Java流程控制12：打印三角形和Debug

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 200+累计阅读 212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 → 码龄19年

关注

原创最新推荐文章于 2026-04-05 17:15:36 发布 212 阅读 AI 写同款· GEO 优化 ›

Day24:流程控制12：打印三角形及Debug .练习打印三角形 练习打印三角形 阅读详情

package com.epfox.struct;

public class TestDemo {
    public static void main(String[] args) {
        for (int i = 1; i <= 5; i++) {
            for (int j = 5; j >=i ; j--) {
                System.out.print(" ");
            }
            for (int j = 1; j <=i ; j++) {
                System.out.print("*");
            }
            for (int j = 1; j < i; j++) {
                System.out.print("*");
            }
            System.out.println();
        }
    }
}

收录于

JavaSE学习

当前文章被收录于：

JavaSE学习

56 篇文章 2 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

LabVIEW机器视觉通用软件 LabVIEW 通用视觉一款仿C模式的思想与方法全网最精简零基础+通用视觉全套视频教程只想把LabVIEW当作一种兴趣，结果却当成了职业 http://t.elecfans.com/c1181.html 本次（开源）针对有一定视觉基础或项目开发经验的工程师量身打造视觉通用性系统（完全仿面向对象的原理），相对于一般的非标框架更具功能性，有效的解决复杂项目开发过程中的思路瓶颈。 LabVIEW通用视觉系统：通用软件可快速解决大部分简单的视觉开发项目，帮助众多软件工程师解决在非标视觉软件开发中的繁琐过程问阅读详情

相关推荐

OpenCLI入门：让任何网站变成你的命令行工具（超详细版）

最有用的工具，往往是最简单的。 opencli就是这样。它不会帮你写代码，不会帮你做决策，但它能把200+个平台装进你的命令行。让你用最简单的方式，获取最丰富的数据。

weixin_66295112的博客 2091

Java流程控制12：打印三角形及Debug

Java流程控制12：打印三角形及Debug 流程控制联系 //打印三角形 5行 /* * *** ***** ******* ********* */ for (int i = 1; i <= 5; i++) { for (int j = 5; j >= i ; j--) { System.out.print(" "); } for (int j = 1; j <=i ; j++) { S

T_Fei的博客 203

Maxwell个人初学经验及资料分享

前段时间学习了课题组基于Maxwell所建立的模型，因为以前从来没有使用过，只是按照一步一步记忆了操作，但总觉得不熟悉，我想是缺乏对这个软件整体的了解，真正想上手只会这一个模型也没有办法扩展。但是我感觉这些有限元分析软件学习起来应该有一些共性，基于以前对COMSOL学习的一点经验，我就在官网和其他网站找了一些学习资源构成一条基础入门之路，也可能有更好的资源，仅代表个人观点做一下分享。以上就是本人对该软件初步学习的一点理解，跟着这样的操作不到一个星期就能初步的掌握。...

怎么又是萝卜的博客 5631

Java基础之流程控制12：打印三角形及Debug

1.打印三角形 如何打印三角形 首先我们分析一下三角形的形状那么我们可以直接通过嵌套 for 循环把三角形打印出来吗？显然不能。解决办法：我们可以通过分析正方形的方式，打印出来三角形。如下图；我们可以看到，红色字 1 区域是一个倒直角三角形，我们的通过先打印这个虚的倒直角三角形。为什么说是虚的呢？因为这个直角三角形我们不需要通过具体实线打印出来。再打印 2 的部分，具体代码实现如下； for (int i = 1; i <= 5; i++) { for

tz196711199911的博客 430

ACS驱动器直线电机回零程序与误差补偿Buffer实战解析

本文深入解析了ACS驱动器控制直线电机时，实现高精度回零与误差补偿的完整实战流程。核心在于利用驱动器的D-Buffer功能，将激光干涉仪测量的误差数据导入补偿数组，通过ERRORMAP1D指令进行映射，从而实时修正定位误差，显著提升设备重复定位精度。文章详细拆解了回零程序逻辑、补偿参数设置及关键调试避坑指南。

648

【思考模型框架】采用双钻模型：发散（桌面研究/用户访谈）→收敛（需求归类/优先级排序），输出需求规格书、追踪矩阵及产品待办清单。

设计思维双钻模型是一种以用户为中心的需求管理方法，通过"发散-收敛"的双循环确保问题定位准确、方案切实可行。第一钻石（探索→定义）聚焦"找对问题"，运用用户访谈、田野调查等方法挖掘真实需求；第二钻石（开发→交付）解决"做对方案"，通过原型测试、A/B测试验证可行性。该模型强调低保真验证、多团队协作和真实用户测试，避免资源浪费与伪需求开发。典型应用场景包括产品功能优化、用户体验提升等需要精准落地的需求场景。核心价值在于建立从用户痛点到解决方案的可控闭

奶爸的编程之路，也就一周冷个三天 319

Java流程控制11：打印三角形及Debug

打印三角形及Debug 打印三角形（for循环实战）打印一个5行的三角形：第一步，5.for（之前学for循环时讲过，5.for就是5次for循环的偷懒写法） // 因为要打印5行，所以先设定一个5次的for循环 for (int i = 0; i < 5; i++) { } 第二步，思考三角形的打印原理：三角形可以看作是一个矩形挖掉两个直角三角形的得到的，所以我们接下来就是打印出一个空白倒三角形 for (int i = 1; i &l

DisolveDislove的博客 430

【C/C++ 性能优化】提高C++程序的缓存命中率以优化性能

在探讨计算机性能优化的旅程中，我们常常被引导去关注算法的复杂度、代码的优化，或是更高效的数据结构。然而，有一个经常被忽视的角色在幕后默默地影响着程序的运行效率——那就是缓存（Cache）。正如哲学家亨利·戴维·梭罗在《瓦尔登湖》中所说：“细节是造成美丽的源泉”，在软件开发的世界里，对缓存的理解和优化，就是那些决定程序性能优雅与否的细节。

探索C++编程的奥秘，分享深入的技术见解和实践，旨在激发读者创造力与解决问题的思维。 3735

Java流程控制05[打印三角形及Debug]

打印三角形 通过循环语句打印图形的练习应该学会和得到什么： 1.拆分思想，它是我们作为后台研发人必须具有的思想，这样才能将一个复杂问题简化成一个小的问题,否则一个大的开发项目是无从下手的！ 2.得到思维逻辑的锻炼做到举一反三，以及对for循环语句作用和嵌套for循环中for循环的执行顺序的深入理解代码实现：用*打印一个五行的三角形 package com.ruomeng.structure; /** * @author 1301450090@qq.com * @date 2021/3/21

小帆也能远航的博客 390

智联招聘Python岗位数据采集：基于API请求的校园招聘信息爬取实战

本项目开发了一个智联招聘Python岗位校园招聘数据采集系统，采用requests库直接调用API接口获取结构化数据。系统通过分析API接口结构，配置完整的请求头、Cookie和身份验证参数，实现了10页数据的批量采集。采集内容包括工作名称、薪资范围、企业信息等10个关键字段，并存储为Excel格式。项目严格遵守网络爬虫规范，合理控制请求频率，数据仅用于技术学习和就业分析。技术实现涉及API逆向工程、JSON数据处理、防御性编程等核心技能，为学生职业规划和教育机构教学改革提供数据支持。

那些看似不起波澜的日复一日，会在某天让你看到坚持的意义 626

上位机图像处理和嵌入式模块部署（qmacvisual获取边界点）

嵌入式-老费，一个分享专业嵌入式知识的blog 883

DAY8|流程控制 04break、continue、goto&打印三角形及Debug

break在任何循环语句的主体部分,均可用break控制循环流程。break用于强行退出部环,不执行循环中剩余的语句。(break语句也在switch语句中使用)continue语句用在循环语句体中,用于终终止某次循环过程,即跳过循环体中尚未执行的语句,接着进行下一次是否执行循环的判定。可以看到下一步的运行成果。

2303_78414531的博客 271

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

kuangshenshuo-流程控制-打印三角形及Debug

打印三角形 打印5行三角形： public static void main(String[] args) { /* 打印三角形(5行) * *** ***** ******* ********* */ for(int i=1; i<=5; i++){ //控制5行 for(int j=5;

baidu_38126306的博客 150

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Day17.打印三角形及Debug -Java流程控制

打印三角形及Debug 打印三角形 public class TestDemo { public static void main(String[] args) { //打印三角形 5行 for (int i = 1; i <= 5; i++) { for (int j = 5;j >= i ;j--){ System.out.print(" "); }

阿昌爱Java 417

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")

Java流程控制：用for循环打印一个三角形

用for循环打印一个三角形

pxqwyy1024的博客 2396

Java流程控制之打印三角形及debug的使用

大家好，今天分享使用循环语句来打印三角形 下面看代码 package struct; public class TestDemo01 { public static void main(String[] args) { //打印三角形 5行 for (int i = 0; i <= 5; i++) { for (int j = 5; j > +i; j--) { System.out.print

weixin_47556601的博客 498

流程控制10：练习打印三角形及Debug

打印三角形及Debug 学习Debug 1.Debug按钮 2.往下走按钮 mspaint画图工具先打印空格，再打星号 package com.xiyue.struct; public class TestDemo { public static void main(String[] args) { //打印三角形 5行三角形 for (int i = 1; i <= 5; i++) { for (int j = 5; j &g

weixin_47558943的博客 423

打印三角形及Debug

【代码】打印三角形及Debug。

qq_45761228的博客 166

JAVA流程控制12-打印三角形（练习题）

打印三角形 package com.faq.struct; public class TestDemo01 { public static void main(String[] args) { //打印三角形 5行 for (int i = 1; i <= 5; i++) { for(int j =5;j>=i;j--){ System.out.print(" ");//倒三角

angel56789的博客 215

狂神-Java流程控制

语句与语句之间，框与框之间都是按上到下的顺序进行的，它是由若干个依次执行的处理步骤组成的，它是任何一个算法都离不开的一种基本算法结构。Java的基本结构就是顺序结构，除非特别指明，否则就按照顺序一句一句执行。顺序结构师最简单的算法结构。

hua507992282的博客 839

P02-Java流程控制基本结构

在Java中他不是以goto形式存在，而是设置标志，通过break、continue来达到goto的效果。例2：用for循环输出1-1000之间能被5整除的数，并且每行输出3个。for循环时支持迭代的一种通用结构，是最有效最灵活的循环结构。与while循环区别：do…while循环至少会执行一次。例子：while循环计算1+2+···100=？例1：计算0~100的奇数和和偶数和。这里暂做了解，之后数组重点使用。两者皆是用于循环语句体中。例3：打印九九乘法表。

fast_gowin的博客 703

37Java流程控制-打印三角形及debug练习

流程控制练习 public class TextDemo01 { public static void main(String[] args) { //打印三角形 5行 for (int i = 1; i <= 5; i++) { for (int j = 5; j >= i; j--) { System.out.print(" "); } for (

qq_41687475的博客 210

上一篇： Java流程控制11：break、continue、goto

下一篇： java方法01：什么是方法？

OpenCLI入门：让任何网站变成你的命令行工具（超详细版）