【C语言练习】1.0

【C语言】《C程序设计语言》练习1-2和1-2 《C程序设计语言》练习1-2和1-2,刚开始不知道K&R为什么开头出这样的题,为什么不布置点出效果的小程序作业,而要有意去试错。不懂。不过,你做完这两题之后,就会发现真的不简单啊。 阅读详情

1、 给你任意三个整形数据,找出其中最大一个整形数。

#include <stdlib.h>
main()
{
    int a = 0;
    int b = 0; 
    int c = 0;
    int temp = 0;
    printf("请输入数据a:\n");
    scanf("%d",&a);
    printf("请输入数据b:\n");
    scanf("%d", &b);
    printf("请输入数据c:\n");
    scanf("%d", &c);
    if (a > b){
        temp = a;
    }
    else{
        temp = b;
    }
    if (temp > c){
        printf("最大值为:%d\n",temp);
    }
    else{
        printf("最大值为:%d\n", c);
    }
    system("pause");
    return 0;
}

2、求1+2!+3!+…+20!的和。

#define _CRT_SECURE_NO_DEPRECATE
#include <stdio.h> <stdlib.h>
long main()
{
    long long int product = 1;
    //double sum=0;//double只是小数部分精度高,并不一定能存放下
    long long int sum = 0;//选用long long int
    for (int i = 1; i <= 20;i++){
        product = i*product;
        sum = sum + product;
    }
    printf("%d",sum);
    system("pause");
    return 0;
}

3、编程完成数据加密。数据是五位的整数,加密规则为:
每位数字都加上6,然后用和除以8的余数代替该数字,再将第一位和第五位交换,第二位和第四位交换。

#define _CRT_SECURE_NO_DEPRECATE
#include <stdio.h> <stdlib.h>
int encrypt(int i);
main(){
    int i = 0,j=0;
    printf("输入一个五位整数");
    scanf("%d",&i);
    j = encrypt(i);
    printf("加密后的数字:%d",j);
    system("pause");
    return 0;
}
int encrypt(int i){
    int a = 0, b = 0, c = 0, d = 0, e = 0;
    a = (i % 10 + 6) % 8;
    b = (i / 10 % 10 + 6) % 8;
    c = (i / 100 % 10 + 6) % 8;
    d = (i / 1000 % 10 + 6) % 8;
    e = (i / 10000 % 10 + 6) % 8;
    int temp = 0;
    temp = a;
    a = e;
    e = temp;
    temp = b;
    b = d;
    d = temp;
    return (a+b*10+c*100+d*1000+e*10000);
}
程序设计入门——C语言 MOOC第7周编程练习 程序设计入门——C语言 MOOC第7周编程练习 1. 多项式加法(5分) 题目内容 一个多项式可以表达为x的各次幂与系数乘积的和,比如:2x6+3x5+12x3+6x+20现在,你的程序要读入两个多项式,然后输出这两个多项式的和,也就是把对应的幂上的系数相加然后输出。程序要处理的幂最大为100。 输入格式 总共要输入两个多项式,每个多项式的输入格式如下:每行输入两个数字,第一个表示幂次,第二个表示... 阅读详情

相关推荐

经典C语言程序100例之五五

【程序55】 题目:学习使用按位取反~。    1.程序分析:~0=1; ~1=0; 2.程序源代码: #include “stdio.h” main() { int a,b; a=234; b=~a; printf("\40: The a’s 1 complement(decimal) is %d \n",b); a=~a; printf("\40: The a’s 1 complement(hexidecimal) is %x \n",a); } ...

希望我的博客,能帮上你解决学习中工作中所遇到的问题 495

1048 数字加密

1048 数字加密 本题要求实现一种数字加密方法。首先固定一个加密用正整数 A,对任一正整数 B,将其每 1 位数字与 A 的对应位置上的数字进行以下运算:对奇数位,对应位的数字相加后对 13 取余——这里用 J 代表 10、Q 代表 11、K 代表 12;对偶数位,用 B 的数字减去 A 的数字,若结果为负数,则再加 10。这里令个位为第 1 位。 输入格式: 输入在一行中依次给出 A 和 B,均为不超过 100 位的正整数,其间以空格分隔。 输出格式: 在一行中输出加密后的结果。 输入样例: 12345

xuexiwd的博客 687

【STM32项目】老人健康跌倒检测系统实现(附教程PCB资料)

功能概述 跌倒检测 倾倒告警,人体角度倾斜至阈值触发蜂鸣报警 异常运动,加速度超过正常行动阈值时触发报警 心率监测 实时检测心率数据 血氧监测 实时检测采集血氧 血压测量 血压在线测量 红外体温 非接触体温采集方案 接触式体温采集方案 实时定位 中科微GPSGT-U12双频GPS北斗 GLONASS IRNSS定位系统 NEMA数据解析 可扩展高精度定位方案厘米级 屏幕显示 数据采集显示 告警阈值设置 语音提示 1欢迎使用老人智慧监测系统

洋洋的博客 1万+

加密解密,北京邮电大学OJ作业

加密解密 问题描述: 某个公司想用电话来传送数据,但又担心被人窃听。数据都是由四位数字组成的整数。为了使数据传送更加安全一些,公司要你编写一个加密数据和解密数据的程序。程序读取一个四位整数,然后按如下规则加密:每位数字都加上7,然后用和除以10的余数取代该数字;再把第1位与第3位交换,第2位与第4位交换。说明:将最高位视作第1位。如整数1234,则第1位是1,第4位是4。 输入与输出要求: 输入两个整数n和f,n代表待加密或解密的整数(0000<=n<=9999),f为标志整数,当f为1时代表将

HUGOwhitelee的博客 612

群晖NAS搭建Git Server避坑指南:从SSH配置到权限管理的完整流程

本文提供了一份详尽的群晖NAS搭建Git Server实战指南。文章从启用并安全配置SSH服务入手,深入解析了用户权限体系设计、SSH连接与仓库初始化、客户端SSH密钥配置等核心步骤,并提供了常见错误排查与生产环境加固方案,帮助开发者成功构建私有、安全的代码托管平台。

rock5的博客 420

手把手教你用MOS管设计双电源自动切换电路(附零压降方案)

本文详细介绍了使用MOS管设计双电源自动切换电路的完整方案,包括基础电路拓扑、零压降优化设计及实战调试技巧。针对外接电源与电池供电的无缝切换需求,提供低损耗MOS管选型建议和性能实测数据,帮助工程师解决传统二极管方案的压降与漏电问题。

h0i1j2k3l的博客 1446

编程心得

加密后不能还原 有一道竞赛题是这样出的: 编程完成数据加密。数据是五位的整数,加密规则为:每个数字都加上6, 然后用和除以8的余数替代该数字,再将第一位和第五位交换,第二位和第四位交换。 try: n = int(input("Please enter a five digit integer:\n")) if n < 10000 or n >= 100000: print("Input error") exit() '''加密'''

秋水共长天一色的博客 355

SCL3400硬件避坑指南:引脚兼容性测试+模式切换异常处理

本文针对村田SCL3400双轴倾角计在实际硬件设计中的常见问题,提供了详细的避坑指南。重点解析了从SCL3300迁移时的引脚兼容性真相,包括SPI时序、电源去耦等关键差异,并深入探讨了模式切换中超量程错误的复现原因与软件容错方案。同时,指导了如何根据应用场景配置低通滤波器,并给出了无自动唤醒功能下的可靠电源与长线SPI通信管理策略。

weixin_29190573的博客 292

c作业

1、 给你任意三个整形数据,找出其中最大一个整形数。#include<stdio.h>//引入头文件 int main(void){ int a,b,c,Max;//变量必须先定义后才能使用 scanf_s("%d,%d,%d",&a,&b,&c); //先将a,b比较 if (a>b){ Max=a; }else{

qq_40383589的博客 341

开源光标主题实战:从Moshi Monsters到自定义指针的完整指南

光标主题是操作系统个性化的重要组成部分,它通过替换系统默认指针图标来改变视觉交互体验。其原理在于操作系统允许用户自定义指针资源文件,这些文件定义了不同状态下的光标图像。从技术价值看,一套设计良好的光标主题不仅能提升桌面美观度,还能增强用户的情感连接和操作愉悦感,是低成本高回报的数字幸福感提升方案。在应用场景上,无论是开发者、设计师还是普通用户,都可以通过更换光标主题来个性化工作环境。本文以热门的Moshi Monsters开源光标项目为例,深入解析了光标主题的设计逻辑、系统适配方案以及二次创作方法,涵盖了W

weixin_30879833的博客 564

SAP FICO会计凭证过账接口

-------------------------------------增加职能范围-ZHANGZG-2022.09.07 注释掉-2022.09.20。CONCATENATE '总账' ls_doc_item-hkont '要求输入成本对象值!*-------------------------------------增加职能范围-ZHANGZG-2022.09.07。*-------------------------------------增加职能范围-ZHANGZG-2022.09.07。

dingqing86的专栏 1079

C语言练习题(一)

练习1: /* 1、 给你任意三个整形数据,找出其中最大一个整形数。 思路:1)分别有三个变量用于保存数据,再加一个变量保存最大值 2)先让a和b进行比较,最大值辅给Max; 3) 再让c与上面的Max进行比较,最大值赋给Max; 工具:用if进行逻辑判断 */ #include//引入头文件 int main(void){ int a,b,c,Max;//变量必须先定义后

wzj_110的博客 715

从Palantir到AI时代:Forward Deployed Engineer模式的深度解析

《从Palantir到AI时代:FDE模式的创新与挑战》摘要:Palantir开创的前置部署工程师(FDE)模式正在成为AI创业公司的标配。该模式通过现场工程师深入了解客户需求,填补产品与实际应用间的鸿沟,颠覆了传统SaaS规模化路径。核心优势在于将定制化服务转化为产品发现机制,特别适合高度异质化的AI市场。成功关键在于平衡定制与标准化,通过合同价值增长、产品杠杆效应等独特指标衡量成效。FDE人才需要兼具领域洞察力与快速原型能力。这一模式表明,在AI等新兴领域,深入客户现场可能比单纯追求技术突破更能创造商业

老孙 | Ethan Sun 的博客:AI 智能体与 AI 原生软件的工程实践 4541

【C语言】常见练习题1.0

C语言练习题

m0_73367097的博客 504

WPF在特定领域的应用:打造一款专业的图像编辑工具

WPF在特定领域的应用:打造一款专业的图像编辑工具,在软件开发的广阔领域中,Windows Presentation Foundation(WPF)以其强大的图形渲染能力和丰富的用户界面控件,为开发者提供了构建高性能、美观应用程序的平台。图像编辑工具作为一种对图形处理要求极高的应用类型,WPF 的特性使其成为理想的选择。本文将深入探讨如何使用 WPF 打造一款专业的图像编辑工具,涵盖从基础概念到实际代码实现的各个方面。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 6万+

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。

C语言初阶练习1.0

目录 1.写代码将三个整数数按从大到小输出。 2.写一个代码打印1-100之间所有3的倍数的数字 3.给定两个数,求这两个数的最大公约数 4.打印1000年到2000年之间的闰年 5.打印100~200之间的素数 1.写代码将三个整数数按从大到小输出。 #include<stdio.h> int main() { int a = 0; int b = 0; int c = 0; int tmp = 0; //输入 scanf("%d %d %d", &a, &

bit_zyx的博客 610

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

c语言中oxb0常量是什么意思,C语言练习库V1.0

C语言练习库V1.0版开发人:mzj zj(20100801)一、概述及其它(题量16题)1.所有C函数的结构都包括的三部分是()A.语句、花括号和函数体B.函数名、语句和函数体C.函数名、形式参数和函数体D.形式参数、语句和函数体2.C语言程序由()组成A.子程序 B.主程序和子程序C.函数 D.过程3.下面属于C语言标识符的是()A.2ab B.@f C.?b D._a124.C语言中主函数的...

weixin_35598854的博客 759

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")

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

C语言编程基础0-1 之习题练习1交叉合并字符串

2)若word1_len <word2_len ,合并后的字符串则为word1和word2从第一位开始到word1_len位交替放入,从word1_len到word2_len 后放入;给你两个字符串 word1 和 word2。请你从 word1 开始,通过交替添加字母来合并字符串。1)创建新数组时,新数组的长度为(strlen(word1)+strlen(word2)+1。1)分别获取两个字符串的长度,合并后的长度为两个字符串长度之和+1;3)若word1_len >word2_len则相反;

weixin_43767330的博客 463

C语言函数练习-寻找中位数v1.0

要求: 编写一个函数返回三个整数中的中间数。函数原型为:int mid(int a, int b, int c); 函数功能是返回a,b,c三数中大小位于中间的那个数。 --------------------------------------------------------------------------------------------------------------------------------- #include <stdio.h> int mid(i..

qq_63556231的博客 974

C语言编程基础0-1 之习题练习2找不同

2)遍历字符串 s,将 s 每一位 -‘a’ 作为数组 str 下标,并将str[*s++ - ‘a’]++,相当于给str数组下标为0到strlen(s) 的值都增加为1;3)遍历字符串 t,将 t 每一位 -‘a’ 作为数组 str 下标,并将str[*s++ - ‘a’]–,相当于给str数组下标为0到strlen(t) 的值都减1;4)因为t的长度大于s的长度,遍历str,找到str[i] 为负数,则 i 为所求字母的下标,i + ‘a’ 为所求字母;给定两个字符串 s 和 t ,它们只包含。

weixin_43767330的博客 354

1.0、C语言数据结构——单链表尾插法练习

【代码】1.0、C语言数据结构——单链表尾插法练习。

m0_52433668的博客 373

从0开始学c语言-14-关于(1)函数定义、函数分类、函数参数、函数调用以及函数练习

但是库函数不能干所有事,所以有更加重要的自定义函数。自定义函数和库函数一样,有函数名,返回值类型和函数参数,不一样的是这些都需要我们自己来设计。重点搞懂函数的参数和调用,然后独立敲出来练习题的代码就算可以了。

qq_61558455的博客 1130

7.4C语言基础

现象。

2303_78618914的博客 216

c语言逢单双灭并运行,c语言编程入门

恭喜你,你已经完成了第一个C语言程序,越过了第一道障碍。注意:编译生成的 .exe 文件在工程目录下的Debug文件夹内。以上面的工程为例,路径为 E:\cDemo,打开看到有一个Debug文件夹,进入可以看到cDemo.exe。如果你在安装或使用过程中遇到错误,请查看VC6.0使用教程,已经解决了一些常见的问题。在C-Free中运行C语言程序更加简单,无需创建工程,可以单独运行一个C源文件,这里...

weixin_36245958的博客 138

C/C++编程学习 - 第4周 ④ 0与1

题目链接 题目描述 小蒜上了他的第一堂计算机概论,老师说计算机内部是由很多的小开关来组成:1 代表开、0 代表关。于是聪明的小蒜便了解了,原来我们平常使用电灯开关就是把 1 变成 0、0 变成 1 嘛! 输入格式 输入只有一行,含有一个为 0 或 1 的整数。 输出格式 输入为 0 则输出 1; 输入为 1 则输出 0。 Sample Input 1 Sample Output 0 思路 输入 0 ,输出 1 ; 输入 1 ,输出 0 。 C语言代码: #include<stdio.h> i

水蛙菌 4万+

C语言计算机题库

C语言计算机题库 国家计算机C语言,练习题库 链接:https://pan.baidu.com/s/1mtU0NyNw39al5rcHSsMhPA 提取码:m7qy 复制这段内容后打开百度网盘手机App,操作更方便哦 ...

Asdas_的博客 7201
上一篇: 【JAVA_SE】构造方法与构造代码块
下一篇: 【JAVA_SE学习笔记】封装与继承
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