黑马程序员_File和Properties概述

鸿蒙OS+UniApp文件上传实战:如何解决大文件分片上传的3大坑? 本文深入探讨鸿蒙OS与UniApp结合实现大文件分片上传的实战方案,重点解决分片策略设计、网络中断处理和进度管理三大技术难题。通过鸿蒙分布式特性与UniApp跨平台能力的结合,提供动态分片调整、断点续传和跨设备进度同步等优化方案,显著提升大文件上传成功率和用户体验。 阅读详情

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

File概述

一、File概述

用来将文件或者文件夹封装成对象,方便对文件与文件夹的属性信息进行操作。File对象可以作为参数传递给流的构造函数。

创建方法:

1、将已有的和未出现的文件或文件夹封装成对象

File f 1= newFile(“c:\\a\\a.java”);

File f2 = newFile(“c:\\a”);

File f = newFile( “a.java”);

2、也可以目录和文件分开来传入

File f 3= newFile(“c:\\a” , “a.java”);

3、也可以将文件夹分装为File对象传入

File f4 = newFile( f2, “a.java”);

以上对象创建的时候,要注意的是,如果传入文件,只有文件名,那么这个目录就是相对目录,如f。如果有盘符和具体文件夹,那么就是绝对路径,如f1。

File中有一个字段,是separator,表示目录分割符,跨平台通用。静态的。

二、File中的常见方法

1、  创建

booleancreatNewFile():创建新文件,会有异常。在指定位置创建文件,创建成功则返回true,如果该文件已经存在,则不创建,返回false。

boolean mkdir():创建文件夹,只限一级目录。

boolean mkdirs():创建多级文件夹。

2、  删除

boolean delete();删除文件或文件夹,删除失败时返回false

void deleteOnExit();在程序退出时删除文件或文件夹

3、  判断

boolean exists():判断文件和目录文件是否存在,这个很总要,很常用。

isDirectory():判断对象是否是目录。

isFile():判断对象是否文件。

使用上述两方法时要注意,在判断对象是否是文件或者目的时,必须要先判断该文件对象封装的内容是否存在,即先判断exists。

isAbsolutePath():判断是否是绝对路径

4、  获取信息

String  getName():获取文件或目录名称

String  getPath():获取路径

String  getParent():该方法返回的是绝对路径中的父目录,如果此路径名没有指定父目录,则返回null。如果是相对路径就是null。如果相对路径中有上一层目录,就返回上层目录。

String  getAbsolutePath():获取绝对路径

lastModified():获取最后修改时间

length():获取文件大小

5、  特殊方法boolean renameTo(File  dest)

举例说明:File f1 = new File(“c:\\d.java”);

                      File f2 = new File(“c:\\ss.java”);

            f2.renameTo(f2);

这里对应的c盘目录中,d.java就变成了ss.java。如果重命名的地址是e盘的话,原来c盘的d.java就不见了,在e盘会出现一个ss.java文件,相当于剪切。

三、File重要方法

File[] listRoots():会返回根目录

String[]  list():会返回指定文件路径下的文件名和文件夹名,包括隐藏的名字的字符串数组。调用list方法的file对象必须封装了一个目录,该目录还必须存在。

String[] list(FilenameFilter filter):这是是传了一个过滤器,可以过滤文件名。而FilenameFilter是一个接口,其中有一个方法accept(File dir, String name),这里就会接收一个文件名,和字符串,返回值类型为boolean。当我们使用这个方法时,list会自动调用这个接口中的accept方法,当返回为true时,就会通过把文件或文件夹名称输入到String数组中,返回为false时就不会。所以我们继承这个几口,复写你方法即可。具体程序为:

       String[] arr = dir.list(new FilenameFilter(){

           //复写accept方法,注意匿名内部类的运用

           publicboolean accept(File dir, String name) {

              //进行我们需要的判断,过滤文件名

              return name.endsWith(".jpg");

           }     

    });

上面这两个方法,返回的仅仅是文件和文件名的字符串

                   File[ ]  listFiles():同上面的方法一致,但是返回的是File实例,可操作的。

                   File[ ]  listFiles(FIlenameFilter filter):加了过滤器的

 

 

          运用上面的方法列出指定目录下问价或者文件夹,包含子目录中的内容,也就是列出指定目录下所有内容。先看程序;

publicclass FileListDemo {

    publicstaticvoid main(String[] args) {

       // TODO自动生成的方法存根

       File f = new File("E:\\Java\\javaTest");

       listDemo(f);

    }

    publicstaticvoid listDemo(File f){

       //用list方法列出指定目录下的文件和文件夹

       File[] str  =f.listFiles();

       for (File file : str) {

           //遍历数组进行判断是否为目录

           if(file.isDirectory()){

       //是目录则打印一下这个目录,然后继续调用listDmeo方法

              System.out.println(file.getName().toUpperCase());

              listDemo(file);

              }

           else

       //不是目录则打印到控制台

           System.out.println(file.getPath()+"..."+file.getName());

       }  

    }

}

 

                 从上面程序可看出,我们在方法中有调用了本方法,简单来说就是自己调用自己:看一个简单的程序:

                 void method(){

                            method();

                 }

这就是自己调用了自己,这就叫递归。当然上面这个是死循环。

因为在需求中,目录中还有目录,只要使用同一个列出目录功能的函数完成即可。在列出过程中出现的还是目录的话,还可以再次调用本功能。也就是函数自身调用自身,这中编程方式称为递归。

在使用递归的时候要注意:1、规定限定条件,避免死循环。

                                                        2、注意递归次数,尽量避免内存溢出。

因为递归是函数不断调用函数自身,所以在栈内存中会不断建立函数,而之前的函数由于后面调用的函数仍在执行,不能释放,所以一旦调用自身次数过大,就会在栈内存中建立非常多的函数,导致内存溢出。

 

 

 

 

总结:

1、File对象是操作文件和文件夹的,可以创建文件和文件夹。

2、在之后我们使用文件的时候,一般都要建立成对象,流的构造函数可以接受File对象

3、注意相关的常用方法都是和文件与文件夹有关的。

4、遍历目录的两个方法,一个是list,返回的是文件名组成的String类型的数组。一个是listFiles,返回的是目录下的文件所组成的File类型的数组。

5、list和listFiles方法都可以接受一个过滤器FilenameFilter,这是一个接口,其返回的是boolean,当返回为true时,就会载入,否则就会剔除,我们需要复写其中的accept(File dir,String name)。

6、递归方法,就是函数自身调用自身。需要注意:一定要限定条件,避免死循环;递归次数不宜过多,避免内存溢出。

 

 

Properties

一、Porperites概述

Properties是hashtable的子类,也就是说,它具备map集合的特点,而且它里面的键值对都是字符串。Properties是集合中和IO技术相结合的集合容器。该对象的特点:可以用于键值对形式的配置文件。

一般软件都会配置信息,而配置信息就在ini文件里,一般只要我们启动软件,相关的配置信息就会加载进来。Properties的特点就在于此,可以操作内存中的键值对,也可以操作硬盘上的键值对即配置信息。

二、常用方法

建立对象 Properties  p = new  Properties();

1、void  load(InputStream  in ):从输入流中读取属性列表加载进集合。

         FileInputStream  fis = new FileInputStream(“info.txt);

         p.load(fis);:这步就把info.txt中的属性列表,即键值对,加载进集合中了。

void  load(Reader r  ):从字符流中数据加载进集合

2、String  getProperty(String ,key):获取指定键对应的值

String value =p.getProperty(“haihei”);  

3、Object  setProperty(Sting key, String value):设置键值对,相当于map集合中的put。

         p.setProperty(“key”, “value”);

4、Set<String> stringPropertyNames():返回属性列表的键的set集合。

         Set<String>names = p.stringPropertyNames();之后在遍历即可。

5、list(PrintStream out):将属性列表输出到指定的输出流

         p.list(System.out);

6、重要一点,Porperties可以操作硬盘数据,这里就用到store方法,把内存中我们操作的properties的数据存入到目标文件中。

         void store(OutputStream  out  , String comments)

         //改变键值对

p.setProperty(“key111” , “value222”);

//建立存储目标

FileOutpurStream  fos = newFileOutputStream(“info.txt”);

//存入目标文件中(就是操作硬盘的数据)

p.store(fos,”information”);

 

三、注意点

         1、Properties中都是String类型的

         2、加载数据时,需要有固定格式:键=值

         3、配置文件中,在#后面的为注释信息,Properties不会加载

 

 

 

总结来说:

1、Properties是Map类集合。Properties是集合中和IO技术相结合的集合容器。该对象的特点:可以用于键值对形式的配置文件。

2、,它里面的键值对都是字符串。

3、Porperties可以直接从流中加载配置文件信息,方法为load,接受一个流对象。加载数据是要有固定格式。

4、Porperties可以用store方法把程序中配置好的键值信息传入一个文件汇总,这个方法接收一个输出流。

5、它有自己的设置方法,setProperty(key ,value)和getProperty(key)。而map集合中的是put。

6、注意方法stringPropertyNames,它会将propertie中键信息存储到Set集合中,并将这个集合返回。

7、配置文件中#之后的部分,在Propertie加载时,不会将这部分加载,这部

分是注释信息。

【雕爷学编程】Arduino动手做(111)---震动提醒模块 37款传感器与执行器的提法,在网络上广泛流传,其实Arduino能够兼容的传感器模块肯定是不止这37种的。鉴于本人手头积累了一些传感器和执行器模块,依照实践出真知(一定要动手做)的理念,以学习和交流为目的,这里准备逐一动手尝试系列实验,不管成功(程序走通)与否,都会记录下来---小小的进步或是搞不掂的问题,希望能够抛砖引玉。 阅读详情

相关推荐

Speedtree学习笔记(案例)——拥有多种材质的植物如何导入使用(以草为例)

注:Speedtree无论保存还是导入模型其存储路径不可有中文。 第一步拆分草的模型 根据所需的材质去拆分(例:假若草的果实,茎秆和叶子是不同的材质那么就需拆分为三份;假若画的全部颜色及材质一样就没有必要去拆分模型) 第二步导入草的模型 在Mesh面板中依次导入草的模型——Do nothing additional right now 第三步扩大草的生长区域范围(可省略)...

L人青的博客 5722

Java程序猿必学第二十二篇—— 网络编程

//1.File相关 //1.1 FileFilter //FileFilter:文件过滤器 //listFiles方法用于将当前层的文件和目录的File对象放入数组 //FileFilter则是在放入过程中的过滤 //案例:在指定的a目录下,查找当前层txt为后缀的文件 //分析:1.后缀为txt;2.是文件 //具体操作:实例化a目录的对象;取出下面的文件和目录;再进行判断 public class Test1 { public static void main(String[] args) { .

程序猿的博客 905

永不消逝的电波 -GSM空口信号的接收与解码

一开始接触软件无线电应该是从很早之前对RFID洗衣卡的解密开始的,后来接触人员定位,慢慢的打开了这样一扇大门。。。。 翻到之前做的GSM信号的接收解码,今天就对其过程做一个记录,也不是什么新颖的内容,权当是记录和回忆了。 对于GSM网络的相关内容,不是非常的熟悉,如有不正确的,欢迎批评指正。

Jack.Xu 专栏 1万+

Java总结IO篇之File类和Properties类

File类将文件或文件夹封装成对象IO流+File一、普通测试//其他测试//创建文件//判断File文件//获取File对象信息//删除文件}1.其他测试//file.toString()返回文件路径//系统路径分隔符:\//重命名到(剪切)2.创建文件//返回是否创建成功,如果已经存在,返回falseSystem.out.println("创建文件: " + file.createNewFile());//创建文件: true。...

m0_73257876的博客 285

用Python实现一个猜密码的程序

我们用Python实现猜密码

sk6584631_sz的博客 1261

第二节:Vben Admin 登录逻辑梳理和对接后端准备

第一节,我们已经配置了前端环境,运行起来了我们的Vben Admin的项目。本节内容,我们先熟悉下项目的目录和文件,然后开始准备对接后端程序路由在 src/router页面在 sr/views本节前端登录逻辑梳理完成了,后端只要在/api/login 接口编写返回逻辑,前后段就可以打通了,具体详情我们下一节介绍。

cuiwin的专栏 5084

15:IO之File、Properties类

第一 File类一、概述:File类是有文件或文件件封装而来的对象,可以操作其属性信息,这个类的出现弥补了流的不足,流只能操作数据1、特点:1)用来将文件或文件夹封装成对象2)方便于对文件与文件夹的属性信息进行操作3)File对象可以作为多数传递给流的构造函数2、File类常见方法:实例:publicclassFileDemo{publicstaticvoidmain(S...

weixin_30268921的博客 170

RK3588开发板NPU加速YOLO目标检测完整实战教程

🚀 RK3588开发板NPU加速YOLO目标检测实战 本文详细介绍了如何在瑞芯微RK3588开发板上利用内置NPU加速YOLO目标检测的全流程: 1️⃣ 环境准备:配置RKNPU2 SDK和aarch64交叉编译器,搭建Ubuntu开发环境 2️⃣ 模型转换:从ONNX格式转换为专用RKNN模型,适配NPU硬件特性 3️⃣ 性能对比:NPU推理将处理时间从833ms降至50ms以下,帧率提升16倍 4️⃣ 实战应用:支持图像/视频流/摄像头实时检测,提供完整编译和运行命令 关键优势:专为边缘AI设计的6T

FJN110的博客 931

File类与Properties类

一、File类 在整个io包中,唯一表示与文件本身有关的类就是File类。使用File类可以进行创建或者删除文件等常用操作。该类的出现是对文件系统中的文件以及文件夹进行对象的封装。 1.构造方法 // 通过将给定路径名字符串转换为抽象路径名来创建一个新 File 实例。该路径是可存在

望不见彼岸,情不离此岸 680

【Bluetooth蓝牙开发】十一、一文秒懂 | 超详细的Bluez交叉编译

1、开篇词 2、蓝牙开发入门 3、蓝牙协议栈总览 4、蓝牙协议栈——物理层 5、蓝牙协议栈——链路层 6、蓝牙协议栈——传输层 7、蓝牙协议栈——L2CAP协议 8、蓝牙协议栈——ATT协议 9、蓝牙协议栈——GATT协议 10、蓝牙通信流程分析 11、蓝牙协议栈——Bluez交叉编译 12、蓝牙调试工具汇总

Donge's Blog 3977

Isaac Sim 入门教程(四)强化学习策略训练宇树人形机器人四足机器人示例

isaac_sim_policy_example Extension 是在 Isaac Sim 中部署 Isaac Lab 强化学习策略的一个框架和一组辅助函数。有关在 Isaac Sim 中训练和构建策略的详细信息,请访问在 Isaac Sim 中部署策略。该扩展程序默认已启用。如果被禁用,可在扩展管理器中搜索 isaacsim.robot.policy.example 重新启用。要运行下面的示例,请激活 “视窗”>“示例”>“机器人示例”,这将打开 “机器人示例 ”选项卡。

机器人控制与仿真应用 3927

IO流 - File - properties

本文主要介绍了java中流的相关知识,首先介绍IO流的分类(从不同角度对IO流进行分类),其次详细的介绍了字节流与字符流(按数据传输最小单位对流进行划分)的知识,其中包含了常见的字节流与字符流,之后介绍了文件的相关知识,最后介绍了常用配置文件properties与流的结合使用相关知识!...

一个很懒的人 601

台球 PCOL:极致物理还原的网页斯诺克引擎(附源码深度解析)

*完整源码地址**:[https://github.com/billiards/pcol-core](https://github.com/billiards/pcol-core)(包含详细文档与示例)通过这个项目,我们不仅创建了一个游戏,更构建了一个**可扩展的物理引擎框架**,为网页端复杂物理模拟开辟了新的可能性。**在线体验**:[https://pcol.billiards](https://pcol.billiards)(支持移动端触控操作)clone.velocity.x *= -0.92;

Loving_enjoy的博客 2797

黑马程序员_File对象和Properties双列集合

------- android培训、java培训、期待与您交流! ---------- 1.字节流回顾   |-- FileOutputStream   |-- FileInputStream   |-- 这2个流,操作的都是字节数组   |-- JAVAEE中,用户文件操作,全部字节流 2. 转换流   |-- 字节转向字符的桥梁 InputStreamReader

u012235879的专栏 777

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")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

黑马程序员 File类、Properties类、IO包中的其他类

------- <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! ----------

487

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——Java基础——File、Properties类

File类File类概述将文件或者文件夹封装成对象,方便对文件或者文件夹的属性信息进行操作来弥补流类的不足 分隔符 String separat File类对象方法_创建,删除,判断,获取信息 1. 创建 boolean createNewFile(); 在指定位置创建文件,如果该文件已经存在,则不创建。和输出流不同 static File creatTempFile(Strin

dillinger_liu的专栏 422

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

黑马程序员——IO流之File类、递归、Properties类

------- android培训、java培训、期待与您交流! ---------- 一、File类 1、概述 File类:文件和目录路径名的抽象表示形式。 作用: 用来将文件或者文件夹封装成对象  方便对文件与文件夹的属性信息进行操作。  File对象可以作为参数传递给流的构造函数。  2、构造方法 将文件封装成File对象,可

youngheiying的博客 381

黑马程序员-IO流(File类、Properties 类)

-----------android培训、java培训、java学习型技术博客、期待与您交流! ------------ 一、File类 1、概念: 文件和目录路径的抽象表现形式。 File这个名字有一定的误导性,它不单指文件。它既能代表一个特定文件的名称,又能代表一个目录下的一组文件的名称。 2、用途: 用来将文件或者文件夹封装成对象,方便对文件与文件

达达的专栏 819

黑马程序员——40,File类和Properties类

----------- android培训、java培训、java学习型技术博客、期待与您交流!------------     黑马程序员——40,File类和Properties类 一:File类----》         File类是针对文件和文件夹封装成对象,进行操作的类,放在java.io包中。         File类的常用字段:public   static   final

dangaodeaiyi的专栏 603

黑马程序员_十六 【File类】【Properties类】

--------------------- android培训、java培训、java学习型技术博客、期待与您交流! -------------------    1  File 类概述  我们硬盘上数据最常见的方式就是以文件存在的,为了方便操作这些文件,Java就在IO包中提供了File类对文件本身进行封装. 1、File类:文件和目录路径的抽象表现形式 2、特点: 1)用来将文

宋旭东--黑马程序员博客 675

黑马程序员_File类和Properties类

1.File类在整个IO包中与文件本身有关的操作类,所有的与文件本身有关指的是创建、删除文件等操作。在java.io包中的File类本身是一个跨平台的文件操作类,所以在操作中要更多的考虑到各个操作系统的区别。 File 即指文件也指文件夹。 2.构造方法: File(String pathname)  通过将给定路径名字符串转换为抽象路径名来创建一个新 File 实例。  File(

XinTongZuo的专栏 644

黑马程序员——IO流(File类、Properties类、打印流、序列流)

------- android培训、java培训、期待与您交流! ---------- 第一讲     File类 一、概述 1、File类:文件和目录路径名的抽象表现形式 2、特点:         1)用来将文件或文件夹封装成对象         2)方便于对文件与文件夹的属性信息进行操作         3)File类的实例是不可变的;也就是说,

永恒的博客 430

黑马程序员——File类

------- android培训、java培训、期待与您交流! ---------- File类 用来将文件或者文件夹封装成对象 方便对文件与文件进行操作 File对象可以作为参数传递给流的构造函数 File类提供了多种操作文件的有用的操作,它提供了将路径名分解的方法,用于查询与路径名所指文件有关的文件系统       一个File对象实际上表示的是一个文件的路径,而不是文件本身

InsistOwn的博客 527

黑马程序员_day20 (File,列出目录下所有内容,Properties,PrintWriter)。

---------------------- android培训、java培训 期待与您交流! ---------------------- 一:File类。  1,用来将文件或者文件夹封装成对象。  2,方便对文件与文件夹的属性信息进行操作。  3,File对象可以作为参数传递给流的构造函数。  4,了解File类中的常用方法。 import java.io.*; /* Fi

zzy203344的专栏 578

黑马程序员——java复习总结——File类和其他流对象

------- android培训、java培训、期待与您交流! ---------- 一、File类   1.1      File类的概念   File类用来将文件或者文件夹封装成对象,可以方便对文件和文件夹的操作。File对象可以作为参数传入流的构造函数中。   1.2      File类创建对象的方式   File类常见的创建方式有三种。 第一种:ne

key_fans的博客 542

黑马程序员——IO(二)——File类、Properties类、打印流、序列流等 .

黑马程序员--IO(二)--File类、Properties类、打印流、序列流等 ------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 一、File类 File类用来将文件或文件夹封装成对象,方便对文件与文件夹的属性信息进行操作。 File对象可以作为参数传递给流的构造函数。一旦创建,File对象表示的抽象路径名将永不改变。

mh2015cool的博客 413
上一篇: 黑马程序员_泛型概述和工具类
下一篇: 黑马程序员_IO(字符流和字节流)
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