黑马程序员_类方法

正交试验minitab 1.创建正交试验 2.根据自己的实验选择水平数和因子数,并选定一个正交表 3.得到正交表 4.填写实验结果 5.进行正交分析 点击结果,点击分析 6.得到分析结果 7.方差分析 选择响应变量与因子,点击确定 得到方差分析的结果 ... 阅读详情


黑马程序员_类方法

<一>、类方法的基本基本使用

1.基本概念
直接可以用类名指向那个的方法(类本身会在内存中占据存储空间,里面有类、对象方法列表)

2.类方法和对象方法对比
  1) 对象方法
 * 以减号开头
 * 只能让对象调用,没有对象,这个方法根本不可能被执行
 * 对象方法能访问实例变量(成员变量)


类方法程序示例:

@import <Foundation/Foundation.h>

@interface Person : NSObject

// 类方法都是以加号+开头
+ (void)printClassName;

@end

@implementation Person

+ (void)printClassName
{
	NSLog (@"这个类叫做Person");
}

@end

int main()
{
	[Person printClassName];

	// Person *p = [Person new];
	// [p test];

	return 0;
}


<二> 类方法与对象方法的区别

一、对象方法
1.减号 - 开头
2.只能由对象来调用
3.对象方法中能访问当前对象的成员变量(实例变量)


二、类方法
1.加号 + 开头
2.只能由类(名)来调用
3.类方法中不能访问成员变量(实例变量)

类方法的好处和使用场合:
1.不依赖于对象,执行效率高
2.能用类方法,尽量用类方法
3.场合:当方法内部不需要使用到成员变量时,就可以改为类方法

可以允许类方法和对象方法同名

@import <Foundation/Foundation.h>

@interface Person : NSObject
{
	int age;
}

// 类方法都是以加号+开头
+ (void)printClassName;

- (void)test;
+ (void)test;	// 类方法和对象方法可以重名,原因是类型不同。

@end

@implementation Person

+ (void)printClassName
{
	NSLog (@"这个类叫做Person-%d", age);	// 错误写法;类方法不依赖于对象。
	// 编译报错:error:instance variable 'age' accessed in class method
	//           实例变量age不能在类方法中访问
}

- (void)test
{
	NSLog (@"调用了对象方法test-%d", age);
	// [Person test];	// 对象方法中可以调用类方法
}

+ (void)test
{
	NSLog (@"调用了类方法test"):

	// [Person test];	//  无限循环
}

@end

int main()
{
	[Person test];	// 找加号+开头的类方法
	Person *p = [Person new];	
	[p test];	// 找减号-开头的对象方法

	/*
	   [Person test];	// 错误写法:对象方法只能由对象调用。
	   运行报错:+[Person test]: unrecognized selector sent to instance ...
	 */

	// [Person printClassName];

	// Person *p = [Person new];
	
	/*
	   [p printClassName];	// 错误写法;类方法只能由类来调用。
	   运行报错:-[Person printClassName]: unrecognized selector sent to instance ...
           系统会认为现在调用的printClassName是个对象方法
	 */

	return 0;
}


<三> 类方法练习


/*
 设计一个计算器类
 * 求和
 * 求平均值
 */

#import <Foundation/Foundation.h>

// 工具类:基本没有任何成员变量,里面的方法基本都是类方法
@interface JiSuanQi : NSObject

+ (int)sumOfNum1: (int)num1 andNum2: (int)num2;
+ (int)averageOfNum1: (int)num1 andNum2: (int)num2;

@end

@implementation JiSuanQi

+ (int)sumOfNum1: (int)num1 andNum2: (int)num2
{
	return num1 + num2;
}

+ (int)averageOfNum1: (int)num1 andNum2: (int)num2
{
	int sum = [JiSuanQi sumOfNum1: num1 andNum2: num2];
	return sum / 2;
}

@end 

int main()
{
	// JiSuanQi *jsq = [JiSuanQi new];
	// [jsq sumOfNum1: 10 andNum2: 13];

	[JiSuanQi sumOfNum1: 10 andNum2: 13];
	[JiSuanQi averageOfNum1: 10 andNum2: 12];

	return 0;
}





磁带库Scalar i6000界面基本操作步骤 (注:磁带库的前面的门不要打开,日常维护:主要就是简单看下磁带库的状态;绿色代表正常;黄色代表报警但不影响磁带库正常使用;红色代表报警,不能正常使用,及时和厂家联系报修。) 一、磁带库管理页面 1、首先,磁带库前面(具体作用如图) 2、查看状态和管理页面 3、管理页面登陆。用户名:service 密码:xxxxxx 4、磁带机背面 二、电脑连接磁带库进入管理页面 1.用网线把电脑和磁带库的维护接口(磁带库背面)进行连接 2.电脑环境:JAVA。把电脑的IP设置成自... 阅读详情

相关推荐

单片机入门说明书:从本质到架构,一文看透MCU核心原理

其实你每天用的洗衣机、刷的智能门锁、开的汽车里,都藏着它的身影。相当于工厂里的“运输轨道”,CPU算出的结果通过总线送到RAM存储,ROM里的程序通过总线传给CPU执行,外设的信号通过总线交给CPU处理,整个过程每秒能重复上百万次,确保各模块协同高效。高端单片机(比如STM32F4系列)还会配备DMA(直接存储器访问)单元,相当于“专用传送带”——不需要CPU干预,就能直接让外设和RAM之间传输数据(比如让ADC采集的温度数据直接存进RAM),大大降低CPU负担,让CPU能专注处理更重要的任务。

IAMIF12的博客 1046

黑马程序员——OC类方法

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1、类方法概述            实例方法就是一个方法,它在类的一个具体实例的范围内执行。也就是说,在你调用一个实例方 法前,你必须首先创建类的一个实例。         而类方法,比较起来,也就是说,不需要你创建一个实例。 +表示类方法,就是类调用方法,不依赖与任

Anne_lov的博客 475

ArcGIS Enterprise10.9.1的Windows安装部署

ArcGIS Enterprise10.9.1中Windows版本安装介绍。

qq_36250702的博客 2446

黑马程序员- 类方法和self

类方法 /* 对象方法 1>减号 - 开头 2>只能由对象调用 3> 对象方法中能访问当前对象的成员变量(实例变量)   类方法 1> 加号 + 开头 2> 只能由类名调用 3>类方法中不能访问成员变量(实例变量)   类方法的好处和使用场合 1 不依赖于对象,执行效率高 2,能用类方法尽量用类名 3,场合:当方法内部不需要使用成员变量时,就可以改为类方法   可

cao4744的专栏 334

Claude + Figma MCP 实战教程

• 拥有 Figma 的 Dev 或 Full seat(专业/企业账号)权限 才能启用 Dev-Mode MCP 服务 。• MCP 是通过标准接口连接 Claude 与 Figma,效率高,但目前仍为 Beta,稳定性可能有限。3. 服务启动后,会在本地运行,比如 http://127.0.0.1:3845/mcp 。如果设置正确,会显示已连接的 figma-dev-mode-mcp-server  。• 如果多次转换复杂组件,可能需要多次选择与多次生成,建议合理拆分设计任务。

weixin_49869937的博客 4452

利用PV操作控制进程的并发进行---经典题解

前趋图 先理清楚前趋图中的逻辑关系:P1没有前驱,P2的前驱是P1,P3的前驱是P1、P2,P4的前驱是P2,P5的前驱是P3、P4。 前驱就是指只有在前驱进程完成后,该进程才能开始执行。由图可知,这里进程之间有6条有向弧,分别表示为P1→P2,P1→P3,P2→P3,P2→P4,P3→P5,P4→P5, 各个进程间的逻辑关系,那么我们需要设定6个信号量(S1、S2、S3、S4、S5、S6),利用PV操作来控制这些过程。 对于第一个空,P1执行完成之后,需要通知P2、P3可以开始,此处需要V(S

Yan Ka Kue的博客 6140

黑马程序员——OC—类方法及匿名类

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ——— 类方法及匿名类 1、类方法概述 实例方法就是一个方法,它在类的一个具体实例的范围内执行。也就是说,在你调用一个实例方法前,你必须首先创建类的一个实例。 而类方法,比较起来,也就是说,不需要你创建一个实例。 +表示类方法,就是类调用方法,不依赖于任何对象的方法。 -表示是实例(对象)方法,只能

liuming_xing_cool的博客 617

AI智算-K8s+vLLM & Ray:DeepSeek-r1 671B 满血版分布式推理部署实践

自从上次发布 【AI-智算】K8s+SGLang实战:DeepSeek-r1:671b满血版多机多卡私有化部署全攻略] 文章后,本次将演示另一个主流推理引擎工具——vLLM,结合K8s、LWS、Ray、Volcano等技术栈,部署DeepSeek-r1 671b 满血版分布式推理集群,并对比其与SGLang推理引擎的性能表现。

Kason_iWiki 1829

黑马程序员--学习OC类方法

类方法1、类方法概述实例方法就是一个方法,它在类的一个具体实例的范围内执行。也就是说,在调用一个实例方 法前,你必须首先创建类的一个实例。 而类方法,比较起来,不需要你创建一个实例。 +表示类方法,就是类调用方法,不依赖与任何对象的方法。 -表示是实例(对象)方法,只能是对象可调用,依赖与任何对象的方法。 2、类方法的调用[类名称 类方法名称]; 3、类方法使用注意事项1)类方法可以和实例方

wy911011的博客 440

Ubuntu系统下MRIcroN、FSL6.0.5、Freesurfer7.1.1、ANTs、MRtrix3、AFNI的安装详解——核磁共振数据处理必备

Ubuntu系统下MRIcroN、FSL6.05、Freesurfer7.1.1、MRtrix3、AFNI、ANTs的安装详解一、安装MRIcroN二、 FSL6.0.5完整安装与FSLeyes等Not Found修复Anaconda与虚拟环境(所有操作均在root下)获取最新版Anaconda3安装Anaconda3配置所有用户可用去掉恼人的base创建虚拟环境FSL与FSLeyes安装(所有操作均在root下)下载FSL安装FSL添加环境变量到/etc/bash.bashrc末尾 (ubuntu)或者

从事脑科学核磁共振方法学研究,在Nature communications等权威期刊发表研究论文,熟练掌握磁共振处理方法和统计学方法,欢迎大家和我交流。 6086

实战:利用 Agent Harness 自动化 PPT 制作

本文将带你从零开始,用轻量级Agent编排框架,结合主流大模型(GPT-4o、通义千问、文心一言等),搭建一套全自动化的PPT生成工作流:从用户输入自然语言需求,到需求解析、大纲生成、内容填充、数据匹配、排版美化、导出成品,全程不需要手动操作,最快10分钟就能产出符合要求的PPT。我们不会讲晦涩的Agent理论,所有步骤都有可直接运行的代码示例,哪怕你只有基础的Python语法基础,也能跟着一步步做出能用的自动PPT工具。

AI Agent Harness Engineering 573

黑马程序员——对象方法与类方法

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- Oc是一门面向对象的计算机语言,因此理解好对象的本质是学习的基础。 Oc程序中先穿件一个类,类里声明了成员变量与方法,再由类创建对象,对象调用类里的成员变量与方法,来实现相应的功能。 类中的方法包括两种。对象方法与类方法。 一、对象方法:- (void)adc,-为方法类型,

安若宸king 341

全面指南:PyTorch与ROCm版本兼容性及多版本环境管理

本文详细介绍了在AMD GPU上配置PyTorch开发环境的完整流程,重点解决版本兼容性和多版本ROCm环境管理问题。主要内容包括:1) PyTorch与ROCm版本对应关系查询;2) 四种查看ROCm版本的方法;3) 使用update-alternatives管理多版本ROCm;4) 环境变量配置与冲突解决方案;5) 完整的验证流程和性能测试方法。文章提供了最佳实践建议和故障排除清单,帮助开发者快速搭建稳定高效的深度学习开发环境,充分发挥AMD GPU硬件性能。通过系统化的验证流程确保各组件协同工作,解决

数字人生 607

黑马程序员_类方法和对象方法的总结

---------------------- ASP.Net+Unity开发、.Net培训、期待与您交流! ----------------------   类方法和对象方法的总结:     类方法和对象方法很像,并且函数除了类型前面有点区别,其他都基本上一样。类方法是类型前加一个“+”,而对象方法则是前面加一个“-”,他们之间很像但是又有很大区别。首先使用的时候,如果方法中不需要成员变

yzyceo的专栏 524

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

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")

黑马程序员-对象方法和类方法

------  Java培训、Android培训、iOS培训、.Net培训 期待与您交流! ------- 方法的定义

lucky0125的博客 439

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

黑马程序员——类方法与self关键字

------http://www.itheima.com" target="blank">Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1.设计一个计算器类 方法: 1>计算两个整数的平均值 2>计算两个整数的和 #inport //声明 @interface JiSuanQi :NSObject -(int)sumOfNum1:(int

youqianzhenhao的博客 294

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

黑马程序员——OC学习——类方法和匿名类

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1. 类方法概述 OC中可以声明两种类型的方法:实例方法和类方法。在调用一个实例方法时必须先创建一个实例对象,而类方法使用时不需要创建实例对象。 +表示类方法,类调用类方法,不依赖于任何对象的方法,类方法的好处是可以节省内存空间。 类方法的调用:[类名称 类方法名称]; 类方法使用的示

Susie_CC的博客 1068

黑马程序员—OC—类方法 && self

------- android培训、ios培训、期待与您交流! ---------- *** 类方法 *** 声明和实现: @interface Person : NSObject + (void) age;  //声明一个类方法 @end @implementation Person + (void) age   //类方法的实现

记录黄晗学习iOS的过程 396

黑马程序员 oc弱语法,类方法,self,重写方法,super

-----------黑马程序员 IOS培训、Android培训、Java培训、期待与您交流---------------- #import <Foundation/Foundation.h> @interface Person : NSObject + (void)test1; - (void)test1; + (void)test2; - (void)test2; @...

weixin_30337157的博客 89

黑马程序员——String类方法应用的总结

String类方法主要分成四部分:1

u011268642的专栏 454

黑马程序员——File类方法的简单总结

File类方法: 一.创建: 1.boolean createNewFile():当且仅当不存在具有此抽象路径名指定名称的文件时,不可分地创建一个新的空文件。 在指定位置创建文件,如果该文件原本不存在,则创建一个,返回true;如果文件已经存在了,则不创建,返回false.它和输出流不一样,输出流对象一建立就创建文件,就算该文件已存在,它会覆盖原文件。 所以,File的创建文件更合

zhrmghgwsws的专栏 462

黑马程序员——OC基础---类方法的总结

黑马程序员——OC基础---类方法的总结 ------- <a href="http://www.itheima.com" target="blank">android培训</a>、<a href="http://www.itheima.com" target="blank">java培训</a>、期待与您交流! ----------

abuzzworld的博客 479

黑马程序员 oc随记 类方法与对象方法

------- android培训、java培训、ios培训、期待与您交流! ---------- 类方法与对象方法相比较,最根本的好处在于节省内存空间。 对象方法在执行时是先从内存栈区访问内存堆区的地址,再从内存堆区寻找方法位于内存代码区的地址,最终返回值。 而类方法则是直接从内存栈区访问内存代码区的方法,尔后得到值返回到内存栈区输出,后者比起前者少经过一个内存堆区,其消耗的内存空间相

cpo007的博客 411

黑马程序员——弱语法与类方法

------http://www.itheima.com" target="blank">Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- (1)弱语法 #inport //声明 @interface Person :NSObject @end @implementation JiSuanQi @end int main() { Pers

youqianzhenhao的博客 258

黑马程序员---OC类方法

类方法和实例方法的区别 实例方法在调用前,你必须首先创建类的一个实例 而类方法的调用,不需要创建类的对象,总之,类的调用,不依赖于任何对象   类方法的调用 语法 [类名称 类方法名称]   类方法使用注意事项: 1)类方法可以和实例方法同名,这个并不影响使用,实例方法由实例对象访问调用,类方法要通过类访问调用,不会有交叉相互影响。  @interfac

yanyanren1的博客 285

04.黑马程序员-类方法、self关键字

1. 基本概念 直接可以用类名来执行的方法(类本身会在内存中占据存储空间,里面有类\对象方法列表) 2.    类方法和对象方法对比 1)  对象方法 Ø   以减号-开头 Ø   只能让对象调用,没有对象,这个方法根本不可能被执行 Ø   对象方法能访问实例变量(成员变量)   2)  类方法 Ø   以加号+开头 Ø   只能用类名调用,对象不能调用 Ø   类方法中不能

Aaronandxj的专栏 624
上一篇: 黑马程序员_OC封装
下一篇: 黑马程序员_self
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