Java基础篇:(三)类与对象

什么是无人机巡检?如何实现无人机自动巡检? 复亚智能的无人机自动巡检系统通过高度自动化的技术,实现了无人机的高效巡检作业。无人机自动机场支持无人机的自动起降和电池更换,自动飞行算法确保无人机在复杂环境中的精准飞行和拍摄,而云端识别诊断和AI感知算法平台则实现图像的实时传输和智能分析。复亚智能,作为无人机技术的创新者和推动者,致力于开发先进的无人机自动巡检解决方案,助力各行各业实现智能化、自动化的巡检工作,引领智能巡检的未来。利用人工智能和机器学习算法,无人机可以被训练来识别特定的模式和异常,如结构损坏、热泄漏等,从而提高巡检的准确性和效率。 阅读详情

一、关系

在java中,最基本的单位就是类。类是一个抽象概念,是某一类事物或物品的属性以及行为的集合。对象则是指某一具体的事物或物品,是实实在在的。举例说明一下:有一个电脑类,属性有键盘、鼠标等等,行为如打字、学习等等,我有这样一台电脑,那这台电脑就是一个电脑类的对象。

二、对象的声明与创建

       对象的声明:类名  对象名;

       对象的创建:对象名 =  new 类名();

       new 为关键字。

三、在内存中的分布

       java 的内存空间分为两种,一种是堆空间,一种是栈空间。

       现在有一个Person 类,来看看具体情况:

1、  申明一个对象

Person person;

这时JVM(java虚拟机)会在内存中划分一块相应的区域,标记为person.

 

              这时并没有创建任何对象,这个对象会分配到栈空间。

2、  创建一个对象

person = new Person();

这时JVM会为名为person的对象名创建一个对象实例。这个对象会分配到堆空间。person变量会指向该对象实例,也就是说,person会引用当前创建的对象。

其实person这个变量保存了一个对new Person()的引用地址。

 

3、  再创建一个对象

person = new Person();

这时候的内存结构为:

 

              图中(1)为2中创建的对象,(2)为当前创建的对象。

              person变量指向了新的对象。改变了引用地址值。

原对象会被垃圾回收机制回收。垃圾回收机制会回收没有保持引用的对象(也就是没用的对象)。

 

SAP CPI 如何代理第三方接口? 代理接口是指在系统 A 和系统 B 之间引入一个中间层(如 SAP CPI),由中间层负责接收来自系统 A 的请求,进行必要的处理或转换,然后将请求转发给系统 B。由于 OData 服务通常使用 JSON 格式的数据,而某些内部系统可能需要 XML 格式,因此我们添加一个 JSON 到 XML 的转换器,以确保数据格式的兼容性。为了确保返回的数据格式符合内部系统的要求,添加一个 XML 到 JSON 的转换器,将 OData 服务的响应从 XML 转换为 JSON。在集成包中,添加一个新的集成流,命名为。 阅读详情

相关推荐

ABB机器人C#二次开发实战:从通信打通到数据读写的落地指南(附完整工程)

最近在做自动化产线升级项目时,遇到一个核心需求:用C#上位机实时读取ABB机器人的关节角度、IO信号,同时下发运动指令和参数配置。翻遍全网,要么是Robot Studio的基础操作教程,要么是C++/VC++的老旧案例,C#相关的实操内容要么只给片段代码,要么跳过通信配置、权限设置等关键步骤,导致刚上手时踩了无数坑——连接超时、数据读不到、写入无响应,甚至误触发机器人安全保护。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1399

Java基础——类和对象

本篇博客介绍了Java中类和对象的基本内容,看完本篇博客后,希望大家能对类和对象能有进一步的了解

explorer363的博客 3万+

达梦数据库与sharding-jdbc的深度适配实践

本文详细介绍了达梦数据库与sharding-jdbc的深度适配实践,包括驱动与依赖管理、核心适配实现、注册与配置等关键步骤。通过扩展shardingSphere的方式,成功实现了达梦数据库的分库分表功能,并提供了常见问题解决方案和性能优化建议,助力企业级应用高效处理海量数据。

weixin_30300225的博客 625

编程语言Java入门——基础知识篇(三)类和对象

本文系统介绍了Java面向对象编程的核心概念,包括类与对象、封装、继承、多态三大特性。重点讲解了类的组成部分(成员变量、方法、构造器等)、static关键字用法、this和super关键字区别,以及对象的内存结构和创建过程。同时深入解析了对象的引用机制、垃圾回收原理和内存管理策略,并强调遵循面向对象设计原则的重要性。通过汽车制造、餐厅运营等生动类比,帮助读者理解抽象概念,并提供了大量实用代码示例,如封装实现、继承方法重写、多态应用等,为Java初学者构建了完整的面向对象知识体系。

言不信者行不果,行不敏者言多滞. 2072

vcs覆盖率相关

选择要查看的覆盖率点,右键选择 show xxx tests;

qq_40571921的博客 2399

MATLAB 基于 Baker 映射和 Logistic 混沌序列的图像加解密实现

图像加密是信息安全领域的重要研究方向,在数字版权保护、隐私保护等领域有着广泛应用。本文将介绍基于 MATLAB 的 Baker 映射和 Logistic 混沌序列的图像加解密算法,该算法利用混沌系统的初值敏感性和伪随机性,能够有效地对图像进行加密和解密。基于 Baker 映射和 Logistic 混沌序列的图像加解密算法是一种有效的方法,可以应用于数字版权保护、隐私保护等领域。MATLAB 提供了强大的工具和函数,可以方便地实现该算法。

走向CTO的路上... 937

Java基础篇——类与子类

1. 什么是类,什么是子类? 类:类是Java程序的基本要素,一个Java应用程序就是由若干个类所构成的。类是Java语言中最重要的“数据类型”。 子类:由继承得到的类叫子类。 引出新的概念:什么是继承? 继承: 继承就是子类继承父类的特征和行为,使得子类对象具有父类的实例域和方法,或子类从父类继承方法,获得等同于父类的相同行为的技术。java继承是面向对象的一个显著特征。 简单理解:类在生活中也是无处不在的,比如说所有的动物就是一个类,叫动物类,他们能吃东西,能跑等等。当然在动物类之中存在长颈鹿、狮子

A_daze的博客 1万+

YOLOv8的特征蒸馏代码应用讲解(CWD/MGD/mimic/在线蒸馏/逻辑蒸馏)

基于YOLOv8的逻辑蒸馏、特征蒸馏、在线蒸馏等方法代码介绍。

qq_41920323的博客 2584

Java基础:Java类与对象

面向对象程序设计(简称OOP)是当今主流的程序设计范型,它已经取代了20世纪70年代的“结构化”过程化程序设计开发技术。Java是完全面向对象的,必须熟悉OOP才能够编写Java程序。面向对象的程序是由对象组成的,每个对象包含对用户公开的特定功能部分和隐藏的实现部分。 本篇主要记录内容包括:面向对象程序设计概述、静态域与静态方法、构造器、内部类。

栗筝i的博客 4928

063.CI/CD for ML:给YOLO项目装上自动化流水线

本文分享了为YOLO目标检测项目搭建CI/CD流水线的实践经验。作者通过手动调试模型导出问题的经历,意识到重复验证工作比模型改进更耗时,提出需要自动化解决方案。文章详细介绍了四阶段流水线设计:1)代码质量检查;2)快速训练验证;3)推理性能基准测试;4)模型注册部署。同时总结了环境不一致、GPU资源争抢等常见问题及解决方案,建议从简单规则开始逐步完善,强调模型版本管理的重要性。实施后不仅提高了效率,还促使团队形成更规范的开发习惯。

2603_95664987的博客 237

华为OD机试真题 新系统【查找能被整除的最大整数】

华为OD新系统机试真题【查找能被整除的最大整数】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【查找能被整除的最大整数】

qq_45776114的博客 674

Java基础篇 | 初始面向对象

Java 是面向对象的编程语言,对象就是面向对象程序设计的核心。所谓对象就是真实世界中的实体,对象与实体是一一对应的,也就是说现实世界中每一个实体都是一个对象,它是一种具体的概念。对象具有属性和行为。对象具有变化的状态。对象具有唯一性。对象都是某个类别的实例。一切皆为对象,真实世界中的所有事物都可以视为对象。例如,在真实世界的学校里,会有学生和老师等实体,学生有学号、姓名、所在班级等属性(数据),学生还有学习、提问、吃饭和走路等操作。学生只是抽象的描述,这个抽象的描述称为“类”。

分享思想,留下痕迹。 1万+

备赛电赛学习硬件篇(二):电源板电路设计

1、输入接口要准备各种接口,如2p端子,锂电池接口,typec等,提供多种电源供电方案2、输出接口3、自由拓展。

m0_61022809的博客 3215

java基础-类和对象详解

Java类和对象

爱敲代码的三毛的博客 3863

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

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Java基础:类与对象

public class 类名 {//可编写0至n个属性数据类型 变量名1;数据类型 变量名2;//可编写0至n个方法修饰符 返回值类型 方法名(参数){执行语句;汽车类int number;通过代码的描述,知道类的真正意义就是在描述事物。属性和功能统称为事物中的成员。事物的成员分为两种:成员属性和成员功能。成员属性在代码中的体现就是成员变量成员功能在代码中的体现就是成员方法把写好的代码测试一下。需要一个可以独立运行类。创建对象的格式:类名 对象名 = new 类名();

Hua_TZ的博客 1246

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")

Java——类与对象

Java是一门纯面向对象的语言,简称OOP),在面向对象的世界里,一切皆为对象。面向对象是解决问题的一种思想,主要依靠对象之间的交互完成一件事情。用面向对象的思想来涉及程序,更符合人们对事物的认知,对于大型程序的设计、扩展以及维护都非常友好。1.2 面向对象与面向过程常说C语言是面向过程,Java是面向对象。那什么是面向对象,什么是面向过程呢?简单举个例子,现在我要将一个大象装入冰箱里。如何思考这个问题那么大部分情况下,首先想到的就是,怎么打开冰箱门,怎么装进去,怎么又关上冰箱门。

2303_80472275的博客 1039

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

JAVA基础 :类与对象

本篇文章主要介绍了类与对象,关键字以及构造器的作用,适合刚入门的小白。

Somelty的博客 858

【Java基础-18】什么是类:深入理解 Java 中的类与对象

类是 Java 程序中的基本单元,它是一个具有状态(属性)和行为(方法)的抽象描述。类定义了对象的属性和方法,对象是类的实例。类是创建对象的蓝图,通过类可以创建多个具有相同属性和行为的对象。属性:通过变量表示,又称实例变量。语法:数据类型 属性名;位置:类的内部,方法的外部。方法:通过方法表示,又称实例方法。语法:public 返回值类型 方法名(形参){//方法的主体注意:不再书写static,后续详解。类是 Java 编程的核心概念,它是面向对象编程的基本单元。

weixin_39033358的博客 1752

【Java|基础篇】类和对象

本篇文章主要讲解了下面三个问题类的定义和实例化构造方法this关键字众所周知面向过程和面向对象是两种重要的编程思想,而Java是属于面向对象一类的语言.面向对象(Object Oriented Programming,简称 “oop”).封装 继承和多态.这些内容后面会详细介绍.在面向对象的世界里,一切皆为对象。

云泽野の编程日记 695

Java基础——(三)对象和类

OOP:Object Oriented Programming,面向对象编程;OOD:Object Oriented Design,面向对象设计;OOA:Object Oriented Analyse,面向对象分析。面向对象程序设计(OOP)是当今主流的程序设计泛型。Java是完全面向对象的一门编程语言,它将一切以对象为载体去进行结构化设计和编程。在以前的编程,是面向过程的,比如实现一个算术运算1+1=2,这种通过一个简单的语句就能实现。

weixin_55850954的博客 1131

java:Java中的类与对象(封装篇)

通过本篇博客,读者可以更加深入地了解Java中this关键字和构造方法的概念和用法,以及如何在代码中正确使用它们来提高代码的可读性和可维护性。这些基础概念对于理解和编写Java程序是非常重要的,希望本篇博客能够帮助读者更好地掌握这些知识。

2303_80025768的博客 1530

【Java】类与对象

这里的year、month、day都是局部变量,他们并不是类中的成员变量,由于局部变量优先,所以就出现自己给自己赋值的情况,所以就会出现结果都是0️⃣,而这里的0️⃣就是一个默认值,我们后面会讲到,因此我们该怎么解决呢,这时就需要this。在我们传统的手洗衣过程中,我们洗衣服需要考虑洗的衣服的材质,洗衣方式,水温,时间等等各种各样的环节处理起来非常麻烦,如果要洗鞋又是另一种方式,根据对象的不用我们有不同的过程。面相对象程序设计关注的是对象,而对象是现实生活中的实体,比如:洗衣机。

aeljg的博客 1038

【JAVA基础】—— 类与对象

本文详细介绍了Java面向对象编程中类与对象的核心概念,从基础语法到进阶用法。主要内容包括:1)类与对象的基本概念解析,包括变量分类(局部变量、成员变量、类变量)和方法基础;2)构造方法的定义与使用,包括构造方法重载和this/super关键字;3)对象的创建过程及访问控制,强调封装原则和getter/setter方法;4)Java源文件声明规则,包括包声明、导入语句和类定义规范。通过代码示例演示了如何定义类、创建对象以及实现封装,为Java开发者提供了从入门到实践的完整指导。

花间相见的博客 838

Java基础篇_类和对象

Java是一门纯面向对象的语言,简称OOP,在面向对象的世界里,一切皆为对象。面向对象是解决问题的一种思想,主要依靠对象之间的交互完成一件事情。

m0_73620971的博客 527

Java 类与对象

类是对一类事物的抽象描述,是一个“模板”或“蓝图”,定义了这类事物的属性(状态)和方法(行为)。例如:“汽车”是一个类,它的属性包括“颜色、品牌、排量”,方法包括“启动、加速、刹车”。类不占用内存,它只是一种逻辑上的定义。对象是类的具体实例,是真实存在的个体,基于类的模板创建,具有类定义的属性和方法。例如:“我家那辆黑色的特斯拉Model 3”是“汽车”类的一个对象,它的属性有具体值(颜色=黑色,品牌=特斯拉,排量=纯电),可以执行启动、加速等行为。对象占用内存,每个对象都是独立的。类通过。

2501_91241024的博客 1388

Java基础篇之对象和类

说到面向对象,首先我们应该理解什么是对象?对象其实就是客观真实存在的一个实体。Java的思想就是:一切皆是对象。面向对象思想,注重的是对象,强调的是通过对象与对象之间相互协作,实现不同的功能效果。使用面向对象的思想来开发设计程序,实际上更符合人们对事物的认知方式,对程序的设计、扩展以及维护都非常友好。代表开发语言:C++、Java等。其实,面向过程就是一种以程序过程为中心的编程范式,程序功能的实现过程中,是通过函数和分解功能执行步骤,按照执行顺序组织代码开发的。代表开发语言:C、basic等。

ILoveYou_Xuxu的博客 741
上一篇: Java基础篇:(二)java编程基础
下一篇: Java基础篇:(四)数据类型
fyjava1984
博客等级 码龄18年 54粉丝 7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