java学习笔记(七) -- 初涉对象

Java 七牛缓存刷新 由于七牛提供的文档不怎么好懂(有的功能根本在api中在不到答案),另外百度搜索的答案也不尽如意。折腾了两天,终于搞懂了通过调用七牛提供的API去刷新缓存!! 场景:APP中关于帮助说明原先都是写死的html静态文件,每次更改内容都是直接去服务器去改,很不方便也不安全,然后现在想通过后台去维护这些数据,而我们公司使用的就是七牛来管理文件的。所以现在的需求就是:①、通过后台使用七牛来管理这些 阅读详情

1、句柄

创建句柄的时候,不一定要与对象连接,但是一定要初期化。

String s = “abcd”;

s是句柄


2、创建对象

关键字 new

String s = new String("abcd");

对象被保存在“堆”中(一种常规用途的内存池,也在RAM区域)


3、作用域

作用域决定了变量的可见性和存在时间。通常以“{ }”的位置来决定。

对象的作用域,

{
String s = new String("abcd");
}
句柄s会在作用域的终点消失。但是s指向的String对象还占据空间,但是已经无法再访问对象了。

C++中,需要手动清除使用完的对象,java则不需要。


4、创建新的class

关键字 class

class NewType {}

引用新类型。创建对象。

NewType a = new NewType();


5、字段和方法

类: 

数据成员(俗称 字段)

函数成员(俗称 方法(Method))

包含了 名字、自变量、返回类型及主体。

返回类型 方法名( /* 自变量列表*/ ) {/* 方法主体 */}

        ①返回值类型是调用方法之后返回的数据类型。

②方法名是方法的标识和引用。

③自变量是传递参数的数据类型。

④java的方法只能作为类的一部分创建。

⑤传递对象时,通常传递的都是对象的句柄。


static的作用

1、若一个成员被声明为static的话,它能够在它的类的任何对象创建之前被访问,而不必引用任何对象。

2、任何变量和方法都可以被static。main是最常见的,程序最先开始执行的就是main()方法,所以经常被声明为static。

       通常情况下,类成员通过对象的实例化去调用。但是如果希望独立于类的其他对象,可以通过声明static去实现。

       变量的static就是讲变量变成全局变量。


代码部分:

public class ObjectText {
	
	// 变量的static 
	private static double ALL_STA = 9;
	
	/**
	 * main方法通常都要static
	 */
	public static void main (String[] args) {
		
		// 声明一个对象
		ObjectText ob = new ObjectText();
		// 需要对象的非静态调用
		double sum = ob.compute(1,2);
		
		System.out.println("sum = " + sum);
		// 无需对象的静态调用
		staTmp();
	}
 	
 	/**
 	 * 非静态
 	 */
    private double compute(double dou1, double dou2) {
    	
    	// ALL_STA之后变成全局变量
    	return dou1 + dou2 + ALL_STA;
    }
    
    /**
     * 静态
     */
    private static void staTmp() {
    	
    	System.out.println("Static");
    }
    
}

输出结果:

sum = 12.0
Static












ADRV9009学习资料保存:基于XC7Z100+ADRV9009的双收双发无线电射频板卡 ADRV9009学习资料保存:基于XC7Z100+ADRV9009的双收双发无线电射频板卡 一、板卡概述 基于XC7Z100+ADRV9009的双收双发无线电射频板卡是基于XilinxZYNQFPGA和ADI的无线收发芯片ADRV9009开发的专用功能板卡,用于5G小基站,无线图传,数据收发... 阅读详情

相关推荐

RAG-Anything 实战:构建企业级多模态知识图谱问答系统

本文详细介绍了如何利用RAG-Anything构建企业级多模态知识图谱问答系统,解决跨模态文档处理的痛点。通过架构设计解析、部署实战指南和典型业务场景解决方案,帮助企业实现高效的知识管理和智能检索,提升决策效率。

weixin_29089057的博客 385

《Java面向对象程序设计》学习笔记

备考某学校的 817程序设计Java 专业课,在学习耿祥义老师的《Java面向对象程序设计(第3版)-微课视频版》。 发一些自己的学习笔记到专栏(一篇文章对应书上一章),可能不会及时更新,见谅。 笔记可能有错误,看看就得,现在懒得浓缩精炼了,以后再说吧🧐

奇妙方程式的博客 9997

Unity动画状态机实战:Trigger和Bool参数到底怎么选?附5个常见场景解析

本文深入解析Unity动画状态机中Trigger和Bool参数的核心差异与应用场景。通过对比两者在描述瞬时事件与持续状态上的本质区别,并结合角色移动、攻击连招、跳跃落地、受击死亡及环境交互等5个实战场景,提供了清晰的选择逻辑与避坑指南,帮助开发者构建更健壮、易维护的动画逻辑。

weixin_29009501的博客 121

Java基础语法(七)——类和对象

1.类和对象的初步认识 C语言是面向过程的,关注的是过程,分析出求解问题的步骤,通过函数调用逐步解决问题。 JAVA是基于面向对象的,关注的是对象,将一件事情拆分成不同的对象,靠对象之间的交互完成。 面向过程注重的是过程,在整个过程中所涉及的行为,就是功能。 面向对象注重的是对象,也就是参与过程所涉及到的主体。是通过逻辑将一个个功能实现连接起来 面向过程: 1.把冰箱打开 2. 把大象放入 3. 冰箱关起来 面向对象: 打开冰箱,储存,关闭都是对冰箱的操作,是冰箱的行为。 冰箱就是一个对象,所以只要操作冰箱

rain67的博客 6388

Krylov子空间与Arnoldi过程

一、应用背景 Krylov子空间方法是模型降阶(MOR)的一种,Krylov 子空间方法就是在Krylov子空间中寻找近似解。 二、Krylov子空间 n是原始矩阵的维度,m为降阶后矩阵的维度,通常m<<n。 三、Arnoldi 过程: 计算Km 的一组正交 对应上述MGS过程的python代码: import numpy as np def arnoldi_itera...

保持写作习惯,完成知识沉淀 6004

双重机器学习 stata教程 手把手教学

双重机器学习(DDML)的stata教程

weixin_59030591的博客 1万+

七. JAVA类和对象(三)

 面向对象的三大特性是封装、继承和多态。封装是将数据(属性)和操作数据的方法(行为)捆绑成一个独立的单元(即类),并对外隐藏内部实现细节,仅通过可控的接口与外界交互。

weixin_74353123的博客 1126

ubuntu20.04开机黑屏卡在/dev/sda1:clean,***files,***blocks,解决心得记录

这个问题如果你百度,会发现目前有很多种解决方法。 有更新显卡驱动的,有卸载上一次安装软件的,还有各种奇奇怪怪的故障原因。 如果你是属于上述情况,那么按照百度和论坛的各种指引操作一般都能解决。 但我这里主要说一种特殊情况,就是我什么也没有操作,我什么也没干。就是正常使用系统关了机突然就报错了。 这也是自己亲自遇到的问题,做个小记录方便以后自己回顾。 上一次出现这种情况我重装系统了,这次用了两个月又出现了,重装成本太高,我接受不了,于是找到解决办法。 首先找个终端进入,进入终端的方法很多,用安装u盘

qq_41517017的博客 2万+

Java学习笔记

1.2.1 首先找到此电脑,右键点击属性,可以按照下面的界面;点击【高级系统设置】,再点击【环境变量】 1.2.2 找到JDK的bin目录,复制一下 1.2.3 将JDK的bin目录粘贴在Path环境变量后面 1.2.4.在CMD输入javac -version 看提示信息是否显示你安装JDK的版本号​ 1、java 基础(Java SE)标准版 2、就业方向:①JavaEE软件工程师②大数据③android开发 3、运行原理示意图 4、Java 开发注意事项和细节说明 5、如何快速掌握技术或知识点 代

stange1的博客 5842

TOGAF架构内容—TOGAF 内容框架和企业元模型

TOGAF架构内容—TOGAF 内容框架和企业元模型

深圳市多克创新科技有限公司 1664

YOLOv8改进 | 独家创新篇 | 给YOLOv8增加辅助可逆分支结构(PGI,1:1改进)(全网独家创新,附视频讲解)

这张图(图3)展示了可编程梯度信息(PGI)及其相关网络架构和方法。这种网络结构主要用于改进特征融合,以提高目标检测的性能。然而,由于信息瓶颈的存在,网络中可能会丢失一些信息。这是一种旨在减少信息丢失的网络设计。它通过可逆的列结构来尝试维持信息流通不受损失,但如图中“Heavy Cost”所示,这种结构会增加计算成本。c) 深度监督:这种方法通过在网络的多个层次中插入额外的监督信号来提高学习的效率和最终模型的性能。图中显示了通过深度监督连接的各个层。

Snu77的博客 3745

七. JAVA类和对象(四)

Static成员+代码块+对象的打印。

weixin_74353123的博客 913

基于DINO自监督学习对YOLO11 Backbone进行预训练

这PoolHead将获取前一层的输出并应用卷积,然后应用自适应平均池化以将特征图的空间维度减小为固定且一致的大小(1x1)。这是必需的,因为否则空间维度会根据输入的大小而变化,这将使将 DINO 头部附加到主干变得困难,因为它需要固定的输入大小。在本指南中,我们将介绍如何使用 Lightly 使用 DINO 预训练 YOLO 11主干,以及如何将其重新加载到 Ultralytics 中进行微调。您可以使用不同的大小,例如,640这与 YOLO 中的默认图像大小更一致,但它也会在训练期间消耗更多 VRAM。

如果想成为中心,那么就到中心去吧。 1014

JAVA学习笔记:目录

目录 java学习笔记1:了解java、JDK、JRE、JVM java学习笔记2:JDK下载和安装以及测试控制台测试是否配置成功 java学习笔记3:用记事本写第一个java程序,第一个java程序常见错误总结,第一个java程序详细解析 java学习笔记4:常见的DOS命令和java开发工具 java学习笔记5:eclipse的下载及使用,以及java程序的运行 java学习笔记6:注释、标识...

任性的生鱼片 的博客 2340

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")

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

七. JAVA类和对象(一)

this 是 Java 为每个对象实例内置的「自我指针」,用于在对象的方法中精准访问自己的成员变量和方法,解决代码歧义性问题,是面向对象编程中实现对象自治的关键机制。上图左侧就是对洗衣机简单的描述,该过程称为对洗衣机对象(实体)进行抽象(对一个复杂事物的重新认知),但是这些简化的抽象结果计算机也不能识别,开发人员可以采用某种面相对象的编程语言来进行描述,比如:Java语言。,只设计出需要什么东西,但是并没有实体的建筑存在,同样类也只是一个设计,实例化出的对象才能实际存储数据,占用物理空间。

weixin_74353123的博客 1066

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学习笔记(七)——对象

一、类与对象 1、类的定义 类就是模型,确定对象将会拥有的特征(属性)和行为(方法)。 2、类的特点 (1)类是对象的类型 (2)具有相同属性和方法的一组对象的集合。 3、对象的属性: 对象具有的各种特征。 4、对象的方法: 对象执行的操作(能干什么)。 5、类和对象的关系 类是抽象的概念,仅仅是模板。而对象是一个具体实体。 二、定义Java中的类 1...

KEVINZHAO124517的博客 177

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

java学习笔记01-高级循环-逢七过、求平方根和判断质数

java学习笔记01-高级循环-逢七过、求平方根和判断质数。

weixin_74143480的博客 557

java作用域对象笔记_Java学习笔记(七)——对象

一、类与对象1、类的定义类就是模型,确定对象将会拥有的特征(属性)和行为(方法)。2、类的特点(1)类是对象的类型(2)具有相同属性和方法的一组对象的集合。3、对象的属性:对象具有的各种特征。4、对象的方法:对象执行的操作(能干什么)。5、类和对象的关系类是抽象的概念,仅仅是模板。而对象是一个具体实体。二、定义Java中的类1、重要性:所有的Java程序都以类class为组织单元。2、类的组成:属...

weixin_30831529的博客 111

【七】Java面向对象三大特性

目录 一、封装 二、继承 三、访问修饰符 四、方法重写、super关键字 五、多态 六、装箱拆箱 思维导图参考:【七】Java面向对象三大特性思维导图 【习题与详解】 1、利用多态知识解决从Animal数组中挑选出所有Dog对象,并把这些对象放在数组中返回 2、利用继承和多态来求矩形、正方形和圆形的面积与周长 3、Java封装、继承、多态、super杂糅在一起的小练习,公司雇员员工工资问题...

奈何的人生 2612

七、Java对象

1.什么是对象 1) 对象就是类的实例化,实例化是Java里一个术语, 例子:修建大楼时绘制的设计图纸就是类,根据设计图纸修建起来的真实的可以住人的大楼就是对象。 类 :抽象【抽取象什么一样的东西】 ---> 模板【设计图】 对象:实现----->实例【大楼】 2) 没有类就没有对象 4)一个类可以创建出多个对象 5) 类是对象的模板, 对象是类的真实表现 作用: 调用类中的变量和方法 如何创建对象?[new] 1.当前类中 new+构造方法 ...

拾荒人博客 197

java类与对象 学习笔记

类与对象 面向对象(Object Oriented) 一、面向对象 三大特性: 封装性:对象的成员属性和行为看做一个不可分割的整体,一些不想让外界看到的方法也隐藏起来 继承性:java是类的单继承,接口的多继承,是从一个基础的类上派生出反应一些特殊性的类,如几何类下面可以包括圆类,正方体类等 多态性:多态是指程序中允许出现重名现象。 方法重载:根据函数参数的不同,允许同名函数完成不同的工作 对...

yaologos的博客 410

JAVA学习笔记

JAVA学习笔记

lizzzza的博客 1705

【JAVA】学习笔记⑦:IO

借用下优快云博客作为自己的学习笔记,还请各位大佬包容与指点 本文章将讲述java中的IO相关内容。

qq_40419478的博客 1425

Java对象的特征(初涉)

面向对象的三个特征: 封装、继承、多态 封装:  1、加访问权限关键词 :private    //只能本类才能访问,其他类都访问不了,如此就对信息进行了隐藏。 2、在本类写public方法来对private变量和方法进行调用。    //外部类访问该类成员变量的入口 继承: Java语言中的类只支持单继承,而接口支持多继承。Java中多继承的功能是通过接口(interface)来...

zhangluweishi的博客 190

逢七过小游戏,Java实现

逢七过小游戏,Java实现1. 开篇简介2. 需求简介3. 规则简介4. 思路简介5. 代码实现6. 总结 1. 开篇简介 嗨,大家好啊! 『』 今天给大家分享一个,朋友聚会的时候,喜欢玩的一个『小游戏』,这个游戏的名字呢,就叫做《 逢七过》,相信大家都是很『熟悉』的一个游戏了,『不熟悉』也没关系。下边,我也会给大家说一下『游戏规则』,并在『游戏规则的基础』上给出做各个小游戏的『思路』,快过年了,不知道大家忙不忙呢?灵魂发问啊。多话不说,我们现在开始开干。 2. 需求简介 虽然说需求简介有点废话,但是为了看

旺仔爱编程 4834

菜鸡的Java学习笔记——类和对象

Java学习笔记——类和对象 文章目录Java学习笔记——类和对象什么是类和对象Java中对于类的定义创建类的实例对象成员变量的使用方法(Method)包(Package)访问修饰符面向对象三大特征封装继承多态ArrayList类的使用 什么是类和对象 类是抽象的概念,是对象的类型(模板),具有相同属性和方法的一组对象的集合;对象的属性,即为对象所具有的特征;对象的方法,即为对象执行的操作。 类描述对象的具体信息,而对象是一个具体实体。在java中,所有的java程序都以类class为组织单元 举个栗子,显

WTB的博客 190
上一篇: java学习笔记(六) -- 正则表达式
下一篇: java学习笔记(八) -- 递归
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