进制转换小记

Unity分包下载实战:AssetBundle+CDN+热更新全链路指南 分包下载是移动应用资源管理的核心技术,本质是将大体积安装包拆解为按需加载的独立资源单元,以解决用户安装意愿低、首屏启动慢、热更新不可控等关键问题。其底层依赖资源打包机制(如Unity AssetBundle)、全球分发网络(CDN)与安全热更新策略三者协同。AssetBundle提供资源隔离与依赖管理能力,CDN保障低延迟高可用下载,而热更新策略则决定版本控制、灰度发布与异常恢复的工程鲁棒性。该方案广泛应用于中重度游戏、大型工具类App及需要频繁内容迭代的商业项目,直接提升次日留存、过审成功率与用户在线时长 阅读详情
首先,进制就是计数规则。名副其实,进制分为2进制,8进制,10进制,16进制。
我们平时生活中,最常用的是10进制,而在计算机里,数据全是2进制表现形式。


首先来说下10进制,有10个基数,0-9; 计数规则是满十进一。0...5...9,10,过了9、则变成10、十位进1了、个位回到0、这就是所谓的逢十进一 


。
那么2进制,有2个基数,0、1;进位方法是逢二进一,而借位方法是借一当二.
0,1,10,11,100,101,110,111,1000;也就是过了1就是10、过了11就是100、该以往2的时候就往前进1位了、因为没有2这个基数、往前进1位时


个位恢复为0。。。可以自己尝试着往下数。数着数着就明白了。。


各进制的四则运算:


二进制的四则运算很简单.它与十进制数运算的差别在于:进位方法是逢二进一,而借位方法是借一当二.


十六进制的计数规则: 逢十六进一,借一当十六


2F+3A,写成竖式,先算F+A,F是十进制中的15,A是十,加起来是二十五,在十六进制中,满十六进10,二十五在十六进制中就是19,所以


个位是9,进1,2+3+1=6,最后等于69


16进制加法运算举例:


   4 e 2 0 h                  8 2 2 6 H
+ 1 4 0 6 h   记1         8 2 2 6 H   
------------                 ------------
   6 2 2 6 h               1 0 4 4 C H


详解:
0+6=6; 2+0=0; e+4=?e对应10进制是14,14+4=18,18转成16进制是12,所以写2记1;然后4+1=5,进1,5+1=6;最后的结果就是6226
6+6=12,12对应16进制是c,2+2=4;2+2=4;8+8=16,16对应的16进制就是10,所以,最后的结果就是1044C。最后的H代表这个数是16进制


。再比如二进制数,10100B,最后的B,代表这个数是二进制。






进制转换:


1、二进制数、八进制数、十六进制数转十进制数 
有一个公式:二进制数、八进制数、十六进制数的各位数字分别乖以各自的基数的(N-1)次方,其和相加之和便是相应的十进制数。个位,N=1;


十位,N=2...举例: 
110B=1*2的2次方+1*2的1次方+0*2的0次方=0+4+2+0=6D 
110Q=1*8的2次方+1*8的1次方+0*8的0次方=64+8+0=72D 
110H=1*16的2次方+1*16的1次方+0*16的0次方=256+16+0=272D 


1001
↓↓↓↓
1*2^3=8
0*2^2=0
0*2^1=0
1*2^0=1


2、十进制转各进制 
整数十进制转任一进制都是除模取余,至到商为0,再将所有的余数反过来排列, 比如转16进制就是除以16取余数,再将所有的余数反过来排列


就是16进制数
小数十进制转任一进制都是乘模取整数部份,至到小数部分为0,再将整数部分正序排列 
例如302
  302/2 = 151 余0
  151/2 = 75 余1
  75/2 = 37 余1
  37/2 = 18 余1
  18/2 = 9 余0
  9/2 = 4 余1
  4/2 = 2 余0
  2/2 = 1 余0
  1/2 = 0 余1
  故二进制为100101110


3、二进制转换成十六进制
4位2进制数 刚好是从 0000  (零)到 1111 (十五),所以 二进制与十六进制数的互换及其简单: 二到十六 四位一并(不够补0);  十六到二 


一位拆四。


 1 1 0 1 :1 0 1 0 :1 0 1 0 :1 0 0 1
      D             A             A             9
------------------------------------------------
       1    :    A    :   1    :    C
       (0001)           (1010)           (0001)           (1100)




0 1 2 3 4 5 6 7 8 9 a(10) b(11) c(12) d(13) e(14) f(15) 逢十六进一




数着玩吧:


2 16 10
------------------------
0 0 0
1 1 1
10 2 2
11 3 3
100 4 4
101 5 5
110 6 6
111 7 7
1000 8 8
1001 9 9
1010 a 10
1011 b 11
1100 c 12
1101 d 13
1110 e 14
1111 f 15
10000 10 16
10001 11 17
10010 12 18
10011 13 19
10100 14 20
10101 15 21
10110 16 22
10111 17 23
11000 18 24
11001 19 25
11010 1a 26
11011 1b 27
11100 1c 28
11101 1d 29
11110 1e 30
11111 1f 31
100000 20 32
               21 33
               22 34
               23 35
               24 36
               25 37
               26 38
               27 39
               28 40               
               29 41
               2a 42




Vue3 - 详细实现微信公众号H5网页内置浏览器中预览下载word文档(doc)、excel表格(xls)、ppt文稿、pdf文档等文件,微信内部直接打开预览和下载到本地教程,安卓苹果手机无差异兼容 vue3,nuxt3,微信公众号,h5,移动端,网页,网站,vue微信内置浏览器下载文件,下载文件,在微信浏览器里面实现下载任意文件,H5需要在微信浏览器中下载excel文件,实现网页在微信内置浏览器中下载文件详细教程,安卓点击下载会提示打开浏览器,后端返回流文件,如何解决无法下载文件,跳转至浏览器下载文件,发送到电脑微信,安卓,苹果,手机系统,微信H5页面,vue3微信公众号H5网站,内置浏览器下载文档,如何在微信浏览器中预览office文件,word文档,excel文档,pdf文档,ppt文档,offi 阅读详情

相关推荐

【深度学习3】ubuntu22.04从零开始搭建深度学习环境

ubuntu22.04从零开始搭建深度学习开发环境

weixin_43387635的博客 1万+

进制转换笔记

1.进制: 通俗来讲进制就是逢多少就进一,在生活中有七进制,十二进制,六十进制等等,但在计算机这块,通常是八进制,十进制,十六进制,由于在计算机内部存储数据是以二进制存储,所以我们在传输数据信息给计算机时候都会被转换为二进制,所以就会有进制的转换。 2.进制转换: 二进制转换为十进制 方法:给定一个二进制数,将该数从右往左依次乘2对应的幂次方,然后整体相加,如果有 小数部分分则从左往右,(可以以小数点为分隔线,左右的坐标轴理解) ...

m0_57524066的博客 835

Cursor使用教程,有点难

Cursor Code Editor 不仅仅是一个代码编辑器,它更是一个集成了 AI 的全功能开发环境,帮助你从代码编写到优化的整个过程变得更加智能和高效。它通过内置的 AI 代码补全、错误检测和自动修复功能,大大减少了手动编写代码的负担,帮助你快速完成开发任务。同时,Cursor 还与多种前沿的 AI 大模型集成,包括 OpenAI 的 GPT-4o、Claude 3.5 和 Meta 的 Llama 3.1。

xiaofeitunAI的博客 1万+

进制转换方法总结(详细图解)

我们都会学习数学,也知道数学中基本上都是使用 十进制,当我们接触 OI 会认识 二进制,八进制,十六进制等,下面,让我来介绍一下这些进制: 十进制: 所为十进制,就是满十进一,在一串数字中,只有 0 1 2 3 4 5 6 7 8 9 这些数,不会出现 9 以上的数,这就是满十进一的十进制,也是人们最熟悉的一种进制,计算难度低。 二进制: 所为二进制,就是满二进一,在一串数字中,只有 0 1 这些数,不会出现 1 以上的数,这就是满二进一的二进制,是人们较为熟悉的一种进制,也是计算机使用的一种进制,

Andysun06的博客 4017

【Neo4j × Python】基于知识图谱的电影问答系统(含问题记录与解决)附:源代码(含Bug解决)

此前,曾介绍过Neo4j的一些基础知识,本篇将在PyCharm中与Neo4j建立关联,从0到1实现一个基于知识图谱的电影问答系统,实现过程中,没有一帆风顺,而是遇到了一些问题,因此也包含问题的记录与解决。

追光者♂:记录、分享、总结、提升,现象级专栏《Python从入门到人工智能》作者,无惧黑暗,坚信曙光 3165

【linux】解决报错:Network error: Connection refused

【linux】解决报错:Network error: Connection refused

weixin_44502754的博客 4936

关于进制转换的一些笔记

玥玥玥玥玥的博客 396

【生信分析】clusterProfiler: universal enrichment tool for functional and comparative study(1)

clusterProfiler: universal enrichment tool for functional and comparative studyClusterProfiler: 用于功能和比较研究的通用富集工具总览1. 引言1.1 术语1.1.1 基因集和通路1.1.2 基因同源(GO)1.1.3 京都基因与基因组百科全书(KEGG)1.1.4 其他基因集2. 功能富集分析方法2.1 过度表征分析(Over Representation Analysis)2.2 基因集富集分析(Gene Se

小哲的博客 1364

java小记——Ⅰ(进制转换)

二进制:由0,1组成。以0b开头 八进制:由0,1,…7组成。以0开头 十进制:由0,1,…9组成。默认整数是十进制 十六进制:由0,1,…9,a,b,c,d,e,f组成。(大小写均可)以0x开头 ...

matthew_han的博客 129

Bootstrap方法详解——技术与实例

一、Introduction 如果说到Bootstrap你会想到什么?是Twitter推出的那个用于前端开发的开源工具包吗?Unfortunately,本文要讨论的并非是Bootstrap工具包,而是统计学习中一种重采样(Resampling)技术。这种看似简单的方法,对后来的很多技术都产生了深远的影响。机器学习中的Bagging,AdaBoost等方法其实都蕴含了Bootstrap的思想...

白马负金羁 8万+

060、模型蒸馏:把扩散模型压进单步的魔法

《端侧文生图模型蒸馏实战:从32步到1步的优化之道》摘要:针对边缘设备部署难题,本文分享了扩散模型蒸馏的核心经验。通过重构损失函数(感知损失+对抗训练+KL散度)、优化采样轨迹截取策略和改造学生模型架构,成功将Stable Diffusion压缩至单步推理。关键发现包括:小批量训练更有效、标签平滑保障生成多样性、双模型策略平衡质量与速度。在Cortex-A53芯片上实现300ms内生成,内存占用控制在200MB以下。特别强调工业部署需权衡压缩率与稳定性,建议保留迭代模式开关以适配不同场景需求。

2601_95651806的博客 149

java学习小记 输入输出 字符串 函数 高精度 进制转换

经过一场新年练习赛之后终于下定决心学习java了,毕竟c++的大数模板有较大的局限性,java这方面就是作弊器一般的存在…… 个人觉得在有c/c++语言基础的情况下学习别的语言是比较轻松的,不过时间不多,也只能速成了,遇到新问题再慢慢学。 以下算是学习笔记,有很多个人的理解,因为是速成的关系,可能有些错误,还望大家指正。 学习链接: JAVA ACM 基础 - 话别深秋 - 博客频道 -

whyorwhnt的专栏 1497

滤波电路Multisim电路仿真实验汇总——硬件工程师笔记

本文系统介绍了滤波电路的基础知识及其应用。首先按频率选择性和实现方式对滤波电路进行分类,详细阐述了低通、高通、带通、带阻滤波器以及无源、有源滤波器的特点。接着重点分析了桥式整流电容滤波、电感滤波、LC滤波和CRπ型滤波四种典型电路的工作原理、应用场景及设计要点。通过理论公式和实际案例,指导如何选择滤波元件参数,考虑寄生效应,并通过仿真验证设计效果。最后提供了硬件工程师笔试面试相关的技术资源链接,包括器件知识、电路仿真及企业真题解析等内容。本文可作为电子电路设计领域工程技术人员的学习参考资料。

XU157303764的博客 2165

php特性之intval学习小记

前言 文章同步我的个人博客http://www.quan9i.top/,欢迎大家访问。 php特性的intval是一个比较常见的漏洞,今天就来比较全面的学习这个函数,将其简单的利用方式总结一下 函数学习 学习函数最好的方式就是去学习官方的,这样学习得到的收获更多一些,这里我们先来看一下这个函数定义 intval — 获取变量的整数值 而它的具体格式和解释如下 int intval( var,base) //var指要转换成 integer 的数量值,base指转化所使用的进制 Note: 如果 bas

quan9i的博客 5960

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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。

重要网址小记

1.jsons在线工具 2.正则表达式在线测试-菜鸟 3.Qt Download qt-installer-framework 4.CRC(循环冗余校验)在线计算 5.BCC校验(异或校验)在线计算 6.在线进制转换 7.OSS(C++)的安装/下载/上传 ...

hebbely的博客 4521

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")

intval()小记

intval函数用于获取变量的整数值。通过使用指定的进制 base 转换(默认是十进制),返回变量 var 的 integer 数值。 intval() 不能用于 object,否则会产生 E_NOTICE 错误并返回 1。 intval() 在转换的时候,会从字符串的开始进行转换直到遇到一个非数字的字符。即使出现无法转换的字符串,intval() 不会报错而是返回 0 ...

火柴人的博客 745

练习python题目小记(七)

题目要求是编写一串代码,将输入的字符串中的字母改成它在字母表中的下一个解题的代码是:next_ch = chr(ord(ch) + 1)解释一下这串代码,ord是将括号中的东西转化成它相应的Unicode 码,然后加一,就是变成下一个,最后使用chr再将Unicode 码变成对应的字母。

hmbbcsm的博客 858

python小记01

boolean,True False,在使用时,需要注意的是首字母必须大写。字符串比较时,使用unicode比较大小,abc与abcdefg比是前三个字符相等,但是abc后面没有了,那就比长度,abc<abcdefg 所以是false。整型无上限,但是打印时,需要将数字转字符串,但是数字转字符串时有位数限制,默认4300,有需要可以直接修改。在声明整型时,如果位数过长,可以使用下划线分割,更加易读。字符串类型,单引号双引号等价,但是不能换行,换行需要加括号,三个单引号和双引号可以换行。

SF_1626的博客 289

java蓝桥小记

本文总结了7种常用算法技巧:1.补零法用于位数对齐;2.暴力枚举适用于小规模问题;3.k进制转十进制采用res=res×k+num的迭代计算,如十六进制61C转为1564;4.十进制转k进制通过反复取余和除法实现,如255转为十六进制FF;5.前缀和用于快速区间求和,默认a[0]=0;6.差分法处理区间增量;7.二分查找提高搜索效率。这些方法涵盖了进制转换、数值处理和搜索等常见编程场景。

2401_85593781的博客 69

嵌入式学习小记day2

0100 0001 0100 0100 0000 0000 0000 0000 //计算机中最终存储形式。0 ...... 1

weixin_71459732的博客 622

练习python题目小记(六)

第一行:dict_obj.keys()是提取字典中所有的键,然后使用sort将所有的键从小到大进行排列(数字的话,就比大小,字母的话,比较ASCII码),最终赋值给等号前面的玩意(是个列表)。第二行:dict_obj[k] for k in sorted_keys是利用列表推导式,将键所对应的值全部提取出来。第三行:将键和值排列好以后,以列表的形式输出。

hmbbcsm的博客 284

python小记

1.print(value,…, sep=’ ‘, end = ‘\n’) 2.msg = ‘’’ hello this is a test ‘’’ print(msg)会原样输出 3.print(name,age) print(name+,age) 4.format更方便 5.input()输入的都是字符串类型 6.name = ‘admin’ name1 = name 此时,name1和name的地址相同 7. str1 = ‘abc’ str2 = ‘def’ str1+str2 = ‘abcdef

zkxhlbt的博客 123

Linux BC使用小记

1.  bc  3*4 12 2. 一般使用管道 echo "3*4" | bc 12 3. 精度控制

lvdouxia1983的专栏 498

Java小记1 - 进制装换

toBinaryString(int i) //此方法返回十进制int变量的二进制表示的字符串。 toOctalString(int i) //此方法返回十进制int变量的八进制表示的字符串。 toHexString(int i) //此方法返回十进制int变量的十六进制表示的字符串。 parseInt(String s ,int radix...

qq_40395278的博客 223

Integer valueOf小记

==其实我是不太明白 第二个参数什么意思啦!==头疼,看了很多博客都说什么代表基数,跟英文单词单词一样的解释,反正不懂! 所以自己去看看源码吧! public static Integer valueOf(String s, int radix) throws NumberFormatException { return Integer.valueOf(parseInt(s,radix)); } 调用下面的两个参数的方法 为什么不带你们看方法体呢?因为答案在文档注释里面 public

qq_22583191的博客 324

Java小记——包装类

Integer 类在对象中包装了一个基本类型 int 的值,并且提供了多种方法,可以在int和String类型之间相互转换。//打印1100100。注意:其他包装类的使用和Integer的手动拆装箱格式相同。可见,100为int类型,不能调用方法来转换成其他进制。2.Integer(String s) 只能是。由于转进制方法为静态方法,所以可以直接拿类名调。把100转换成二进制,八进制和十六进制。则需要把100包装起来。判断是否是字母或数字。

m0_63138660的博客 125

小记1

0xf0  ------  16进制  -------转为10进制:240 -------转为2进制:11110000 0x0f  ------  16进制  -------转为10进制:15   -------转为2进制:00001111 0xf    ------  16进制  -------转为10进制:15   -------转为2进制:1111

向来缘浅,奈何情深 775
上一篇: 现代程序员的几个错误观点(翻老帖)
下一篇: 汇编学习笔记:基础知识,CPU对存储器的读写
flowciyu
博客等级 码龄15年 65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