Kotlin-类

终于找到两个稳定好用的Docker镜像加速源,拉取速度提升几十倍! 国内使用Docker经常遇到镜像拉取慢、超时失败的问题🐳 本文分享两个亲测好用的免费镜像加速源⚡ 实测拉取速度从十几分钟缩短到几十秒,稳定性接近100%📊 支持一键配置脚本,支持多平台使用✨ 阅读详情

#概述#
在Kotlin中类可以有一个主构造函数以及多个二级构造函数。 主构造函数是类头的一部分:跟在类名后面(可以有可选的参数)。

class Person(val name : String, val age : Int) {
      override fun toString(): String{
            return "Person(name='$name', age=$age)"
      }
}

fun main(args: Array<String>) {
    val personA: Person = Person("li", 20)
    val personB: Person = Person("wang", 30)
    println("personA:${personA.toString()}")
    println("personB:${personB.toString()}")
}

// Log打印
personA:Person(name='li', age=20)
personB:Person(name='wang', age=30)

这里写图片描述
从示例代码中,可以看出主构造函数中,两个参数name和age。在创建Person对象时,必须传递这两个参数。如果不传递会提示上图错误。
##主构造函数及初始化代码块
主构造函数不能包含任意代码,只能声明构造函数的参数。若想初始化代码,放在以init做前缀的初始化块内。

class Person(var name : String, var age : Int) {

    init {
        name = "zhang"
        println("Person init")
    }

    override fun toString(): String{
        return "Person(name='$name', age=$age)"
    }

}

fun main(args: Array<String>) {
    val personA: Person = Person("li", 20)
    val personB: Person = Person("wang", 30)
    println("personA:${personA.toString()}")
    println("personB:${personB.toString()}")
}

// Log打印
Person init
Person init
personA:Person(name='zhang', age=20)
personB:Person(name='zhang', age=30)

从Log打印可以看出

  1. 每次Person创建对象时,都会调用init初始化代码块。
  2. 若在init初始化代码块中,对对象的属性值初始化,该属性的值为以init初始化代码块中最后一个赋值,并不是通过主构造函数传递的值。
  3. 主构造函数中的参数若不设置为var或val,默认为val,其值不可修改。
    这里写图片描述
  4. init初始化代码块,不仅能够初始化属性,同时可以做相应逻辑处理

如果主构造函数有注解或可见性声明,则constructor关键字是不可少的,并且注解
应该在前:

calss Customer public inject constructor (name: String) {...}

##二级构造函数

类的二级构造函数以constructor为前缀,例如

class Person(var name : String, var age : Int) {

    constructor( name: String,  age: Int,val addr: String) : this(name, age) {

    }
    
}

如果类有主构造函数,每个二级构造函数都要或直接或间接通过另一个二级构造函数代理主构造函数。如果在同一个类中代理另一个构造函数,应使用 this 关键字。

class Person(var name : String, var age : Int) {

    constructor( name: String,  age: Int, addr: String) : this(name, age) {

    }

    constructor(name: String, age: Int, addr: String, sex: Int) :  this(name, age, addr){

    }
    
}

注:

  1. 二级构造函数的参数不能设定为var或val,但默认为val类型
    这里写图片描述

这里写图片描述

这里写图片描述
2. 主构造函数里面的参数即为该类的属性,而二级构造函数中的参数,只是参数,并不是该类的属性。
3. 在JVM虚拟机中,如果主构造函数的所有参数都有默认值,编译器会生成一个无参的构造函数。

class Student(val name : String = "A", val age : Int = 10) {

}

 // 创建实例
 val stuA = Student()
  1. 如果一个非抽象类没有声明构造函数(主构造函数或二级构造函数),它会产生一个没有参数的构造函数。

  2. 构造函数的权限修饰符为public。如果想的类有公共的构造函数私有化,你就得声明一个空的主构造函数,并用private修饰

     class DontCreateMe private constructor () {
     }
    

#创建类的实例

val invoice = Invoice()
val customer = Customer("Joe Smith")

注:Kotlin中并没有new关键字

#类的成员

  • 构造函数
  • 初始化代码块
  • 函数
  • 属性
  • 包含内部类
  • 对象声明

#final和open
所有的类默认都是不可继承的,即默认被final修饰符修饰。故在创建一个类,并作为父类时,需手动添加open或者abstract关键字,以声明此类可被继承。

open class Animal(name: String)
class Person(name: String, surname: String) : Animal(name)
Python爬虫实战:如何抓取POI信息(公共场所)位置信息 获取公共场所的信息:如餐厅、商店、医院、景点等。抓取POI的基本信息:如名称、类别、地址、评分等。获取POI的地理坐标:经度和纬度信息。存储POI数据:将抓取到的POI信息存储到本地数据库中。通过本篇文章,我们详细介绍了如何使用Python爬虫抓取POI信息。通过Google Maps API和OpenStreetMap(Overpass API),我们展示了如何获取餐厅、商店、医院等公共场所的位置信息,并进一步探讨了如何处理分页、存储数据以及反爬虫策略。 阅读详情

相关推荐

从FP16到FP8:我是如何让Stable Diffusion 3.5提速40%而不丢画质的

本文分享了StableDiffusion模型优化的实战经验。通过FP8精度转换、分层处理敏感模块,实现显存占用降低35%、推理速度提升40%。文章详细介绍了提升画质的五大技巧、本地/云端/移动端部署方案,以及二次元模型定制等垂直领域应用。同时总结了硬件兼容性、数据质量等七大常见陷阱,并强调持续监控和伦理考量。作者指出未来应关注MoE架构、注意力机制优化等方向,认为技术优化是持续追求性能与质量平衡的过程。

达则兼济天下 1191

Kotlin总结

Kotlin总结

linglingchenchen的专栏 2691

自适应陷波器的原理与实现

x(t)是叠加有两个频率干扰信号的输入信号,s(t)是需要保留的有用信号,在输入信号中,我们只知道频率w1和w2,但不知道信号的幅度A和相位θ,自适应陷波器可以估计两个未知的幅度和相位值,这需要我们提供两路相互正交的单频信号,如cos(w1t)、sin(w1t),通过调整其权值,从而合成出与干扰信号完全相同的信号A1cos(w1t+θ1),从而实现干扰信号的滤除。采用LMS算法,在保证不损失其他有用信号的情况下,有效地抑制输入信号中某一频率的干扰,如需滤除多个频率,只需要增加相应的输入信号。

Melkiades2333的博客 6896

android打印log,获取当前类名,方法名,行号.

android打印log,获取当前类名,方法名,行号. public void le(String s) { String clazz = this.getClass().getSimpleName(); StackTraceElement stackTraceElement = new Throwable().getStackTrace()[1]; ...

犀利的小眼神的博客 2874

S32K144(1)新建裸机项目以及烧录调试工程

目录 1、简介 2、S32DS新建裸机项目 2.1、新建空的项目 2.2、选择标准库的S32DS 2.3、选择使用EWL官方库 2.4、新建成功 3、烧录工程 3.1、点击Debug,选择Debug Configurations 3.2、新建GDB SEGGER J-Link Debugging 3.3、确认Project和C/C++ Applicants是需要烧写的项目名和路径正确 3.4、确认Executable Device name Interface等各个配置信息正确,后点击

朗朗上口就行啦的博客 4978

华为AR6140E/S5735设备密码策略配置全攻略:从复杂度到锁定机制

本文详细介绍了华为AR6140E/S5735设备的密码策略配置方法,涵盖密码复杂度、时效性和防护性三大核心维度。通过具体的CLI命令示例,指导管理员如何设置密码长度、字符组合、有效期及登录失败锁定等安全机制,为企业网络提供全面的用户名密码防护策略。

weixin_30836759的博客 532

实现一个打印LOG的函数,需要输出所在函数及行号等信息

宏__FILE__:以字符串形式返回所在文件名称 宏__func__:以字符串形式返回所在函数名称 宏__LINE__:以整数形式返回代码行号 v1版 #include <stdio.h> int main() { int a = 123; printf("[%s : %d]%d\n", __func__, __LINE__, a); return 0; } 输出结果: [main : 5]123 v2版 如果打印多个中间值,将该操作封装为宏。log 函数实现.

明朗晨光的专栏 1610

RV1106的ISP配置实战:MIPI与LVDS接口的硬件连接与设备树优化

本文详细解析了RV1106芯片的ISP配置实战,重点对比了MIPI CSI-2与LVDS两种主流接口的硬件连接方案与数据流差异。通过手把手的设备树代码示例,深入讲解了单路MIPI与双路LVDS摄像头的配置要点、关键属性设置及常见避坑指南,并提供了从驱动加载检查到Media Controller工具使用的系统化调试方法,帮助开发者快速打通图像采集与处理全链路。

terraform7cloud的博客 475

【Kotlin】类和对象

Kotlin 是面向对象编程语言,与 Java 语言类似,都有类、对象、属性、构造函数、成员函数,都有封装、继承、多态三大特性,不同点如下。Java 有静态(static)代码块,Kotlin 没有;Java 有静态(static)函数,Kotlin 没有;Java 构造函数名与类名相同,Kotlin 构造函数名为 constructor;Kotlin 有初始化代码块(init),Java 没有;Kotlin 有主构造函数,Java 没有。

little_fat_sheep 2113

RT-DETR 模型剪枝优化:结构化剪枝对 R18/R50 性能的影响

本文提出分层结构化剪枝策略R18:参数量减少 42%(28M→16.2M),推理速度提升 35%(15→20.3 FPS@Jetson Nano),mAP@0.5 仅降 1.2%;R50:参数量减少 55%(170M→76.5M),推理速度提升 48%(42→62.2 FPS@T4),mAP@0.5 仅降 2.1%。核心价值:为 RT-DETR 提供“精度-效率-部署”平衡的轻量化方案,推动其在边缘设备、工业质检等场景的大规模落地。部署建议。

走向CTO的路上... 466

【车载以太网】ATU(Address Translation Unit / Address Table Unit)

【车载以太网】ATU(Address Translation Unit / Address Table Unit)

天赐好车的博客 161

Kotlin协程学习随笔-打印协程名称

协程学习中使用协程相关日志是学习协程的重要手段,例如打印协程名。本文主要介绍了几种协程日志的打印方法。

zuoluohust的博客 1428

074.多任务学习:在YOLO基础上同时进行分割、关键点检测

本文探讨了在YOLOv5模型中实现检测、分割和关键点多任务的技术方案。通过分层特征抽取策略(检测用深层、分割用浅深融合、关键点用中层)解决特征共享问题;采用不确定性加权方法自动平衡多任务损失;设计了支持三种标签的数据流处理方式;并分享了推理部署时的后处理技巧。实践表明,合理的多任务设计可以提升主任务性能,但需权衡标注成本和推理效率。最终方案选择在训练时引入分割作为辅助任务,推理时仅保留检测和关键点,实现了检测mAP提升2.3%的优化效果。

2603_95664987的博客 46

Kotlin 类

Kotlin 类及其属性、方法、构造函数、伴生对象。

Chanwing Chow的博客 1239

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。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

kotlin之的类的继承

kotlin之的类的继承前言kotlin类默认是不继承的kotlin实现类的继承 前言 在Java中类的继承默认是继承父类的方法和参数的,但是在kotlin中默认是不继承的,那么我们接下来来验证。 kotlin类默认是不继承的 首先我们定义一个BirdOne 的类 class BirdOne { var weight: Int = 10 fun fly() { ...

笨鸟不会飞 1222

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Kotlin中类的继承

在 Kotlin 中所有类都有一个Anyequals()hashCode()与toString()。因此,为所有 Kotlin 类都定义了这些方法。默认情况下,Kotlin 类是最终(final)的——它们不能被继承。要使一个类可继承,请用open如果派生类有一个主构造函数,其基类可以(并且必须)根据其参数在该主构造函数中初始化。如果派生类没有主构造函数,那么每个次构造函数必须使用super关键字初始化其基类型,或委托给另一个做到这点的构造函数。

https://github.com/Mac-Zhu 891

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")

Kotlin 类和对象

本文全面介绍了Kotlin中的类和对象,重点讲解了其简洁语法和核心特性。主要内容包括:1)类声明与实例化,展示主构造函数和初始化块的使用;2)数据类的自动生成方法;3)单例和伴生对象的实现方式;4)继承与接口的应用;5)空安全特性。文章还提供了学生管理系统和Android开发两个实践示例,帮助读者理解Kotlin面向对象编程的实际应用。2025年Kotlin 2.0在类初始化性能上的优化也作了说明。

m0_57545130的博客 820

kotlin类

kotlin类

记录点滴 707

Kotlin 类基础

kotlin是OOP模式的语言,其中的类是对事物的特征、逻辑的综合抽象,用关键词class声明一个类。包含class name, class header, class body。 class A {} class Empty 类的基本结构:构造函数,属性,方法 构造函数 构造函数是实例化一个类时调用的api,它可以接收参数来控制对象的特征与逻辑 构造函数可以用关键词constructor声明 kotlin的类有两种构造函数,主构造函数、次构造函数 主构造函数是class header的一部

ljjliujunjie123的博客 4406

Kotlin中的类

以上就是 Kotlin 中的主要类类型。如果您还有其他关于 Kotlin 或其他 Android 相关的问题,欢迎随时提问。constructor 里的参数列表是首先被执行的,紧接着是 init 块和属性初始化器,最后是次构造函数的函数体。以下是两种生成的例子, Kotlin对下划线命名有警告, 所以自己不会生成下划线的名字, 使用注解的时候需要第三方库。通过伴生类实现单例模式, 每个类伴生类只允许一个, 伴生类的名字可有可无。2种静态类, 一种伴生类, 一种独立类。通过独立类实现工具类。

有速度的空气的博客 1510

【深入kotlin】- 类

类 Kotlin 中定义类有些地方不同于 java。 不需要 public 一个类默认就是 public 的,所以不用显示地声明一个类为 public。 不需要花括号 如果一个类是空实现,可以不需要 {} class MyClass 主构造方法 Kotlin 规定每个类允许有一个主构造方法和多个次要构造方法。 主构造方法是类名的一部分 主构造方法定义类名之后,用 constructor 关键字声明: class MyClass contructor(username: String){ ... } 这

kmyhy的专栏 2815

Kotlin中类的可见性

Kotlin 的final默认设计提高了代码的安全性、可维护性和封装性,适合编写稳定的大型项目代码。虽然牺牲了一定的灵活性,但有助于防止滥用继承,提高代码质量。Java:类和方法默认是public和non-final的,这意味着它们可以被继承和重写,除非显式声明为final。// 可以被子类重写@Override// 重写父类方法Kotlin:类和方法默认是final,必须使用open关键字显式声明,才能允许继承和重写。// 允许子类重写// 重写父类方法更安全的继承机制。

Junes inh 的技术专栏 1455

Kotlin类与继承

本篇博客主要介绍Kotlin类的一些基础知识:包括主构造函数、次构造函数、以及继承类的基础知识和覆盖的基本使用

尘心平的博客 526

【Kotlin 初学者】类和对象

Kotlin允许你不使用临时变量赋值,而是直接用一个定义同时指定参数和类属性,这种方式定义类属性,可以减少重复代码。这里我们对name进行了改造,直接在主构造函数里面定义属性,而不是通过临时变量进行赋值。次构造器我们可以定义多个次构造函数来配置不同的参数组合。同时,可以使用次构造函数,定义初始化代码逻辑。在同一个类中代理另一个构造函数使用this 关键字实践init {name今年已经name 今年已经name今年已经age 岁了”)//次构造器。

2401_84048586的博客 1016

Kotlin学习(五):kotlin类详解进阶

找到一套好的视频资料,紧跟大牛梳理好的知识框架进行学习。多练。(视频优势是互动感强,容易集中注意力)你不需要是天才,也不需要具备强悍的天赋,只要做到这两点,短期内成功的概率是非常高的。对于很多初中级Android工程师而言,想要提升技能,往往是自己摸索成长,不成体系的学习效果低效漫长且无助。找到一套好的视频资料,紧跟大牛梳理好的知识框架进行学习。多练。(视频优势是互动感强,容易集中注意力)你不需要是天才,也不需要具备强悍的天赋,只要做到这两点,短期内成功的概率是非常高的。

piade的博客 1065
上一篇: Kotlin中的流程控制语句
下一篇: Kotlin - 继承
行云间
博客等级 码龄12年 438粉丝 173原创
评论 2
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