跳到主要內容

C#教材(6) 函式與參照

函式與參照


  • 類別與基本型別
(1) 資料型別
在通常資料型別(char , int , bool , double..)或是稱數值型別(value type)都是編譯器實際儲存
空間給該變數,例如:當我宣告一個變數的資料型別為int時並指定值42給它,這時編譯器
會規畫32位元的記憶體空間來儲存它。

Ex:
int i = 31 ;         // 指派32位元給它
int temp =  i ;   // 宣告新的記憶體空間來存i的值
i = i+1 ;            // i =32      

由上面可以知道當我們利用基本型別做指派給別的變數、刪除或修改時,並不會影響
其他的變數,因為它是另外宣告一個空間來存放資料內容。

(2) 參照型別
當我們宣告一個類別Car名稱為c後,並將c指派給newC的變數,這時編譯器並不會跟資料
型別一樣存放實際的值,而是存放位址並指向同一個Car物件(資料實際放的位置)。當我
們改變newC的內容也會改變c的內容。我們可以利用一個成語來形容"牽一髮動全身"。

Ex:
class Car{
   public int speed ;
   public string name ;
 }

Car c = new Car()
Car newC = c    //將c實體位址指派給newC

  • null 和 nullable
在C#中不允許初始化宣告為null,但是真的必要宣告為null我們可以利用?來完成。在型別後面加上?號表示該變數為nullable數值型別。
Ex:
      int i = null  (X) 
      int? i = null (O)

當我們將i宣告為nullable時,我們可以利用HasValue來判斷是該值是否為null。

if ( ! i.HasValue )
   i = 99 ;
else
   System.Concole.WriteLine(i.Value);

Nullable屬性 :

HasValue : HasValue 屬於 bool 型別。當變數包含非 null 的值時,該屬性會設定為 true。
Value: 如果 HasValue 為 true,Value 會包含有意義的值。如果 HasValue 為 false,表示該變數為null,存取  Value 將會擲回InvalidOperationException
  • ref參數與out參數
(1) ref 參數
在參數型別前面,加上ref 可以讓參數變成參照型別,表示兩個變數是參考同一個物件。

Ex:
        public static void addOne(ref int param)
        {
            param++;
        }

        public static void Main()
        {
            int arg = 42;
            addOne( ref arg);
            System.Console.WriteLine(arg);
        }

常見的錯誤
        public static void addOne(ref int param)
        {
            param++;
        }

        public static void Main()
        {
            int arg = 42;
            addOne( arg);         //傳遞引數 1 時必須包含 'ref' 關鍵字
            System.Console.WriteLine(arg);
        }

(2) out 參數
   傳遞行為亦屬傳址, 但是不需要去做預先設定指派初始值給它,由函式傳值給它。
 

  • 以 ref 參數傳遞的引數必須先被初始化,out 則不需要。
  • out 參數要在離開目前的方法之前至少有一次指派值的動作。


static void Method(out int i)
{
i = 44;
}

static void Main(string[] args)
{
int value;
Method(out value);
Console.WriteLine("Value:" +value);

}

(3)







































留言

這個網誌中的熱門文章

JavaBean 和POJO

前言 今天介紹JavaBean和POJO的不同,這兩個名詞在JAVA文章常常被拿來使用以及討論。在JDK1.1時候釋出才有的一個標準架構,很多時候常常被搞混,所以我們特別開闢一章來加以討論。POJO規範在企業級應用已經廣大的被使用的規範。 解釋 POJO : 全名為Plain-old-Java-object,只需要繼承Object就可以,沒有特定規定,只要建立的類別有setter/getter方法都可以稱為POJO JavaBean: JavaBean通常用來封裝多個物件成為單獨物件使用,規範比較嚴格,規則如下 規則 說明 1 需要實作序列(Serializable/Externalizable) 2 不能有參數的建構子( no-arg constructor) 3 需要有公用setter/getter 4 屬性必須要私人(private) 5 屬於特定POJO規則 比較 所有的JavaBean都為POJO,但是所有的POJO不一定為JavaBean 都可以當作重複元件 都必須序列化 特性都為可用性、易用性和持久化使用 - 應用 由圖我們可以知道POJO在應用程式中,主要用來存取資料庫資料達到持久化的目的,並提供給商業邏輯流程處理使用。這種POJO的架構提供程式人員開發時的可以很有規則將資料封裝並加以使用。 範例1. JavaBean(以員工為實例) JavaBean建立員工物件,可以發現Employee物件建構子沒有任何參數,屬性為私有化並setter/getter的命名方式。 //實作序列化 public class Employee implements java.io.Serializable{ private int id; private String name; //無參數建構子 public Employee(){} //以下實作setter/getter public void setId(int id){this.id=id;} public int getId(){return id;} public void setName(String ...

Python AI-問題集

Python AI-問題集 問題集 Jupyter Notebook執行ipywidgets會出現kernel死掉的錯誤發生(The kernel appears to have died) 解決方法 (1) 根據log檔來判斷問題: 例如:log訊息出現OMP: Error #15: Initializing libiomp5.dylib, but found libiomp5.dylib already initialized. (2) 根據問題關鍵字找出問題所在: 利用google查詢所遭遇到的問題,例如我把上面的問題上google查詢可以找到這篇的解法 https://blog.csdn.net/bingjianIT/article/details/86182096 (3)實作解法: 我實作下面解法後,就可以順利執行手寫辨識的程式. //在Python宣告時加入 import os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE" 參考 https://blog.csdn.net/bingjianIT/article/details/86182096

淺談機器學習原理-Nonlinear Transform

Nonlinear Transform 淺談機器學習原理-Nonlinear Transform Nonlinear Transform *通用能力 gerneralization : 就是將訓練好的模型,放到正式環境可以正常的運作,通常Linear Model的gerneralization會比較好,因為線性模型解決的問題比較單純。缺點是應用侷限比較大。 參考Chih-Chung Chang老師的範例:縣性與非線性分類範例 https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 非線性問題 當如果今天假設要圈出裡面小圈圈的資料,我們就無法使用線性的模型,我們可以用非線性解像圈圈的方程式 s i g n ( − x 1 2 − x 2 2 + r ) sign(-x1^2-x2^2+r) s i g n ( − x 1 2 − x 2 2 + r ) 來解決,在演算法我們利用reduce來將不會的問題透過已知的問題來解決,所以在這個問題 我們將圈圈的方程式(非線性模型)reduce成線性模型來解決。 Reduce 方法論 我們調整圓形的方程式改為 z 0 z_0 z 0 ​ , z 1 z_1 z 1 ​ , z 2 z_2 z 2 ​ 來轉換線性方程式, { ( x n , y n ) } \{{(x_n,y_n)}\} { ( x n ​ , y n ​ ) } => { ( z n , y n ) } \{{(z_n,y_n)}\} { ( z n ​ , y n ​ ) } 在這空間資料中只要能找線,就可將不同的分類區分,圖中可以線性可以線去做分類。 透過向量方式來轉換成線性方程式 我們找到一個方式將非線性資料X透過向量轉換為Z後,希望透過線性方程式方式來學習,得到正解。 當我們Nonlinear transform轉換成線性方程式,當有新的資料進來我們無法使用invertiable(逆向工程)的方式去轉回非線...