Java学习第十一天

土壤数据库辅助工具SPAW计算土壤导水率 首先点击打开根据之前的1比100土壤数据查表得到各个组分含量其中Field Capacity是田间持水量Matric Bulk Density是基质粒密度。 阅读详情

关于Properties类:

代码:

package lesson10;
import java.util.*;
import java.io.*;
class Test 
{
	public static void main(String[] args) throws Exception
	{
		Properties pro1 = new Properties();//由于Properties继承自Hashtable,所以,里面的键值对每次读取顺序可能不一样。
		pro1.setProperty("username","128128001");
		pro1.setProperty("password","inklo888");
		pro1.setProperty("displayname","你人");

		//为了不出现乱码,建议保存为xml,因为可以指定字符集
		pro1.storeToXML(new FileOutputStream("m.xml"),"启动配置","gb2312");
		
		System.out.println(pro1);

		System.out.println("***************************************");

		Properties pro2 = new Properties();
		pro2.setProperty("Gender","男");
		//与storeToXML()相对应,加载时请用loadFromXML()
		pro2.loadFromXML(new FileInputStream("m.xml"));

		System.out.println(pro2);
	}
}


运行结果:

所保存的xml文件内容:

<?xml version="1.0" encoding="GB2312" standalone="no"?>
<!DOCTYPE properties SYSTEM "http://java.sun.com/dtd/properties.dtd">
<properties>
<comment>启动配置</comment>
<entry key="password">inklo888</entry>
<entry key="displayname">你人</entry>
<entry key="username">128128001</entry>
</properties>


 泛型:

无论实际参数(实参)是哪种类型,其实都是一个Class对象。例如ArrayList<String> r1 = new ArrayList<String>(); ArrayList<Integer> r2 = new ArrayList<Integer>(); r1.getClass()==r2.getClass() 结果是true。

这也说明在静态属性、静态初始化块、静态方法的声明中,不能使用泛型形参:因为此时可能根本不知道是哪种具体类型。

由于在系统中不会生成真正的泛型,所以 类似 c instanceof  List<String>是错误的。

泛型不能类型转换。例如test(List<Object> lst); 假若使用List<String> lst = new ArrayList<String>();调用test(lst);将出错。List<Object>与List<String>并不兼容。

微笑如果有一个类Person,很显然,他是Object的子类,也是IPerson(假设存在该接口,Person并实现了她)的子类,但对于泛型而言,则不成立。

例如:List<Person>并不是List<Object>或List<IPerson>的子类。

但通配符?是所有泛型的父类。例如test(List<?> lst)可以接受任何List的泛型类型。

但声明一个通配符引用,指向具体泛型,则该通配符引用不能用于执行包含泛型的操作。例如:List<?> lst = ArrayList<Integer>();lst.add(100);执行add时,出错。

其实,通配符?表示Object,所以,所有通过get返回的元素,否认都是Object。{假设返回类型为泛型}。但添加add时则需指明类型。得意

 

package lesson11;
import java.util.*;

class MyList<T>
{
        private static T info001;//error:不能在静态属性声明中使用泛型形参
	private T info ;
	public MyList()
	{
	}

	public MyList(T info)
	{
		this.info = info;
	}

	T getInfo()
	{
		return info;
	}

        //错误,不能在静态方法声明中使用泛型形参
        public static T getType()
        {
          return info;
        }
	
}

class A extends MyList<T>//Error 接口 抽象类 继承(实现),规则一样。
{
}


class A extends MyList<String>//Ok 接口 抽象类 继承(实现),规则一样。
{
}


class A extends MyList//Ok,默认变成Object类型 接口 抽象类 继承(实现),规则一样。
{
}


class Test 
{
	public static void main(String[] args) 
	{
     
	/* MyList hs = new MyList();
	 hs.add("Java高手");
	 hs.add("C#战舰");
	 hs.add("C++期间");
	 //hs.add(100);

	for(int i = 0 ; i < hs.size();i++ )
		{
		 System.out.println((String)hs.get(i));
     	}
		*/

		ArrayList<String> al = new ArrayList<String>();//泛型
		al.add("a");
		//al.add(new Object());
		System.out.println(al.get(0));

		MyList<String> c0 = new MyList<String>("同志们好");
		System.out.println(c0.getInfo());

		MyList c1 = new MyList(1008);//若不指定具体类型,则默认为Object
		System.out.println(c1.getInfo());

	}
}

 

泛型继承(实现)重写方法时,例如class A extends MyList<String>,public String getInfo()正确;但public Object getInfo()错误。要和声明一致!!
 

基于 STM32 的乒乓球发球机控制系统设计与实现 乒乓球发球机是一种能够按照预设参数自动、连续发出乒乓球的训练设备。本系统以 STM32F103C8T6 为主控核心,通过控制实现球速调节、实现落点与旋转方向控制、实现出球节奏控制,并配合 OLED 显示与按键人机交互,实现速度、频率、落点、旋转四大参数的可调发球训练。 阅读详情

相关推荐

SAP 超详细解析信用控制

当然,集团内中国区、日本或欧洲区的公司使用了不同本位货币会计核算虽然分开,但对于客户的信用也可以统一管 理的,只要将这些不同本位币的公司代码纳入同一信用控制范围,信用控制范围货币可以考虑使用总部集团的货币,各公司代码的信用发生额自动根据系统设定汇率 转换为统一的信用控制范围货币。此步有一个“覆盖CC范 围”的选项,表示在过账时此步缺省的分配给公司代码的信用控制范围可以在其它信用控制范围使用,有时当一个公司代码的客户需要将信用数据过账到其它信用控 制区域,这个选择就非常有必要。

matinal 當冬夜漸暖 。公众号:matinal 1万+

JAVA学习打卡第十一天——多线程

多任务多线程普通方法调用和多线程程序.进程.线程Process和Thread说起进程,就不得不说下程序。程序是指令和数据的有序集合,其本身没有任何运行的含义,是一个静态的概念而进程则是执行程序的一次执行过程,它是一个动态的概念。是系统资源分配的单位通常在一个进程中可以包含若干个线程,当然一个进程中至少有一个线程,不然没有存在的意义。线程是CPU调度和执行的单位注意:很多多线程是模拟出来的,真正的多线程是指有多个CPU,即多核,如服务器。

xianyun1211的博客 1000

基于boot + 双app升级方案

基于boot+双app的升级方案

weixin_44654285的博客 4515

java202302java学习笔记第十一天-评委打分2

java

qq_41632427的博客 99

苍穹外卖项目面试总结话术

美食速递这个项目最初是我参与制作的大创项目,是一款为中南学生提供校园外卖送至宿舍服务的软件,包含系统管理后台和小程序端两部分。其中系统管理后台主要提供给食堂内部员工使用,可以对食堂各个窗口、员工、订单、菜品等进行维护管理;小程序端可以在线浏览菜品、添加购物车、下单等,由学生兼职做跑腿送餐上门服务。这是个前后端分离的项目,我主要是负责后端的用户登录、员工管理,菜品管理,订单管理模块的编码实现。

qq_45195447的博客 1万+

intel-VROC raid卡驱动 centos7.9

u盘进入系统,按e,在出现下面在quiet前面输入inst.dd initcall_blacklist=vmd_drv_init 后按Ctrl和x,开始引导。进入系统,按e,在出现下面在quiet前面输入inst.dd inicll_blacklist=vmd_drv_init 后按Ctrl和x,开始引导。驱动完成后,在输入 c 回车, 引导过程开始,进入安装界面。输入1 ,选择这个ISO驱动文件里的rpm包。输入1 ,选择这个ISO驱动文件里的rpm包。vi编辑 /etc/default/grub。

dacming的博客 4545

Java学习第十一天—递归输出第n个斐波那契

题目:数组:1,1,2,3,5,8,13,21,34、、、、称为斐波那契数列,即第n个数字等于前两个数字的和,请编写代码求第n个斐波那契数。

qq_40491931的博客 153

[Dify实战] 品牌舆情速览:多渠道抓取、聚类情绪、生成日报-带绑定资源

摘要: 品牌舆情监测面临多渠道信息分散、手工处理效率低的痛点。Dify舆情速览助手通过自动化流程(数据抓取→情绪聚类→日报生成)帮助快速识别热点与风险。方案核心包括: 结构化处理:按情绪(正/中/负)聚类,分级标注风险事件; 日报输出:含热点摘要、趋势分析及处置建议(动作+团队+时间窗口); 质量控制:数据去噪、黑名单过滤,结合人工复核确保合规性。 落地需明确数据源分级(如权威媒体优先)、设置情绪阈值,并建立"发现-响应-复盘"闭环机制,提升舆情应对效率。 (字数:150)

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 299

java202302java学习笔记第十一天-找质数1

java

qq_41632427的博客 98

论文翻译:arxiv-2023 Do-Not-Answer: A Dataset for Evaluating Safeguards in LLMs

随着大型语言模型(LLMs)的快速发展,出现了新的、难以预测的有害能力。这要求开发者能够通过评估“危险能力”来识别风险,以便负责任地部署LLMs。在这项工作中,我们收集了第一个开源数据集,用于评估LLMs中的安全保障,并以低成本部署更安全的开源LLMs。我们的数据集经过策划和筛选,只包含负责任的语言模型不应遵循的指令。我们注释并评估了六个流行的LLMs对这些指令的响应。基于我们的注释,我们继续训练了几个类似BERT的分类器,并发现这些小型分类器在自动安全评估上能够取得与GPT-4相当的成果。

CSPhD-winston的博客 1132

Labview邪修01:贪吃蛇小游戏

摘要:博主使用LabVIEW 2020(32位)复刻了经典贪吃蛇游戏。程序具备随机生成蛇(初始长度3)和食物、三档速度调节、键盘方向控制等功能,碰撞边界或自身即游戏结束。实现过程包括:1)界面设计,使用二维颜色盒数组构建游戏区,添加速度枚举控件和功能按钮;2)程序架构,采用模块化设计包含Main.vi、Start.vi等6个核心VI,分别处理初始化、位置计算、碰撞检测等逻辑;3)事件驱动机制,通过开始/结束事件、按键响应和超时循环实现游戏流程控制。运行时可实时显示分数,完整还原了贪吃蛇的核心玩法。

weixin_38637405的博客 972

java202302java学习笔记第十一天-评委打分1

java

qq_41632427的博客 123

【Win10/11】Windows电脑WiFi显示小地球/断网的解决方法 Windows WiFi小地球、网络连接中断、网络重置、无线网卡驱动、Win10/Win11网络修复

最近经常有粉丝留言问我,Windows 电脑突然连不上 WiFi,右下角网络图标显示成了“小地球 🌐”,或者干脆提示“未连接 - 没有可用的连接”。明明其他设备网络都正常,唯独自己的电脑断了。作为在互联网大厂混迹多年的前端程序员,我自己也碰到过这个问题。总结几种比较常见、亲测有效的解决方法,写出来供大家参考,希望能帮你快速恢复上网!问题原因推荐解决方法系统设置错乱使用网络重置功能驱动异常或冲突卸载后重启自动安装驱动驱动版本过旧手动更新网卡驱动实在不行考虑使用系统还原点或重装系统这几个方法中,

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 3850

学习java第十一天!(泛型)

2.泛型通配符-上下限。

2401_88987098的博客 316

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")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

学习Java第十一天——苍穹外卖Day03_10~14

本文介绍了菜品管理系统的分页查询和删除功能实现。在分页查询部分,设计了每页10条记录的查询功能,支持按菜品名称、分类和状态筛选。删除功能支持单条和批量删除,但限制启售中和被套餐关联的菜品不可删除。通过中间关系表处理菜品与套餐的多对多关联,并优化了删除时的性能问题,确保同时删除关联的口味数据。文章包含需求分析、设计思路和代码实现截图,展示了完整的开发流程和测试结果。

博主是26届应届生,大三以前的专业课也没有好好学,眼下马上面临秋招,日益焦虑,遂记录每日Java后端学习进度,共勉。 738

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

学习java第十一天

学习java第十一天 接口:定义了一些规范和方法 api工具:需要查看底层源码,并模仿。 在java.lang下所有包都不需要进行导入包操作。 类与库: 库: 1、jdk提供的 2、自己封装的 3、第三方的库(大部分收费) 类库: 把java文件编译成class字节码文件,然后打包成jar文件提供使用. 引入第三方库: 1.下载jar (导入到工具类) 2.在项目里新建一个文件夹 lib j...

weixin_44377696的博客 158

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

java学习第十一天笔记-字符串211-集合的遍历

java

qq_41632427的博客 104

java202302java学习笔记第十一天-方法的练习3判断数据是否存在

java

qq_41632427的博客 87

java学习第十一天笔记-字符串218-返回多个数据

java

qq_41632427的博客 123

java学习第十一天笔记-字符串215-添加学生对象并遍历键盘分析

java

qq_41632427的博客 112

java学习第十一天笔记-字符串216-添加用户对象并判断是否存在

java

qq_41632427的博客 163

java学习第十一天笔记-字符串203-调整字符串内容并比较

前端

qq_41632427的博客 70

杏仁玫瑰花饼的Java学习日记第十一天(super,方法重写,多态,instanceof关键字,static关键字,抽象类,接口)

是多态的基础,用于统一接口、简化代码。

2502_91364876的博客 2112

java学习第十一天笔记-字符串214-添加学生对象并遍历键盘录入

java

qq_41632427的博客 112

Java学习 第十一天

Java学习 第十一天第一章 Java语言的三个特点新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 第一章 Java语言的三个特点 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markd

The_______shy的博客 216

JAVA学习第十一天

第十一天

weixin_46084532的博客 229
上一篇: Java学习第十天
下一篇: Java学习第十二天
phqde
博客等级 码龄22年 3粉丝 23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