javase基础--数据类型&基本运算

本文深入探讨了变量的概念,包括其定义、初始化及作用域,同时详细解析了8种基本数据类型,如byte、short、int等的特点和适用场景,并介绍了string作为引用数据类型的应用。此外,还讲解了不同类型之间的级别关系。

1变量

概念
内存中一个存储区域,该区域拥有自己的名称和数据类型,该区域的数据可以在同一数据类型的范围内不断变化。

定义
数据类型 变量名=初始化值。
通过变量名来访问所指向内存区域的值。

注意
需要初始化才能使用变量
变量作用域在一对{ }内

2数据类型

基本数据类型 8个
byte : 8位,最小数据单位,-128-127
short : 16位 -32768 ~ 32767
int : 32位 -2^31 -1 ~ 2^31 ,默认
long :64位 在定义后面加l ,小于32位的变量按int结果算
char :16位 用单引号括起来的 1 个字符 不能为 0个字符
boolean
float: 32位 1 位符号位,8 位指数,23 位有效尾数 如果要是float, 数字后面要加f
double : 64位 1 位符号位,11 位指数,52 位有效尾 默认

级别:byte,char,short(这三个平级)–>int–>float–>long–>double
string是引用数据类型

3运算符

1算数运算符
“ + -*/ %” %:任何整数模2不是0就是1,所以只要改变被模数就可以实现开关运算。
+:连接符。
++,- -
2比较运算符
3赋值运算符
= += -= *= /= %=
4逻辑运算符 运算结果为true或false
& | ^ ! && ||
^两边不一样为true

& 和 &&区别:
& :无论左边结果是什么,右边都参与运算。
&&:短路与,如果左边为false,那么右边不参数与运算。
| 和|| 区别:
|:两边都运算。
||:短路或,如果左边为true,那么右边不参与运算。

5位运算符 现将数字转化为二进制,按位计算,运算结果为数字,
& | ^~
<< 左移:向左移几位就是乘以2的几次幂 12<<2=12*4=48
>>右移 :向友移几位就是除以2的几次幂 12>>2=12/4=3
^:相同则0,不同则1 一个数据对另一个数据位异或两次,该数本身不变。
~:按位取反

6三元运算符
(关系表达式) ? 表达式1 : 表达式2;

陷阱题

1
byte b1=3,b2=4,b;
b=b1+b2; //错误,在计算中jvm把b1,b2转换为int类型计算,int类型赋值给byte会抛出损失精度的错误。

2
byte by = 130;
byte的范围为-128 -127,130超出范围,运算会砍掉前面8位,结果变成126
130 转为二进制
00000000 10000010
10000010取补码 11111110 得到-126

3
byte b=1;
b++;
这里会做一个自动转化动作,b=(byte)(b+1) ,不报错

4
赋值运算符 系统会自动转换 ,
byte a=1;
a+=1;

5判断一个值是否为奇数,是返回true,
效率最高:
int i;
return (i&1)==1
return (i>>1<<1!=i)

6 &和&&

int y=1,x=1;
if(1==3 & ++y>0) ;
if(1==3&& ++x>0);
System.out.println("Y:"+y+"...X:"+x);

结果:Y:2…X:1

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合&ldquo;传声港&rdquo;工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从&ldquo;流量思维&rdquo;向&ldquo;价值思维&rdquo;转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点&ldquo;AI+全渠道&rdquo;组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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