黑马程序员_对象的简单分析_对象与函数参数_常见错误

Python学习笔记(1)---B站黑马程序员 文章目录Python基础一、Python介绍001-Python的起源002-为什么选择Python?003-Python 特点004-Python 的优缺点二、第一个Python 程序001-第一个HelloPython程序002- python 2.x 和 3.x版本介绍003-执行 Python程序的三种方式3.1 解释器 python / python33.2 交互式运行 python程序1)交互式运行 python的优缺点2)退出官方的解释器3)IPython3.3 Python 的 IDE —— 阅读详情


黑马程序员_对象的简单分析_对象与函数参数_常见错误


一、面向对象封装的好处


1.更加接近人类的思考方式。
2.只需要关注对象,不需要关注步骤。

二、类的声明和实现


1. @interface 和 @implementation的分工
  * @interface就好像暴露在外面的时钟表面。
  * @implementation就好像隐藏在时钟内部的构造实现。

三、常见错误


1.只有类的声明,没有类的实现。
2.漏了@end
3. @interface 和 @implementation嵌套
4.两个类的声明嵌套
5.成员变量没有写在括号里面
6.方法的声明写在了大括号里面

四、语法细节


1.成员变量不能在{}中进行初始化,不能被直接拿出去访问
2.方法不能当作函数一样调用
3.成员变量、方法不能用static等关键字修饰,别跟C语言混在一起(暂时忽略)
4.类的实现可用写在main函数后面,主要在声明后面就行了。

五、OC方法和函数的区别


1.OC方法只能声明在@interface和@end之间,只能实现在@implementation和@end之间;
  也就是说OC方法不能独立于类存在。
2.C函数不属于类,跟类没有联系,C函数只归定义函数的文件所有。


六、对象但简单分析

1.每个对象都占据一块存储空间。
2.类在内存中只占有一块存储空间。
3.创建类时在内存中创建一块存储空间。
4.在使用类创建对象之前,会将类加载进内存(只会加载一次)。
5.每个对象内部默认都有一个isa指针,这个指针指向对象所对应的类。
6.类中的方法列表是所有对象一起使用的。
7.成员变量每个对象都有一份,但是方法列表是公用的。


七、对象与参数


对象成员变量作为函数参数。
指向对象的指针作为函数参数
修改指向对象的成员
修改指针的指向


对象与函数参数代码示例:

#import <Foundation/Foundation.h>

@interface Car : NSObject
{	// 成员变量
	@public
	int wheels;
	int speed;
}

- (void)run;

@end

@implementation Car

- (void)run
{
	NSLog (@"%d个轮子,速度为%dkm/h的车子跑起来了。",
		wheels, speed);
}

@end

void test(int w, int s)
{
	w = 20;
	s = 200;
}

void test1(Car *newC)	// 传递Car类对象的地址
{
	newC->wheels = 5;
}

void test2(Car *newC)
{
	Car *c2 = [Car new];
	c2->wheels = 5;
	c2->speed = 300;

	newC = c2;
	newC->wheels = 6;
}

int main()
{
	Car *c = [Car new];
	c->wheels = 4;
	c->speed = 250;

	test(c->wheels, c->speed);	// 值传递
	// test1(c);
	test2(c);

	[c run];

	return 0;
}


常见错误代码分析:

#import <Foundation/Foundation.h>

@interface Car : NSObject
{
	// 成员变量\实例变量

	int wheels;

	// int wheels = 4; 不允许直接初始化
	// int wheels; 重复错误
	// - (void)run;	方法的声明写在大括号{}外面
	// static int wheels;	不能随便将成员变量当作C语言中的变量来使用
}

- (void)run;

/*
  * 方法的实现必须写在@implementation里面
- (void)fly
{

}
 */

/*
  * @interface 和 @implementation嵌套错误
@implementation Car
- (void) run
{
	NSLog (@"%d个轮子的车子跑起来了。", wheels);
}
@end

 */


int main()
{
	// wheels = 10; 实例变量不可直接赋值

	Car *c = [Car new];

	return 0;
}

// 类的实现可以放在main()函数的后面,但是声明必须放在前面。
// 就像函数一样,函数的声明放在main的前面,函数的定义可以放在前面也可以放在后面。
@implementation Car

// - (void)fly;	方法声明必须写在@interface里面

// - static (void)run 没有内部方法这个概念
- (void) run
{
	NSLog (@"%d个轮子的车子跑起来了。", wheels);
}

@end

static void test()
{}



搭建适用于lammps中opls-aa力场的文件流程 现在我已经解决了以上问题,并且通过我的方法可以实现从空白文档到搭建完成以上全部内容,后期只要细心检查即可。需要的data文件最关键是获得相应阴阳离子的mmol文件,因此问题转化为构建一份mmol文件。主要用到的软件及程序:gaussian09,makemol程序(tranal),opls-aa的参数文件。二面角个数:成角原子序号及对应的参数(这里PF6的结构没有二面角,所以为0)参考文献个数:文献名(空够行数即可,这些是给自己的备忘))和自身体系对应的参考文献,修改或填入对应的参数即可。 阅读详情

相关推荐

AHB不对称半桥反激电路设计(三)主要器件参数规格计算

本文介绍了AHB拓扑变压器的设计步骤与核心参数计算,包括主控芯片选择、工作原理分析及参数计算。作者选择DK87XXD集成MOS方案,详细阐述了输入电压范围、反射电压限定、匝比计算、工作频率设定、原副边电流值、电感量计算、磁芯选择、匝数计算、谐振电容设计等关键步骤。通过公式推导与实例计算,展示了150W电源的变压器设计过程,最终确定匝比5.5、原边22匝、副边4匝、电感量200uH等参数。文章还讨论了谐振电容与漏感的关系,为后续调试提供理论基础。该设计方法结合理论分析与工程实践,适用于AHB拓扑电源开发。

【Simon】的博客 3346

黑马程序员--面向对象的语法

文章基于视频--Word,添加颜色部分为自己认为重点 一、  定义OC的类和创建OC的对象 Ø   接下来就在OC中模拟现实生活中的情况,创建一辆车出来。首先要有一个车子类,然后再利用车子类创建车子对象 Ø   要描述OC中的类稍微麻烦一点,分2大步骤:类的声明、类的实现(定义)。跟函数类似,函数有分声明和定义 1.  类的声明 1)      代码编写 Ø   定义一个Car

cxl19900517的博客 373

用STM32F103C8T6和TB6612驱动模块,从零搭建一辆能避障循迹的智能小车(附完整代码)

本文详细介绍了如何使用STM32F103C8T6和TB6612驱动模块从零搭建一辆能避障循迹的智能小车。内容涵盖硬件选型、电路设计、底层驱动配置以及智能行为算法实现,并附有完整代码示例,帮助开发者快速掌握嵌入式开发的核心技术。

weixin_42641741的博客 447

黑马程序员——方法、对象和函数

对象与函数参数: #import @interface Car : NSObject { int wheels; // 轮子 int speed; // 速度 } - (void)run; // 跑方法 @end @implementation Car - (void)run { NSLog(@"%d个轮子,%d的速度在跑",whells, speed ); } @end

want_heima的专栏 333

UOS的ARM机编译QT5.14.2记录

我需要的qt版本是Qt5.14.2,所以选择编译Qt5.14.2源码;几个月前尝试了编译一次,当时编译过程中出现了报错,当时时间很紧最后安装的默认版本来使用,最近有时间重新进行了一次编译,历经3个星期(4G的内存)终于解决了各种坑,编译成功了,现在将编译过程中遇见的一些坑记录一下,方便日后能记得这一次可恶的编译过程,如有描述欠缺的地方,还希望各位大佬给点意见指导指导🙏。

NiF693zzz的博客 1619

一个测试工程师走进一家酒吧……

一个测试工程师走进一家酒吧,要了一杯啤酒;一个测试工程师走进一家酒吧,要了一杯咖啡;一个测试工程师走进一家酒吧,要了 0.7 杯啤酒;一个测试工程师走进一家酒吧,要了-1 杯啤酒;一个测试...

字节跳动技术团队官方博客 4890

【黑马程序员】【C语言】数组

1. 什么是数组 数组,从字面上看,就是一组数据的意思,没错,数组就是用来存储一组数据的 2. 数组的特点 只能存放一种类型的数据,比如int类型的数组、float类型的数组 里面存放的数据称为“元素” 3. 定义 声明数组的类型 声明数组的元素个数(需要多少存储空间) 4. 格式 元素类型 数组名[元素个数]; 比如:int ages[

MarsII的iOS技术博客 288

深入详细分析Skyworks 78113 PAMiD射频方案图

是一种高集成度的射频前端模块,它结合了功率放大器(PA)、双工器(Duplexer)、滤波器和开关等多个组件,主要用于4G LTE移动通信系统中的射频前端链路。是一款典型的PAMiD模块,通过将多个频段的发射(TX)和接收(RX)路径集成在一个模块中,大大减少了传统射频设计中的分立器件,同时提高了信号链路的效率和可靠性。模块化设计的优势PCB空间优化:高集成度设计大幅减小了射频电路的尺寸,适用于紧凑型移动设备。减少设计复杂度:模块化设计减少了器件间的匹配与调试工作,加速产品开发周期。性能稳定性。

weixin_43199439的博客 1483

黑马程序员-类的声明与实现,方法与函数以及常见错误

/* 人 类名:Person 属性:(成员变量\实例变量):体重,年龄 行为(方法):走,吃 */ #import //类的声明 //*成员变量 方法声明 @interface Person :NSObject {    @public    int age;    double weight; } -(void)walk; -(void)eat; @end

cao4744的专栏 414

EMB电子机械制动系统和EHB电子液压制动系统控制功能的对比

EMB电子机械制动系统相比EHB液压制动系统具有显著优势:响应速度更快(<100ms)、控制精度更高(±2N·m)、能实现单轮独立控制,支持0.1%级制动力调节。在ABS、ESC等安全功能上表现更优,制动平顺性和NVH性能更好,同时提升能量回收效率15%-20%。特别适合智能驾驶需求,可使AEB等系统响应时间缩短50ms,紧急制动距离减少1米以上。EMB系统完美契合高阶自动驾驶对快速响应和精准控制的要求。

m0_59012156的博客 890

构建基于知识图谱的金融监管合规系统

金融行业是一个高度监管的领域,金融机构需要遵守众多复杂的法规和政策。传统的金融监管合规方式往往依赖于人工审查和简单的规则引擎,效率低下且容易出错。构建基于知识图谱的金融监管合规系统的目的在于利用知识图谱强大的知识表示和推理能力,实现对金融业务数据的自动化分析和合规检查,提高监管合规的效率和准确性。本系统的范围涵盖了金融机构的各类业务,如银行业务、证券业务、保险业务等。

AI天才研究院 1168

黑马程序员C++学习总结【进阶篇】

参考自哔哩哔哩黑马程序员的学习笔记

小幸运召唤师的博客 1335

面向 Cloud Foundry、ABAP On-Prem 与 ABAP Cloud 的 SAP Fiori 开发全景:工具、流程与实战案例

SAP Fiori开发实战:基于BAS的一站式工程化方法 摘要: 本文系统梳理SAP Business Application Studio(BAS)在Fiori开发中的核心能力,提供三种典型后端(Cloud Foundry/ABAP On-Prem/ABAP Cloud)的对接方案。BAS通过预置Fiori Tools套件、MTA部署工具等扩展,支持从模板创建、可视化建模到构建部署的全流程。文章包含CAP+RAP服务对接、ABAP标准应用扩展等实战案例,重点解析注解驱动开发、Adaptation Proj

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 257

哔哩哔哩黑马程序员C++课程个人学习笔记

此博文仅作为个人c++学习笔记记录,或有错误不建议参考!!!

weixin_53073284的博客 6752

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")

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

【黑马程序员】【OC语言】创建对象

一、定义OC的类和创建OC的对象 要描述OC中的类分2大步骤:类的声明、类的实现(定义)。跟函数类似,函数有分声明和定义 1.类的声明 1》代码编写 *定义一个Car类,拥有2个属性:轮子数、时速,1个行为:跑 *类名\属性的命名规则:标示符的规则 *类名的命名规范:有意义、驼峰标识、首字母大写 #import // 类的声明 @interface Car : NSObje

MarsII的iOS技术博客 378

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

笔记 黑马程序员C++教程从0到1入门编程——核心编程

1 内存分区模型 程序运行前 程序运行运行前,编译后: 84代码区 代码区:存放函数的二进制代码,有操作系统进行管理【共享,只读】 85全局区 全局区:存放全局变量,静态变量(static),常量(字符串常量和const修饰的全局常量(全局常量)) 【在程序结束后由操作系统释放】 //不在全局区的数据:局部变量、const修饰的局部变量(局部常量) 程序运行后 86 栈区 栈区:由编译器自动分配释放,存放函数的参数值,局部变量等 //不要返回局部变量的地址,栈区开辟的数据由..

m0_58125693的博客 5098

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。

《黑马程序员》C++基础入门(一)

《黑马程序员》C++基础入门(一)1 C++初识1.4 常量 1 C++初识 1.4 常量 作用:用于记录程序中不可更改的数据 C++定义常量两种方式 #define 宏常量: #define 常量名 常量值 通常在文件上方定义,表示一个常量 const修饰的变量 const 数据类型 常量名 = 常量值 通常在变量定义前加关键字const,修饰该变量为常量,不可修改 ...

sinat_37281674的博客 1170

黑马程序员C++ 第一阶段 C++基础语法入门

C++编程

aaafdfd的博客 383

【C++】黑马程序员C++核心编程学习笔记(完结)

黑马程序员学习笔记——C++核心编程。除上课讲的内容以外还有一些自己的理解。

1万+

黑马程序员————OC基础学习重要小知识点总结

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1、首先,什么是Objective-C?     Objective-C是一门基于C语言的面向对象语言,C语言的基础上,增加了一层最小的面向对象语法,完全兼容c语言,它在现代计算机的主要作用于Mac OS X作为桌面语言以及作用于iPhone OS(亦称:iOS)。它原是Ne

whymerain的专栏 873

TypeScript----学习笔记(黑马程序员)

TypeScript 常用类型 类型注解 **目标:**能够理解什么是ts的类型注解 内容: 示例代码: let age: number = 18 代码中的 : number 就是类型注解 作用:为变量添加类型约束。比如,上述代码中,约定变量 age 的类型为 number 类型 解释:约定了什么类型,就只能给变量赋值该类型的值,否则,就会报错 // 错误演示 // 错误原因:将 string 类型的值赋值给了 number 类型的变量,类型不一致 let age: number = '18'

王延朕的博客 4740

黑马程序员C++核心编程2.引用

本文介绍了C++中引用的核心概念和使用方法。主要内容包括:引用的基本语法(给变量起别名)、注意事项(必须初始化且不可更改)、引用作为函数参数(可简化指针操作)和返回值(避免返回局部变量引用)。同时揭示了引用本质是指针常量,编译器会自动处理相关操作。此外还介绍了常量引用的用途,主要用于修饰形参防止误操作。通过多个代码示例展示了不同场景下引用的正确用法和常见错误,帮助理解引用的特性和应用场景。

xiayulinlll的博客 590

C++第二部分(黑马程序员)

代码区:存放CPU执行的机器指令,代码区是共享的,共享的目的是对于频繁被执行的程序,只需要在内存中有一份代码即可;C++利用了构造函数和析构函数完成对象初始化和清理工作,这两个函数将会被编译器自动调用,如果写了这两个函数编译器就调用已经写的,如果不写就调用两个空实现函数。3、私有权限private,类内可以访问 类外不可以访问(保护权限在继承中可以继续访问,私有的不可以)多继承方式,一个类继承多个类,语法:class 子类:继承方式 父类1 ,继承方式 父类2。拷贝构造:1、用已经创建的对象初始化新对象;

weixin_44944522的博客 376

【C++从0到1-黑马程序员】引用

C++从0到1-黑马程序员 课程学习笔记课程链接: 06 C++中的引用-引用的基本语法_哔哩哔哩_bilibili作用:给变量起别名语法:数据类型 &别名 = 原名作用:函数传参数时,可以利用引用的技术让形参修饰实参优点:简化指针修改实参❗引用传递也可以使形参修饰实参 4. 引用做函数返回值 5. 引用的本质 引用的本质在C++内部是一个指针常量 6. 常量引用 作用: 常量引用主要用来修饰形参,防止误操作

Chesnut. 426

黑马程序员——3、C语言(数组和指针)

---------------------- Java培训、Android培训、iOS培训、.Net培训,期待与您交流! ---------------------

tan_qi的专栏 749

练习 ~黑马程序员匠心之作-第五阶段-C++提高编程-P174~P184-模板-类模板

黑马程序员匠心之作|C++教程从0到1入门编程 关于P174~P184-练习-类模板1、类模板的基本语法2、类模板与函数模板区别 1、类模板的基本语法 类模板作用: 建立一个通用类,类中的成员数据类型可以不具体制定。用一个虚拟的类型来代表。 template<typename T> 类 解释: template — 声明创建模板 typename — 表面其后面的符号是一种数据类型,可以用class代替 T — 通用的数据类型,名称可以替换,通常为大写字母 #include<io

qq_43964914的博客 683
上一篇: 黑马程序员_类和对象的基础语法(二)
下一篇: 黑马程序员_方法与函数的区别
XCodeRush
博客等级 码龄12年 0粉丝 22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