java函数--03

华为MA5626 ONU开局配置实战:从零到业务就绪的完整命令手册 本文详细介绍了华为MA5626 ONU设备的开局配置全流程,包括物理连接、命令行初始化、业务VLAN划分、PoE功能配置及故障排查。通过实战命令手册,帮助网络工程师快速完成从设备上电到业务就绪的完整配置,特别适合FTTB场景部署。 阅读详情

什么是函数?

函数就是定义在类中的具有特定功能的一段独立小程序
函数也成为方法
函数的格式:
修饰符 返回值类型 函数名(参数类型 形式参数1,参数类型 形式参数2, ……)
{
执行语句;
return 返回值;
}
返回值类型:函数运行后的结果的数据类型
参数类型:是一个变量,用于存储调用函数时传递函数的实际参数
实际参数:传递给形式参数的具体数值
return:用于结束函数
返回值:该值会返回给调用者
————————————————————————————
为了提高代码的复用性,对代码进行抽取
将这个部分定义成一个独立的功能。方便以后使用
java中对功能的定义是通过函数的形式来体现的

public static void main(String[] args)
{
    getResult(4);
}
public static int getResult(int num)
{
    return num*3+5;
}

打印结果17

当函数运算后没有具体的返回值时,这时返回值类型用特殊的关键字标识,该关键字就是void。void代表的是函数没有具体返回值的情况。就是说当函数的返回值类型是void时,函数中的return语句可以省略不写

public static void main(String[] args)
{
    getResult(4);
}
public static void getResult(int num)
{
    System.out.println(num*3+5);    
}

判断两个数是否相等

public static boolean compare(int a,int b)
{
    /*
    if(a==b)
        return true;
    else
        return false;
    */

    //return (a==b)?true:false;

    return a==b;

}

1,是在明确函数的返回值类型
2,明确函数的参数列表(包含参数的类型和参数的个数)。

需求:定义功能,对两个数进行比较,获取较大的数

public static int getMax(int x ,int y)
{
    /*
    if(x>y)
        return x;
    else 
        return y;
    */
    return (x>y)?x:y;
}

1 定义一个功能,用于打印矩形
2 定义一个打印99乘法表功能的函数

class FunctionTest
{
    public static void main(String[] args)
    {
        draw(4,5);
        printhr();
        print99();
    }

    public static void draw(int hang,int lie)
    {
        for(int x=0;x<hang;x++)
        {
            for(int y=0;y<lie;y++)
            {
                System.out.print("*");
            }

            System.out.println();
        }

    }

    public static void printhr()
    {
        System.out.println("-------------------------");
    }

    public static void print99()
    {
        for(int x =1;x<=9;x++)
        {
            for(int y =1;y<=x;y++)
            {
                System.out.print(y+"*"+x+"="+x*y+"\t");
            }
            System.out.println();
        }
    }
}

打印结果
这里写图片描述

重载

重载只和参数列表有关系
什么时候用重载?
当定义的功能相同,但参与运算的内容不同
那么这时就定义一个函数名称以表示其功能,方便阅读,而通过参数列表不同来区分多个同名函数
这里写图片描述

windows11系统封装教程 1、 现在电脑品牌各式各样,小白对电脑软件的安装存在较大的难题,今天笔者针对以上的问题做如下教程:windows11系统封装教程方式为视频方式。 阅读详情

相关推荐

基于Java+SpringBoot+Vue的中小企业设备管理系统的设计与开发(源码+lw+部署文档+讲解等)

💗博主介绍:✌新人博主,工作经验两年+、专注于Java、小程序技术领域和毕业项目实战✌💗🌟文末获取源码+数据库🌟

2301_76502068的博客 1385

python可变参数args传入函数存储类型_可变参数*args传入函数的储存方式是什么?...

展开全部Java1.5增加了新特性:可变参数:适用于参数个数不确定,类型确定的情况32313133353236313431303231363533e78988e69d8331333431343634,java把可变参数当做数组处理。注意:可变参数必须位于最后一项。当可变参数个数多余一个时,必将有一个不是最后一项,所以只支持有一个可变参数。因为参数个数不定,所以当其后边还有相同类型参数时,java无...

weixin_39848097的博客 1269

Visual Studio Git 使用指南

Visual Studio 2022深度集成了Git功能,提供了直观的图形界面管理源代码。本文详细介绍了VS中Git的使用方法:从环境准备、克隆/创建仓库开始,重点讲解了"Git更改"窗口的日常操作,包括查看修改、暂存文件、提交推送等。同时涵盖了分支管理、查看历史、解决冲突等核心功能,以及储藏、重置等高级操作。文章还提供了实用技巧,如提交规范、频繁提交等最佳实践。VS的Git集成覆盖了日常开发需求,图形界面与命令行可互补使用,适合各层次开发者高效管理代码版本。

guigenyi的专栏 1576

java定义一个数,java学习-如何定义一个函数及其简单练习

class FunctionDemo2 {public static void main(String[] args){/*int sum=getSum(4,6);System.out.println("sum="+sum);*///get(4,5));}public static void get(int a,int b){System.out.println(a+b);return;}/*如何...

weixin_39545805的博客 476

银行会计第2课:交易和核算分离的思想

核算作为会计的基础,将交易转化为可量化的信息,而会计则通过整合核算结果,实现对经济活动的全面把控。- 本质:指企业或主体之间发生的、能引起经济利益变动的具体事项,比如采购商品、销售货物、支付工资等,是客观发生的经济事实。可售产品(业务视角的核算对象) + 属性条件(核算的分类,限制等) = 核算类型(会计视角,含有科目分类内容)- 核算:会计人员根据采购发票、入库单等,将这笔交易记为“借:原材料,贷:银行存款”(对事实的会计处理)。- 特点:是核算的源头,不涉及会计处理,仅代表经济行为的发生。

ademen的博客 500

一文速览:大模型语料构建与基础训练全流程实战指南

因为模型只有看到足够丰富、高质量的数据,才能真正学到“真本事”,展现出更强大的泛化能力,也就是能够在全新的场景和任务下,做出准确的推理和判断。我们日常做饭的时候,通常会先把买回来的菜仔细清洗干净,把坏掉的叶子、泥土、杂质等去除掉。同理,训练大模型的数据就像我们的食材,如果不干净,就会影响模型的学习效果,甚至训练出逻辑紊乱的模型。在大模型的世界里,有一句名言:“Garbage in, Garbage out”,翻译过来就是“垃圾输入,垃圾输出”,说白了,就是给模型喂的是什么数据,它学到的就是什么知识。

master_hunter的博客 1673

【JAVA 03】构造函数

1、函数名与类名相同 2、不用定义返回值类型。(不同于void类型返回值,void是没有具体返回值类型;构造函数是连类型都没有) 3、不可以写return语句。(返回值类型都没有,也就不需要return语句了) java构造函数,也叫构造方法,是java中一种特殊的函数。函数名与相同,无返回值。 作用:一般用来初始化成员属性和成员方法的,即new对象产生后,就调用了对象了属性和方法。 在现实生活中...

qq_45037925的博客 142

java 函数 数组_JAVA基础--函数和数组03

一、函数的引入函数的引入能把相同的代码都抽出来,放到一个地方,等到要使用的时候再去调用,如果有不同的数据,在使用的时候传递就行了;2. 函数的概念:函数又叫方法,一段独立于代码块 直接卸载类中,实现独立的方法3. 函数的作用:解决的代码的重用性差的问题4. 函数的书写方式修饰符 返回值类型 方法名(参数类型1,参数类型2,参数类型3,参数类型.....){功能代码(方法体)return 返回值的数...

weixin_32973973的博客 292

筑牢上线前安全防线:安全运维服务中的检测实践与深化

在日益严峻的网络安全形势下,将漏洞扫描、渗透测试和基线核查有机结合的上线前安全检测,是保障信息系统安全、稳定、合规上线的基石。通过专业、严谨、协作的检测实践,乙方安全团队能够有效协助甲方在系统生命周期的起点就构筑起坚固的安全防线,为业务的顺利开展和用户的信任保驾护航,真正实现“安全赋能业务”的价值。这道“守门人”的职责,是数字时代企业稳健前行的不可或缺的保障。专业的安全服务提供商(乙方)需要与甲方(系统所有者/运营方)建立紧密、透明、协作的伙伴关系,实现风险的闭环管理,甚至推动甲方安全能力的长期提升。

huluang的专栏 185

Mac安装Claude Code的3种方式及5类报错解决方案

介绍在Mac上安装Claude Code的3种实测可行方式(官方dmg、Homebrew+ARM原生构建、Docker容器化),并针对Gatekeeper签名验证失败、Rosetta 2内存对齐崩溃、Python ABI兼容性冲突等5类高频报错提供根因分析与可复现解决方案,覆盖M1–M3及Intel

weixin_28728443的博客 365

JAVA基础--函数和数组03

一、函数的引入 函数的引入     能把相同的代码都抽出来,放到一个地方,等到要使用的时候再去调用,如果有不同的数据,在使用的时候传递就行了;   2. 函数的概念:函数又叫方法,一段独立于代码块 直接卸载类中,实现独立的方法   3. 函数的作用:解决的代码的重用性差的问题   4. 函数的书写方式   修饰符 返回值类型 方法名(参数类型1,参数类型2,参...

a18800118638的博客 126

《计算机视觉:从入门到精通》技术手册 第1章 计算机视觉概述与历史演进

视觉感知与机器视觉在工程实践中常被混用,但二者存在本质差异。视觉感知强调对光学信号的语义理解与场景解释,核心在于从二维投影重建三维世界的物理与语义属性。该领域关注遮挡处理、光照变化、材质反射等复杂因素的建模,其目标是实现类似人类视觉系统的场景理解能力。机器视觉则侧重于工业场景中的精密测量与控制,通常基于结构化光源、已知几何约束与标定参数,执行边缘检测、尺寸测量、位置定位等任务。前者面向开放环境的通用理解,后者面向受控环境的精确执行。

u012133341的博客 271

Java SE03基础复习 函数 数组

2.9函数 2.9.1函数的定义 函数就是定义在类中的具有特定功能的一段独立小程序,或者称为方法 2.9.2函数的格式 修饰符 返回值类型 函数名(参数类型 形式类型…) { 执行语句; return 返回值; } 特殊情况: 功能没有具体的返回值。 return后面直接用分号结束 返回值类型用void表示 return;也可以省略不写 2.9.3函数的特点 定义函数可以将代码封装 便于对该功能进...

qq_36675934的博客 167

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

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

对照JAVA学习Rust(03)--函数

从java开发者角度学习rust

hqiangtai的博客 633

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")

2023-03-08 java 函数的重载 ,重写

函数的重载(在一个类里面可以函数名相同,但是参数不能相同),重写(重写父亲的方法)

m0_51258807的博客 140

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

chapter 03函数习题

百知教育学习 - 胡鑫喆 - chapter 03函数习题 题目链接 提取码:nxo0 1.代码 package chapter_03; import java.util.*; public class Practice_03_01{ public static void main(String[] args) { Scanner s = new Scanner(System.in); ...

m0_45044194的博客 509

java语言基础03 函数与数组

函数: 格式 : 函数名 第一个单词首字母小写,后面单词的首字母要大写 //修饰符 返回值类型 函数名( 参数类型 形式参数 1 , 参数类型 形式参数 2, ... ) { 执行语句; return 返回值; // 执行到 return 时函数结束 // 不会执行后面的内容,对应的,return之后也不能出现语句 } 特殊用法: 重载 在同一个类中,允许存在函数名一样的函数 只要它们的参数个数或者参数类型不同即可视作不同函数,与返回值无关。 数组: 同一种类型数

ice_nova的博客 144

【Java】【基础篇】day03:循环语句与函数

前言 本期任务:毕向东老师Java视频教程学习笔记(共计25天) 原视频链接:黑马程序员_毕向东_Java基础视频教程 day01:编写HelloWorld程序 day02:操作符与条件选择语句 day03:循环语句与函数 一、打印三角形 /* 需求:打印三角形 思路; 两重循环 步骤: 1. 第一层循环控制三角形层数 2. 第二层循环控制'*'的个数和位置 3. 注意换行 思路; 函数实现 步骤:返回值为空,参数可设置为输出行数 1. 重载两种

weixin_43868754的博客 288

JAVA基础day03 循环 函数运用及函数的重载

循环:while(先判断再执行),do—while(先执行一次,然后判断),for循环(第一个语句中定义的变量,出循环后不能使用,只在for语句内有效)循环中可以为循环取名字,称为标号。 w:for( ){ q:for( ){break w; } }continue和break单独存在时,下面不可以有其他语句,会报错,因为执行不到。函数里面

春水上行的博客 789

2023-03-04 java 主函数main和测试函数test,还有调用函数(在主函数里面调用其他的函数)

1.main主函数,执行一个类就只是执行里面的主函数。 2.test测试单元以及使用test所需要调用的包。 3.重命名类,在函数中用重命名类来调用其他函数。

m0_51258807的博客 1114

Java03-while语句,for语句、函数

学习内容:while语句, 一、while 1. /* 循环语句while 定义初始化表达式; while(条件表达式) {     循环体(执行语句); } */ class WhileDemo {     public static void main(String[] args)     {         int x = 1;         whi

Hello World! 361

Java_语法基础03_函数(方法)

标题

Mi Qi 244

Java基础03:循环结构;函数;重载;数组

一、循环结构 代表语句:while,do while  ,for 1. 二、其他流程控制语句 1.break语句:应用范围:选择结构和循环结构 2.continue语句:应用于循环结构。 注: a.这两个语句离开应用范围,存在是没有意义的。 b.这个两个语句单独存在下面都不可以有语句,因为执行不到。 c.continue 语句是结束本次循环接续下次循环。 d.标号的出现,可以让

若云_bai的专栏 693

java取余数的函数_java每日一练(19_03_27)

名人名言昨日翻译It's the easiest thing in the world for a man to deceive himself.世界上最简单的事情就是欺骗自己。今日名言The sting of a reproach,is the truth of it.2019.03.26问题及解析public class ExceptionTest { public stati...

weixin_39769740的博客 576

Java基础-03-java流程控制、函数及内存结构

Java基础 编程基础 1、程序流程控制 (1)、三元运算符 (x>y)?z:m; Eg: y = (x>1)?100:200; //若x>1则把100赋给y,否则把200赋给y三元运算符的特点:可以简化代码,但必须有一个结果。 (2)、选择结构 注意:if和switch都很像,但具体什么场景下,应用哪种语句呢? 如果判断

faith_yee的专栏 653
上一篇: java基础语法--02
下一篇: java数组--04
飞鸿踏雪泥-
博客等级 码龄12年 4粉丝 48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