墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
400+累计阅读
476平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
96、有一段java应用程序，它的主类名是al，那么保存它的源文件可以是？（）
A、al.java
B、al.class
C、al
D、都对
答案：A
分析：.class是java的解析文件
97、Java类可以作为（）
A、类型定义机制
B、数据封装机制
C、类型定义机制和数据封装机制
D、上述都不对
答案：C
98、在调用方法时，若要使方法改变实参的值，可以？（）
A、用基本数据类型作为参数
B、用对象作为参数
C、A和B都对
D、A和B都不对
答案：B
分析：基本数据类型不能改变实参的值
99、Java语言具有许多优点和特点，哪个反映了java程序并行机制的（）
A、安全性
B、多线性
C、跨平台
D、可移植
答案：D、可移植
100、下关于构造函数的描述错误是（）
A、构造函数的返回类型只能是void型
B、构造函数是类的一种特殊函数，它的方法名必须与类名相同
C、构造函数的主要作用是完成对类的对象的初始化工作
D、一般在创建新对象时，系统会自动调用构造函数
答案：A
分析：构造函数的名字与类的名字相同，并且不能指定返回类型。
小鹏P7车载以太网诊断实战：从OBD口定义到DoIP协议验证
本文详细解析了小鹏P7车载以太网诊断的实战过程。从OBD接口的针脚定义入手，依据ISO13400标准，确认了以太网线对位置，并指导制作专用的RJ45转OBD线束。通过搭建测试环境，使用Ping、端口扫描及Wireshark抓包，最终成功验证了车辆对DoIP协议的支持，为基于以太网的高速诊断与刷写提供了完整的技术路径。
沈师 Java程序设计 PTA 选择题答案
Java语言具有许多优点和特点，哪个反映了Java程序并行机制的特点？( ) A. 安全性 B. 多线性 C. 跨平台 D. 可移植 正确答案：B. 多线性 What must all Java applications contain? 分值为2分。 A. an applet B. a final class C. a main method D. an applet class 正确答案：C. a main method What is the extension of a Java byt..
无耳科技 Solon v3.0.8 发布，Java 企业级应用开发框架
Solon 是新一代，Java 企业级应用开发框架。是杭州无耳科技有限公司的“根级”开源项目（最近“杭州六小龙”很火啊，我们也是杭州的哦）。从零开始构建（No Spring、No Java-EE、No Servlet），有灵活的接口规范与开放生态。采用对商用友好的 Apache 2.0 开源协议。
Java 关于类名及其源文件名是否一定要一致的探究
1. 有一段java应用程序，它的类名是Demo，那么保存它的源文件名一定要是Demo.java吗？（可以不用） 2. 有一段java应用程序，它的主类名是Demo，那么保存它的源文件名一定要是Demo.java吗？（必须滴）
六自由度机器人（机械臂）运动学建模及运动规划系列（一）——简介
毕业设计做了六轴机器人相关的课题，做完之后学到很多，在这里分享一下。
wifi/BT芯片RTL8723DS驱动移植和测试之一wifi篇
本文主要介绍如何在stm32mp157中移植并测试芯片RTL8723DS的wifi功能。
java以下声明合法的是_西安交大网络教育Java语言习题.doc
《西安交大网络教育Java语言习题.doc》由会员分享，可在线阅读，更多相关《西安交大网络教育Java语言习题.doc(42页珍藏版)》请在装配图网上搜索。1、Java语言习题一、单项选择1 MAX_LENGTH是int型public成员变量, 变量值保持为常量100，用简短语句定义这个变量。 A public int MAX_LENGTH100; B final int MAX_LENGTH10...
Linux中断子系统（二）—— 通用框架处理
1、数据结构分析 (1)中断描述符结构structirq＿desc： 1）打开CONFIG＿SPARSE＿IRQ宏（中断编号不连续），中断描述符以radix- tree来组织，用户在初始化时进行动态分配，然后再插入radix-tree中； 2）关闭CONFIG＿SPARSE＿IRQ宏（中断编号连续），中断描述符以数组的 形式组织，并且已经分配好； 3）不管哪种形式，最终都可以通过linuxirq号来找到对应的中断描述符； （2）stru...
史上最全Java面试题（带全部答案）2023年最新版
今天要谈的主题是关于求职，求职是在每个技术人员的生涯中都要经历多次。对于我们大部分人而言，在进入自己心仪的公司之前少不了准备工作，有一份全面细致面试题将帮助我们减少许多麻烦。在跳槽季来临之前,特地做这个系列的文章，一方面帮助自己巩固下基础，另一方面也希望帮助想要换工作的朋友。
基于深度学习的目标检测在 Android 端的优化实现：YOLO Mobile × NPU 加速实战教程
随着国产手机芯片日益强大，终端侧的目标检测任务已经具备实用性基础。本文围绕实际工程场景，详细讲解如何在 Android 应用中部署轻量级目标检测模型（如 YOLO Mobile、EfficientDet Lite），并结合国产手机 NPU 能力，实现高性能、低延迟、实时目标检测系统。文章将涵盖从模型选择、结构优化、量化转换到 Android 上推理加速、UI 实时渲染的全链路工程路径，强调每一环节的真实可复现性与部署细节，适合 AI 工程师、移动开发者及企业级应用落地团队参考使用。
华为OD机试真题 新系统 2026-04-26 Python&JS 实现【最大化游戏试玩资格分发】
新研发了一台游戏设备可以面向用户接受试玩。现有 n 个试玩申请，每个试玩有开始时间和结束时间。作为协调员，为了能让更多人体验到游戏，你需要对试玩申请进行选择，使得：
Java程序员经典面试题集大全（二十四）
包含最全MySQL、Redis、Java并发编程等等面试题和答案，用于参考~
Python爬虫实战：逆向解析腾讯视频API，高效获取结构化视频信息
首先，我们定义期望获取的数据结构，这有助于数据验证和代码清晰度。python"""腾讯视频信息数据模型"""title: str = Field(..., description="视频标题")vid: str = Field(..., description="视频唯一ID")play_count: Optional[int] = Field(None, description="播放量")
Java程序员经典面试题集大全（二十五）
如果将对象的方法视为对象向外界提供的服务，那么运行时的多态性可以解释为：当A系统访问B系统提供的服务时，B系统有多种提供服务的方式，但一切对A系统来说都是透明的（就像电动剃须刀是A系统，它的供电系统是B系统，B系统可以使用电池供电或者用交流电，甚至还有可能是太阳能，A系统只会通过B类对象调用供电的方法，但并不知道供电系统的底层实现是什么，究竟通过何种方式获得了动力）。方法重载（overload）实现的是编译时的多态性（也称为前绑定），而方法重写（override）实现的是运行时的多态性（也称为后绑定）。
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")
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
Java程序员经典面试题集大全（二十一）
101、若需要定义一个类域或类方法，应使用哪种修饰符？（） A、static B、package C、private D、public 答案：A 102、下面代码执行后的输出是什么（） package com.bjsxt; public class Test { public static void main(String[] args) { outer: for (int i = 0; i < 3; i++) inner: for (.
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
Java程序员经典面试题集大全（二十七）
131、接口是否可继承（extends）接口? 抽象类是否可实现（implements）接口? 抽象类是否可继承具体类（concrete class）? 答：接口可以继承接口。抽象类可以实现(implements)接口，抽象类可以继承具体类。抽象类中可以有静态的main方法。 备注：只要明白了接口和抽象类的本质和作用，这些问题都很好回答，你想想，如果你是java语言的设计者，你是否会提供这样的支持，如果不提供的话，有什么理由吗？如果你没有道理不提供，那答案就是肯定的了。 只有记住抽象类与普通类的唯.
Java程序员经典面试题集大全（二十三）
111、下面哪些是对称加密算法（） A、DES B、MD5 C、DSA D、RSA分析： 答案：A 分析： 常用的对称加密算法有：DES、3DES、RC2、RC4、AES 常用的非对称加密算法有：RSA、DSA、ECC 使用单向散列函数的加密算法：MD5、SHA 112、下面的代码段，当输入为2的时候返回值是（） publicstaticint get Value(int i){ int result=0; switch(i){ case 1: .
Java程序员经典面试题集大全（二十四），华为java面试题目
上述知识点，囊括了目前互联网企业的主流应用技术以及能让你成为“香饽饽”的高级架构知识，每个笔记里面几乎都带有实战内容。很多人担心学了容易忘，这里教你一个方法，那就是重复学习。打个比方，假如你正在学习 spring 注解，突然发现了一个注解@Aspect，不知道干什么用的，你可能会去查看源码或者通过博客学习，花了半小时终于弄懂了，下次又看到@Aspect 了，你有点郁闷了，上次好像在哪哪哪学习，你快速打开网页花了五分钟又学会了。从半小时和五分钟的对比中可以发现多学一次就离真正掌握知识又近了一步。
Java程序员经典面试题集大全（二十二）
106、如果有两个类A、B（注意不是接口），你想同时使用这两个类的功能，那么你会如何编写这个C类呢？ 答：因为类A、B不是接口，所以是不可以直接实现的，但可以将A、B类定义成父子类，那么C类就能实现A、B类的功能了。假如A为B的父类，B为C的父类，此时C就能使用A、B的功能。 107、一个类的构造方法是否可以被重载（overloading），是否可以被子类重写（overrding）？ 答：构造方法可以被重载，但是构造方法不能被重写，子类也不能继承到父类的构造方法 108、Java中byte.
Java程序员经典面试题集大全（二十六）
126、Java 有没有goto? 答： goto 是Java中的保留字，在目前版本的Java中没有使用。（根据James Gosling（Java之父）编写的《The Java Programming Language》一书的附录中给出了一个Java关键字列表，其中有goto和const，但是这两个是目前无法使用的关键字，因此有些地方将其称之为保留字，其实保留字这个词应该有更广泛的意义，因为熟悉C语言的程序员都知道，在系统类库中使用过的有特殊意义的单词或单词的组合都被视为保留字） 127、swt.
java list 排除_Java程序员经典面试题集大全 （二十）
201. 给定一个不包含相同元素的整数集合，nums，返回所有可能的子集集合。解答中集合不能包含重复的子集。public class Solution { public List<List<Integer>> subsets (int[] nums) { List<List<Integer>> res = new ArrayL...
2024年Java最全Java程序员经典面试题集大全（二十五），mybatis面试题及答案高级
按照上面的过程，4个月的时间刚刚好。当然Java的体系是很庞大的，还有很多更高级的技能需要掌握，但不要着急，这些完全可以放到以后工作中边用别学。学习编程就是一个由混沌到有序的过程，所以你在学习过程中，如果一时碰到理解不了的知识点，大可不必沮丧，更不要气馁，这都是正常的不能再正常的事情了，不过是“人同此心，心同此理”的暂时而已。！
Java程序员经典面试题集大全（二十五），kafka实战视频
122、在二进制数据中，小数点向右移一位，则数据（） **A、**除以10 **B、**除以2 **C、**乘以2 **D、**乘以10 答案：C **分析：**可以看个例子 101.1 对应的十进制为 2^2*1 + 2^1*0 + 2^0*1 + 2^-1*1 = 5.5小数点右移一位 1011 对应的十进制为 2^3*1 + 2^2*0 + 2^1*1 + 2^0*1 = 11所以是扩大到原来的2倍 123、面向对象的特征有哪些方面? 答：面向对象的特征主要有以下几个方面： **1.
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
526
扫一扫
