import java.io.File;
import java.nio.file.Files;
public class FileTree {
static void printFile(File file, int level){
for(int i =0 ; i<level; i++){ //先打印一个“-”
System.out.print("-");
}
System.out.println(file.getName()); //接着打印文件名
if(file.isDirectory()){ //如果碰到是目录的话
File[] files = file.listFiles(); //list出目录下的文件
for(File temp : files){ //遍历文件,将递归调用打印文件的静态方法
printFile(temp,level+1); //打印的“-”要加一
}
}
}
public static void main(String[] args) {
File file = new File("F:\\java文件上传\\资料\\02.代码\\itcastupload");
printFile(file,0);
}
}
相关推荐
迷宫生成算法:从生成树到均匀随机,再到工程化 Python 实现
迷宫生成算法的世界表面上像“十几种经典算法供你挑”,但真正的分水岭其实就两条:一条是把迷宫当作随机生成树,接受算法偏置,把偏置当作风格;另一条是追求均匀生成树,把“无偏”当作目标,接受更复杂的实现与更高的成本。Wikipedia 的总述把这两条路线都讲得很清楚:迷宫生成可以视作生成树;回路可以后加;Aldous–Broder 与 Wilson 提供均匀生成树,而 DFS/Prim/Kruskal 更偏向工程常用。维基百科) Jamis Buck 的系列则告诉你:不要只问“哪个最好”,要问“我想要什么纹理”
树冠形式遍历文件夹下文件
打印文件夹下的文件,采用递归的思路 package cn.hjm.test; import java.io.File; import java.nio.file.Files; public class FileTree { static void printFile(File file, int level){ for(int i =0 ; i<level; i++){
探秘“复古像素风”:从解析到上手,打造你的像素艺术世界
摘要: 复古像素风凭借简洁色彩与方块化造型,重现经典游戏视觉魅力。创作时只需基础工具(如Aseprite/Piskel),通过5-10种色彩的块面组合即可呈现层次感,如用三色绿绘制立体小草。关键技巧包括保持低分辨率特色、运用对称复制法,并可从《马里奥》等经典作品中提取配色灵感。该风格广泛应用于独立游戏(角色/场景设计)和文创产品(动态贴纸),通过3-4帧动画即可实现火焰跳动等效果。新手建议从临摹开始,逐步转向原创科幻机甲或生活场景等主题。(149字)
调用函数打印形状很像是圣诞树的树冠
//调用函数打印形状很像是圣诞树的树冠 功能如图所示,很简单很简单的一个东东 依旧是纯粹记录 #include<stdio.h> int PrintStars(int N) { int i, j; for (i = 1; i <= N; i++) { for (j = 1; j <= N - i; j++) printf(" "); for (j = ...
雨林灵长类目标检测实战:YOLO格式数据集解析与训练指南
目标检测是计算机视觉领域的基础任务,而YOLO系列模型凭借端到端的实时检测能力,成为工程落地中最常用的算法框架之一。在实际应用中,数据质量往往比模型结构更决定最终效果,尤其是面对雨林这类光照复杂、遮挡严重、目标尺度多变的场景时,通用数据集上训练出的模型直接迁移会精度骤降。本文以热带雨林灵长类检测为切入点,解析YOLO格式数据集的目录结构、标签规范与类别分布,并结合实际操作演示从环境配置、预训练权重选择到超参数调优的完整训练流程。针对松鼠猴等小目标漏检问题和树枝遮挡导致的特征干扰,给出了切片策略、数据增强与负
HyperLynx VX2.5 实战:5分钟搞定LPDDR4X内存的批量仿真与报告分析
本文详细介绍了如何使用HyperLynx VX2.5进行LPDDR4X内存的批量仿真与报告分析,通过智能网络分组和并行计算技术,5分钟内即可完成全流程验证。文章涵盖工程准备、批量仿真配置、报告解析及典型问题解决方案,帮助工程师高效提升PCB仿真效率,确保移动设备内存接口的稳定性与性能。
中南大学(CSU)2022级期末考试
小南让老师给出一个句子,将句子的长度len和句子中单词的个数m的最大公约数设定为立方体的边长n。例如:当老师给出的句子为“you like these things sun stars and moon”时,句子长度len为40,单词个数m为8,最大公约数为8。注意,当n为1时,对应的立方体图形为一个星号*。每个样例包含一个由字母组成的句子,句子的首尾没有多余的空格,长度不超过200,句子中的单词之间用一个空格分开。每个样例首先输出一个颠倒单词顺序的句子,然后按照填充要求输出一个正确的立方体图形。
【UE4】Hierarchical Instanced Static Mesh——一种速度优于Spawn的实例化物体组件
最近需要在场景中实例出很多个相同的模型,位置也很有规律,并且要对它的位置信息进行更新。 但是一个个拖进去实在太麻烦,就发现了Spawn Actor这个蓝图方法,可以实例一个蓝图类在场景中。 但是由于数量较大,实例化的速度太慢,这时发现了一个神奇的组件——Hierarchical Instanced Static Mesh。 新建一个蓝图类,添加该组件,在细节里添加你要实例化的模型对象。 ...
File的知识学习
File类的学习 之前谈到文件的相关知识点,脑海里一点概念都没有。最近看到一些比较牛逼的视频教学到如何进行文件的操作,以及设计到框架,感觉要重新学习一下文件,还有很多好用的框架,可以快速进行文件的相关操作。这是以往不敢想象的一件工程大事。 首先是文件File类的学习 之前老是跟一些流搞混淆了,现在理清楚了,File类 的一个对象file 只是一个关于文件的对象,有可能是存在在我们硬盘中,或者
Part03 数据结构
本文介绍了CSP-S初赛中常见的高级数据结构及其实现,包括: 线性结构:双端栈、双端队列、单调队列、优先队列和ST表,重点分析了它们的特点、时间复杂度及典型应用场景。 集合与森林:并查集(带路径压缩和按秩合并)和树的孩子兄弟表示法,展示了多叉树转化为二叉树存储的方法。 特殊树结构:包括二叉堆、树状数组、线段树和字典树,详细说明了它们的构建、查询和更新操作,特别强调了线段树的递归实现和字典树的前缀匹配特性。 每种数据结构都配有核心C++代码实现,涉及数组模拟、动态规划和树形结构等编程技巧,适合算法竞赛选手快速
华为od统一考试B卷【单词搜索】C++ 实现
找到它是一个小游戏,你需要在一个矩阵中找到给定的单词。假设给定单词 HELLOWORD,在矩阵中只要能找到 H->E->L->L->O->W->O->R->L->D连成的单词,就算通过。意区分英文字母大小写,并且您只能上下左右行走,不能走回头路。
用Java打造动态圣诞树:从基础绘图到交互式效果
本文详细介绍了如何使用Java编程语言从基础绘图到实现交互式效果打造动态圣诞树。通过Swing和AWT库,开发者可以掌握图形绘制、事件处理和多线程等关键技术,并添加灯光切换、音乐播放等交互功能。文章还提供了环境准备、动态效果实现、高级视觉效果及项目打包分发的完整指南,适合Java开发者提升图形编程技能。
用 ADT 连接 SAP S/4HANA Public Cloud 开发租户的完整落地指南
摘要:在SAP S/4HANA公有云中进行ABAP开发时,必须使用Development Tenant(客户端080)而非Customizing Tenant(客户端100)连接ADT工具。开发用户需具备SAP_BR_DEVELOPER角色且写权限不受限,开发对象应创建在结构包的子包中。连接前需确认正确的ABAP服务URL(通常为Launchpad URL去掉"/ui"),并通过运行控制台程序验证全链路功能。典型开发场景如通过BAdI实现业务校验时,需遵循Clean Core原则在指定包
设计模式是什么鬼(组合)
转载自:https://mp.weixin.qq.com/s/Qm4XpUze7X_xuRD93E5wfA 组合,由于事物与事物之间存在某种关系,进而组织起来并形成某种结构并且可以共同发挥作用。组合模式所应用的就是树形结构以表达“部分/整体”的层次结构。相信我们都知道“二叉树”结构吧,根部分出来两个枝杈(左节点,右节点),每个枝杈上又可以继续分叉,直到末端的叶子为止。 当然,二叉树算是最简单的树了...
SY6982C 7.4V锂电池1A充电模块原理图设计,已量产
在手持设备、便携工具与小型无人机等场景中,7.4V(2S)锂聚合物电池的应用愈发广泛。这类电池对充电系统的安全性、效率与兼容性提出了明确要求:需支持 USB 5V 输入、1A 安全充电,同时具备多重保护机制。本文将结合一款基于 SY6982C 的充电原理图,深入解析其电路设计与技术亮点。
C#构建高精度预测模型:从数据预处理到模型部署的实战指南
【代码】C#构建高精度预测模型:从数据预处理到模型部署的实战指南。
设计模式(组合)
组合,由于事物与事物之间存在某种关系,进而组织起来并形成某种结构并且可以共同发挥作用。组合模式所应用的就是树形结构以表达“部分/整体”的层次结构。相信我们都知道“二叉树”结构吧,根部分出来两个枝杈(左节点,右节点),每个枝杈上又可以继续分叉,直到末端的叶子为止。 当然,二叉树算是最简单的树了,其实大自然中更多的是多叉树结构,我们来观察一些蕨类植物,宏观上看貌似这只是一片简单的叶子。 然而,一花一世界,一叶一菩提。仔细观察我们会发现叶子上又有小的枝叶,一个小的枝叶上又有更小的枝叶。我们不管从宏观还
华为OD机试:查找接口成功率最优时间段 (C/C++/Py/Java/JS/GO)
华为OD机试双机位C卷 查找接口成功率最优时间段,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。
python兼容jedit吗_Python实现Windows和Linux之间互相传输文件(文件夹)的方法
Python用*打印圣诞树图案要分享树冠三角形部分为n=5linux系统拷贝windows电脑共享的文件,用python怎import os os.system("cp ~/Desktop/Share/share_document.txt ./") 其中Share是在Linux和Windows的共享文件夹。python,linux下,如何打开同一个文件夹下的另一个文件?比如with open('a...
温度PID控制PLC程序
温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值
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');```[](https://bitdeli.com/free "Bitdeli Badge")
组合模式_Go设计模式(组合模式)
组合模式(Composite)定义由于事物与事物之前存在某种关系,进而组织起来并形成某种结构并且可以共同发挥作用。组合模式又叫做"部分-整体"模式,它是一种将对象组合成树状的层次结构的模式,用来表示"部分-整体"的关系,使用户对单个对象和组合对象具有一致的访问性。理解桥接模式是指将不同的资源组合在一起构成丰富的功能。例如:有一堆彩色的画笔和一堆各种形状的图案,通过两两组合(桥接),就可以...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
JAVA设计模式什么鬼(组合)——作者:凸凹里歐
组合,由于事物与事物之间存在某种关系,进而组织起来并形成某种结构并且可以共同发挥作用。组合模式所应用的就是树形结构以表达“部分/整体”的层次结构。相信我们都知道“二叉树”结构吧,根部分出来两个枝杈(左节点,右节点),每个枝杈上又可以继续分叉,直到末端的叶子为止。 当然,二叉树算是最简单的树了,其实大自然中更多的是多叉树结构,我们来观察一些蕨类植物,宏观上看貌似这只是一片简单的叶子。 ...
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。
全球灵长类动物保护现状与技术创新
灵长类动物作为生态系统中的关键物种,其保护工作涉及生物多样性维护和生态平衡。通过AI红外相机网络和基因银行等前沿技术,科学家们正在有效应对栖息地破碎化和非法贸易等威胁。技术手段如基于YOLOv5的实时识别算法和智能监测系统,显著提升了保护效率。这些创新不仅应用于亚洲的滇金丝猴和海南长臂猿,也覆盖非洲和美洲的濒危物种。公众通过消费选择和公民科学等方式也能参与保护,共同应对这一全球性挑战。
3条命令跑通Whitebox Tools免费地形与流域分析
拿到一份地形分析任务时,第一步往往是从DEM里算出坡度、汇流累积这些栅格,可为了这几步操作专门开一套商业GIS授权,确实有点奢侈。Whitebox Tools 这套用 Rust 写的开源命令行地理空间分析工具,正好把这件事压进了终端里的三条命令。 **一句话定位:它是给谁用的、凭什么值得试** - Rust 编写的单文件可执行程序,没有 GUI 依赖,装完即用 - 内置数百个工具,覆盖地形分析
搜索专题—dfs和bfs——迷宫矩阵问题学习笔记以及细节处理
dfs和bfs学习笔记,矩阵迷宫类问题例题以及总结~~~
Python结合MobileNetV2:图像识别分类系统实战
图像识别是计算机视觉领域的重要研究方向,它在人脸识别、物体检测、图像分类等领域有着广泛的应用。随着移动设备的普及和计算资源的限制,设计高效的图像识别算法变得尤为重要。MobileNetV2是谷歌(Google)团队在2018年提出的一种轻量级卷积神经网络模型,旨在在保持准确性的前提下,极大地减少模型的参数数量和计算复杂度,从而适用于移动设备和嵌入式系统等资源受限的场景。
Godot 4 项目创建与初始化:从零搭建规范游戏开发框架
游戏开发中,项目初始化是构建稳定、可维护代码基石的起点。其核心在于建立清晰的项目结构与资源配置流程,这直接影响到后续的团队协作、资源管理和跨平台部署效率。在开源游戏引擎领域,Godot以其轻量、高效的特点受到开发者青睐。Godot 4版本引入了全新的渲染管线与增强的GDScript 2.0,但规范的项目创建流程仍是高效开发的基础。本文聚焦于Godot 4项目创建的关键决策,深入解析渲染器选择(Forward+与Mobile)、项目路径规范、以及版本控制系统集成的考量。通过建立科学的目录结构(如assets、
675



被折叠的 条评论
为什么被折叠?



