4); System.out.println(x); } /* * * 获取一个数乘以3在加 5 的值 */ public static
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
151129FunctionDemo2
package java151129; /* * 定义一个功能,完成3+4的运算,并将结果返回给调用者1个函数只对应一个功能 */ public class FunctionDemo2 { public static void main(String[] args) { int sum=getSum(4, 6); System.out.println(sum);
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Day2FunctionDemo
package java151118; /* * 了解函数并切掌握函数的定义等 */ public class FunctionDemo { public static void main(String[] args) { int x=4; System.out.println(); } }
Day3之FunctionDemo2
package java151119; public class FunctionDemo2 { public static void main(String[] args) { } /* * 如何定义一个函数? * 1,函数是一个独立的功能,那么该功能的运算结果是什么必须明确? * * 2,是否需要未知的内容参与运算? * */ }
React中如何定义表单对象并使用
【代码】React中如何定义表单对象并使用。
自定义EL函数:小写转大写
1,定义java静态方法,FunctionDemo,有小写转大写的功能 package com.itheima.domain; public class FunctionDemo { public static String toUpperCase(String string){ return string.toUpperCase(); } } 2...
python极简笔记——模块导入import
#从 functionDemo 模块导入 anyNumKeyPram 方法,别名为f from functionDemo import anyNumKeyPram as f #通过别名调用 anyNumKeyPram 方法 f(name='xyp', age='17')
构造函数--1.创建
function Demo(name,age){ this.name = name this.age = age this.sing = function(){ console.log(this.name + "唱歌") } } let lx = new Demo('张三',10) lx.sing() 转载于:https://www.cnblogs.com...
前端报错的时候提示必须为表达式
代码】前端报错的时候提示必须为表达式。
方法引用的学习
假设流里的数据都是字符串,把么使用这种方法进行方法引用,只能引用String这个类中的方法。第二个参数到最后一个参数:跟被引用方法的形参保持一致,如果没有第二个参数,说明被引用的方法需要是无参的成员方法。3.被引用方法的形参,需要跟抽象方法的第二个形参到最后一个形参保持一致,返回值需要保持一致。第一个参数:表示被引用方法的调用者,决定了可以引用的那些类中的方法。把已经有的方法拿过来用,当作函数时接口中抽象方法的方法体。* 把这个方法当作抽象方法的方法体。其他类: 其他类对象::方法名。
bootstrapTable前台往后端传数据(自用)
function loadDictOption(){ let a= $("#riskIds").val(); jsonParams = { "speciesIds" : a } };
php中使用函数
functiondemo.php //定义一个函数 function jisuan($number1,$number2,$oper){ $result=0; switch($oper){ case "+": $result=$number1+$number2; break; case "-":
1310



被折叠的 条评论
为什么被折叠?



