- 博客(55)
- 收藏
- 关注
RSS订阅原创 深度学习 day12卷积神经网络
01 计算机视觉即使你在计算机视觉方面没有做出成果，希望你可以将所学的知识应用到其他算法和结构计算机视觉的一些例子：图片识别（给出一张图片让计算机去分辨出这是一只猫）、目标检测（首先算出有哪些物体，然后用一些技术识别出他们在图片的位置）、图片风格迁移（就是你有一张满意的图片和一张风格图，你可以用神经网络将他们融合在一起，描绘出一张新的图片，整体轮廓来自左边，风格却是右边的）。在应用计算机视觉还有一个很大的挑战就是数据的输入可能会非常大，例如像素是1000×1000的，那么输入的数据就是三百万
2021-08-20 23:42:29
308
原创 深度学习 day11机器学习（ML）策略
01 进行误差分析人工检查你的算法错误，也许可以让你了解接下来应该做什么，这个过程就叫误差分析同样是一个猫分类器，但是它的准确度只有90%，它会将一些狗的图片识别成猫，如果花费几个月的时间来开发专门研究狗的项目，那是大可不必，因为可能取不到效果。所以我们推荐使用误差分析：我们自己手动的观察100个错误标记的开发集例子，如果只有其中5个是狗的图片，那么就算把识别狗做的很好，误差也高达9.5%，如果其中有50个是狗的图片，这时我们在对识别狗进行完善就可以将误差减半到5%。有时在做误差分析时，也
2021-08-19 09:11:46
264
原创 深度学习 day10机器学习（ML）策略
01 为什么是ML策略当你尝试优化一个深度学习系统时，通常有很多想法可以去试。一些策略或者一些分析机器学习问题的方法可以指引你朝着最有希望的方向前进。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oGG1FN4m-1629041544814)(C:\Users\1\AppData\Roaming\Typora\typora-user-images\image-20210814092245145.png)]02 正交化搭建机器学习系统的挑战之一是可以尝试和改变的东西
2021-08-16 06:54:24
387
原创 深度学习 day09超参数调试、Batch 正则化和程序框架
01 调试处理系统地组织超参调试过程的技巧学习速率是需要调试的最重要的超参数（红色），其次是momentum、mini-batch的大小及隐藏单元（黄色），重要性拍第三位的就是层数、学习率衰减、Adam算法（其余都是）如果要调整一些超参数，该如何选择调试值呢？在早一代的机器学习算法中（左图），如果有两个超参数，常见的作法是在网格中取样点，然后系统的研究这些数值，然后选择哪个参数效果最好。（参数的数量相对较少时）在深度学习领域中（右图）推荐下面做法：随机选择点，然后用随机取的点试验超参数
2021-08-13 23:53:50
196
原创 改善深层神经网络：超参数调试、正则化以及优化第二周检测
答案见下方1.当输入从第8个mini-batch的第7个的例子的时候，你会用哪种符号表示第3层的激活？A.a^ [3]{8}(7)B.a^ [8]{7}(3)C.a^ [8]{3}(7)D.a^ [3]{7}(8)2. 关于mini-batch的说法哪个是正确的？A.mini-batch迭代一次（计算1个mini-batch），要比批量梯度下降迭代一次快B.用mini-batch训练完整个数据集一次，要比批量梯度下降训练完整个数据集一次快C.在不同的mini-batch下，不需要显式地进
2021-08-10 21:13:38
622
原创 改善深层神经网络：超参数调试、正则化以及优化第一周检测
答案见下方1.如果你有10,000,000个例子，你会如何划分训练/开发/测试集？A.33%训练，33%开发，33%测试B.60%训练，20%开发，20%测试C.98%训练，1%开发，1%测试2.开发和测试集应该：A.来自同一分布B.来自不同分布C.完全相同（一样的(x, y)对）D.数据数量应该相同3.如果你的神经网络方差很高，下列哪个尝试是可能解决问题的？A.添加正则项B.获取更多测试数据C.增加每个隐藏层的神经元数量D.用更深的神经网络E.用更多的训练数据4.你正在为
2021-08-10 17:37:24
699
原创 深度学习 day07 08优化算法
01 Mini-batch 梯度下降法X代表训练样本的集合，向量化能够相对较快地处理所有m个样本，但是如果m过大，处理速度仍然缓慢。在对整个训练集执行梯度下降法时，原本是需要处理完所有样本，才能进行一步梯度下降法，然后再重新处理所有样本，才能进行下一步梯度下降，但是如果在处理完所有样本之前，先让梯度下降法处理一部分，那么算法速度将会更快。因此我们可以将训练集分割为小一点地子集（子集就叫Mini-batch ），我们用X^ {t}代表第t个子集，当然Y也需要分割。在使用Mini-batch 梯度下
2021-08-09 21:34:16
665
原创 深度学习 day06深度学习的实用层面
01 训练 / 开发 / 测试集应用型机器学习是一个高度迭代的过程（想法->代码->实现），循环该过程的效率是决定项目进展速度的一个关键因素，创建高质量的训练集、验证集、测试集也有助于提高循环效率。随着数据量的不断增加（从1000个样本到1000000个样本），那么验证集和测试集占数据总量的比例会趋向于变得更小。如果数据有一百万，那么就可以选择一万条作验证集，一万条作测试集。因为验证集的目的就是验证不同的算法，检验哪种算法最有效，同样的根据最终选择的分类器，测试集的主要目的是正确评估
2021-08-08 22:07:11
129
原创 机器学习1编程作业：线性回归
原任务是在Octave/MATLAB实现，本次编程作业全部以python完成。01 简单的练习总结下题目：输出一个5*5的单位矩阵在此我们用np.eye(N,M=None, k=0, dtype=<type ‘float’>)，首先N代表的是输出方阵的维度，第二个参数不用设置默认M=N，主要看第三个参数，默认是对角线为1，其余全为0；如果k为正数，则对角线往上第k个全为1，其余全为0；如果k为负数，则对角线往下第k个全为1，其余全为0。import numpy as npA =
2021-08-06 11:59:57
1013
4
转载 神经网络和深度学习第四周检测
答案见下方1.在实现前向传播和反向传播中使用的“cache”是什么？A. 用于在训练期间缓存成本函数的中间值。B. 我们用它传递前向传播中计算的变量到相应的反向传播步骤，它包含用于计算导数的反向传播的有用值。C. 它用于跟踪我们正在搜索的超参数，以加速计算。D. 我们使用它将向后传播计算的变量传递给相应的正向传播步骤，它包含用于计算计算激活的正向传播的有用值。2.以下哪些是“超参数”？A. 隐藏层的大小n^ [l]B. 学习率αC. 迭代次数D. 神经网络中的层数L3.下列哪个说法是
2021-08-03 22:45:19
418
原创 深度学习 day05深层神经网络
01 深度神经网络L代表的深度神经网络的层数，n^ [l]代表的是l层有多少个节点，a^ [l]代表l层的激活函数，w^ [l]表示在a^ [l]中计算z^ [l]值的权重。02 深层网络中的前向传播在深层网络中应用前向传播，图中左侧是针对单个样本的，左侧最后一行a的上标应该是3；右上角就是前向传播的总结公式，右下角是用向量化的方法训练整个训练集。在我们实现前向传播时用for循环，没有比它更好的方法，可以计算1到L层的激活函数。03 核对矩阵的维度图的右上角的公式可以帮助检查w和b的
2021-08-03 15:24:30
436
转载 神经网络和深度学习第三周检测
答案见下方1.以下哪一项是正确的？A. X是一个矩阵，其中每个列都是一个训练示例。B. a^ [2]_4 是第二层第四层神经元的激活的输出。C. a^ [2] (12)表示第二层的第12个样本的激活向量。D. a^ [2] 表示第二层的激活向量。2.tanh激活函数通常比隐藏层单元的sigmoid激活函数效果更好，因为其输出的平均值更接近于零，因此它将数据集中在下一层是更好的选择，请问正确吗？A. TrueB. False3.其中哪一个是第l层向前传播的正确向量化实现，其中1≤ l ≤L
2021-08-02 22:22:29
580
原创 深度学习 day04浅层神经网络
01 神经网络概览在这里用[ l ]来表示神经网络的第l层，用来跟( i )表示的第几个训练样本做区分。神经网络需要反复的计算z和a。02 神经网络表示只有一个隐藏层的神经网络：分为输入层、隐藏层、输出层。其中输入层和输出层的值都是在训练集中能看到的，隐藏层的值不能看到。在计算神经网络层数时是不算输入层的，同时我们使用a1表示符号，a也代表激活的意思，它意味着网络中不同层的值会传递给后面的层，即每一层都会产生激活值，我们将这些激活值用a2_i表示（l表示第几层，下标i表示层中的第几个节点）。在
2021-08-02 21:00:55
589
转载 神经网络和深度学习第二周检测
答案看最下方1.神经元节点计算什么？A. 神经元节点先计算激活函数，再计算线性函数(z = Wx + b)B. 神经元节点先计算线性函数（z = Wx + b），再计算激活。C. 神经元节点计算函数g，函数g计算(Wx + b)。D. 在 将输出应用于激活函数之前，神经元节点计算所有特征的平均值2.Logistic损失函数表达式的形式？答：3.假设img是一个（32,32,3）数组，具有3个颜色通道：红色、绿色和蓝色的32x32像素的图像。 如何将其重新转换为列向量？代码答：4.看一下
2021-08-01 10:13:09
347
转载 神经网络和深度学习第一周检测
答案见最下方1.和“AI是新电力”相类似的说法是什么？A: AI为我们的家庭和办公室的个人设备供电，类似于电力。B: 通过“智能电网”，AI提供新的电能。C: AI在计算机上运行，并由电力驱动，但是它正在让以前的计算机不能做的事情变为可能。D: 就像100年前产生电能一样，AI正在改变很多的行业。2.哪些是深度学习快速发展的原因？ (两个选项)A: 现在我们有了更好更快的计算能力。B: 神经网络是一个全新的领域。C: 我们现在可以获得更多的数据。D: 深度学习已经取得了重大的进展，比如
2021-07-31 23:27:34
192
原创 深度学习 day02 03神经网络基础
01 二分分类逻辑回归是一个用于二分分类的算法计算机保存一张图片就需要保存三个独立矩阵，分别对应图片中的红、绿、蓝三个颜色通道，如果照片是64×64像素的就有三个64×64的矩阵。然后需要将这三个矩阵所有元素都存放在特征x向量中（x向量就是64×64×3=12288维）。输入X用矩阵表示：python中用来输出矩阵的维度代码是X.shape=(n,m)，表示X是一个n×m的矩阵。02 逻辑回归当你实现逻辑回归时，你要做的就是学习参数w和b。因为要求输出y帽是在0到1之间，所以我们将输入
2021-07-30 23:42:19
1020
5
原创 java day15异常
01 Error和Exception异常是指程序运行时出现的不期而至的各种状况，如：文件找不到、网络连接失败、非法参数。三种类型的异常：检查性异常：是用户错误或问题引起的异常，这时程序员无法遇见的。比如打开一个不存在的文件。运行时异常：是可能被程序员避免的异常。错误：错误不是异常，而是脱离程序员控制的问题。错误在代码中通常被忽略。例如堆栈溢出，在编译时也检测不到。Java把异常当作对象来处理，并定义一个基类java.lang.Throwable作为所有异常的超类。这些异常通常分为两大类
2021-07-30 10:52:56
63
原创 java day14面向对象
01 instanceof和类型转换instanceof的格式是System.out.println(x instanceof y);如果x和y是同一类型或者能类型转换（兄弟之间不能类型转换，父子之间可以类型转换）则编译通过，否则不通过。编译通过后会把x和y比较，如果x是y本类或者子类的对象，结果就是true，反之就是flase。public class Application { public static void main(String[] args) { //Obje
2021-07-29 17:09:35
46
原创 深度学习 day01深度学习概论
01 什么是神经网络深度学习指的是训练神经网络ReLU（修正线性单元）函数：修正指的是取不小于0的值。下图就是根据这个函数画的单神经元网络。下面是有更多特征时的神经网络：神经网络的一部分神奇之处在于不管训练集多大，只要输入x就能得到输出y，所有的中间过程都是自己完成的。神经网络你自己决定中间这个节点是什么，我们只给你四个输入特征随便你怎么计算，因此在神经网络中，输入层在中间层连接数是很高的。02 用神经网络进行监督学习下面是神经网络创造价值的一些案例：对于图像领域一般使用CNN（卷
2021-07-29 16:05:08
123
原创 java day13面向对象三大特性2
01 方法重写重写：需要有继承关系，子类重写父类的方法！方法名必须相同参数列表必须相同修饰符：范围可以扩大但是不能缩小（public>Protected>Default>private）抛出的异常：范围可以缩小但是不能扩大快捷键：Alt+Insert(override)为什么需要重写：因为父类的功能，子类不一定需要，或者不一定满足静态的方法和非静态方法差别很大：静态方法：方法的调用只和左边定义的数据类型有关public class Person {
2021-07-28 23:06:48
37
原创 机器学习总结
监督学习算法：线性回归、逻辑回归、神经网络、支持向量机（在这些问题中会有带标签的数据和样本）无监督学习：K-均值聚类算法、主成分分析法（进行降维）、异常检测算法（对算法进行评估）特定的应用和话题：推荐系统、大规模机器学习系统（包括并行和映射-化简算法）其他的应用：滑动窗口分类器（计算机视觉问题）从各个不同的方面给出了如何构建机器学习系统的建议：偏差和方差（尝试了是什么使得机器学习算法工作或者是不工作）、正则化（解决一些方差问题）、学习算法的评估方法：召回率和F1分数这样的评价指标和实践方面的评测方.
2021-07-26 17:21:56
145
原创 机器学习 day18应用举例：照片OCR（光学字符识别）
01 问题描述与 OCR pipeline照片OCR问题注重的是如何让计算机读出照片中的文字信息（照片OCR对于读取文档来说很简单，但是对于数码照片来说还是很难的）照片OCR当你输入文字时，计算机就能自动的帮你找到相册里带有这些文字的照片，它有如下几个步骤：给定某个照片，将其图像扫描一遍。找出照片中的文字信息找出照片中的文字信息之后，将重点关注这些文字区域，并对区域中的文字进行识别，当它正确读出这些文字之后，他会将这些文字内容显示并记录下来。总体来说步骤分为三类：文字检测、字符分
2021-07-26 17:00:44
580
原创 机器学习 day17大规模机器学习
01 学习大数据集大规模机器学习就是处理大数据集的算法一种获取高性能的机器学习系统的途径是采用低偏差的学习算法并用大数据进行训练。大数据集学习的特有问题是计算问题。在训练一亿个样本之前，我们可以随机选择一亿个样本中的一千个样本，然后用这一千个样本来训练我们的算法。如果用一千个样本训练效果也是一样的话，在训练大量的模型前预先检查往往也是一个明智的选择。如果效果相同的话，可以根据这一千个样本绘制学习曲线，如果画出左图高方差的曲线那么增加训练集还是有作用的，如果是右边高偏差的算法，样本也不会比训练10
2021-07-25 18:16:43
178
原创 机器学习 day16推荐系统
01 问题规划特征对于机器学习来说是十分重要的，机器学习领域有一个伟大的想法，对于某些问题有一些算法可以自动的学习一系列合适的特征。我们为什么要谈论推荐系统？它是机器学习中的一个重要的应用，比如说亚马逊会根据你之前所买的书来给你推荐一些书。有一些环境能让你开发某个算法来学习使用哪些特征，而推荐系统就是那些环境中的一个例子，通过推荐系统我们能领悟一些特征学习的思想。推荐系统问题的组成：以电影评分为例，先说下这些符号的意思。n_u表示用户的数量、n_m表示电影的数量、r(i,j)代表用户j是
2021-07-24 17:10:02
116
原创 机器学习 day15异常检测
01 问题动机异常检测主要用在非监督学习，但从某些角度看，跟有监督学习问题是非常相似的。异常检测问题就是我们希望知道新的测试数据是否有某种异常，换句话说新的测试数据是否需要进一步测试。如下面这个图（飞机引擎的例子），其中x_1、x_2是飞机引擎的特征。通过测试发现如果x_test在对应点里面，那么他就不存在异常，如果在对应的外面，那么就存在异常。我们通常认定这m个数据都是异常或者都不是异常的，我们需要一个算法告诉我们一个新的样本数据是否异常。因此我们要做的就是给定无标签训练集，我们对数据建模
2021-07-23 20:42:36
197
原创 java day13面向对象三大特性1
01 封装我们程序设计追求高内聚低耦合。高内聚：类的内部数据操作细节自己完成，不允许外部干涉。低耦合：仅暴露少量的方法给外部使用。封装的意义：提高程序的安全性，保护数据隐藏代码的实现细节统一接口系统可维护增加了属性私有，get/set信息隐藏：禁止直接访问一个对象中数据的实际表示，而应通过操作接口来访问。public class Student { //属性私有 private String name;//姓名 private int id;//
2021-07-21 22:31:46
56
原创 机器学习 day14降维
01 目标 I：数据压缩想要使用降维的的原因：数据压缩，数据压缩不仅能使数据占用少量的内存或硬盘空间，还能对算法进行加速。如果特征高度相关，那么真的可能需要降低维数。将二维降到一维：两个特征变成一个特征，把每个样本都保持为一个数字，这样就能把内存需求（数据空间需求）减半。从三维降到二维：02 目标 II：可视化想要使用降维的的原因：2. 可视化数据：将数据从50维或者更高维降到三维或者两维，这样就可以将其在图中画出来更好的理解他。50维数据：从50维降到
2021-07-21 15:38:53
190
原创 java day12面向对象
01 什么是面向对象属性+方法=类面向过程思想步骤清晰简单，第一步做什么，第二部做什么…面向过程适合处理一些较为简单的问题面向对象思想物以类聚，分类的思维模式面向对象适合处理复杂的问题对于描述复杂的事务，为了从宏观上把握，从整体上合理分析，我们需要使用面向对象的思想来分析整个系统。但是，具体到微观操作，仍然需要面向过程的思想。面向对象编程的本质：以类的方式组织代码，以对象的组织（封装）数据。三大特性：封装、继承、多态02 回顾方法当一个类调用静态方法时，调用形式：类
2021-07-20 21:54:18
43
原创 机器学习 day13无监督学习
01 无监督学习无监督学习：训练集没有标签，也就是图上的点没有任何标签信息。我们要将这系列无标签的数据，输入到算法中，然后我们要让算法找到一些隐含在数据中的结构，这个图中数据集中的点两组分开的簇，这种能够找到这些簇的算法叫做聚类算法。02 K-Means算法K均值算法是现在最为广泛运用的聚类算法通过K均值算法将下图分为两个簇的具体操作：随机生成两点（聚类中心），选取两点的原因是想将数据聚成两类。K均值算法是个迭代算法，可以做两件事：簇分配和移动聚类中心。K均值算法每次内循环的第
2021-07-20 16:31:47
314
原创 机器学习 day12支持向量机
01 优化目标支持向量机（SVM）在学习复杂的非线性方程时，能够提供一种更为清晰和更加强大的方式。从逻辑回归开始，稍作改动成为支持向量机观察下逻辑回归的假设函数和sigmoid激活函数观察逻辑回归的代价函数，当把整个假设函数的定义代入其中，得到的就是每个样本对总体函数的具体贡献。为了构建支持向量机，我们从这个代价函数开始进行少量修改，我们取z=1，画出要使用的代价函数，右边都是平的，左边画出一条和最开始的幅度相似的直线，这就是y=1时使用的代价函数。同样的做出y=0时使用的代
2021-07-19 19:00:32
358
原创 java day11 稀疏数组
稀疏数组public class Hello { public static void main(String[] args) { //1.创建一个二维数组11*11 int[][] array1 = new int[11][11]; array1[1][2] = 1; array1[2][3] = 2; //2.输出原始数组 System.out.println("输出原始数组");
2021-07-18 23:39:09
55
原创 机器学习 day11机器学习系统设计
01 确定执行的优先级在实际工作过程中，我们应该优先处理哪些事情以邮件筛选为例，选择邮件的特征向量的方法。通常我们会挑选出在训练集中出现频率最多的n个单词，将其作为特征向量。如何在有限时间里让垃圾邮件分类器具有高精准度和低错误率。用更复杂的特征变量来描述邮件（可以在邮件标题中获取复杂的特征，来捕捉这封邮件的来源，以此判断是否为垃圾邮件）。关注邮件的正文，并构建更复杂的特征。来检测单词是否故意出现拼写的错误02 误差分析误差分析就是一种手动地去检查算法所出现的失误的过程，走
2021-07-18 16:07:04
81
原创 java day10 数组
01 冒泡排序冒泡排序：两层循环，外层冒泡轮数，里层依次比较。public class Hello { public static void main(String[] args) { int[] a = {1, 2, 3, 8, 11, 1, 55, 12}; int[] array = sort(a); System.out.println(Arrays.toString(array)); } public static int
2021-07-17 23:00:12
42
原创 机器学习 day10应用机器学习的建议
01 决定下一步做什么开发一个机器学习系统，或者想试着改进一个机器学习系统的性能，应如何决定选择哪条路。不要随意选择。机器学习诊断法能够提前发现某些方法是无效的。02 评估假设将所有数据分为训练集和测试集，最经典的分割方法就是按照7:3的比例。线性回归算法和平方误差标准学习和测试学习算法，从训练集学习获得参数，在将参数带入测试集得到测试误差。训练和测试逻辑回归的步骤及用错误分类（0/1分类错误）来定义测试误差。0/1表示了你预测的分类是正确或错误的情况。03 模型
2021-07-17 16:50:51
81
原创 java day09 数组
01 数组的使用配合for循环使用public class Hello { public static void main(String[] args) { int[] a = {1,2,3,4,5}; //打印全部的数组元素 for(int i = 0;i<a.length;i++){ System.out.println(a[i]); } System.out.println("====
2021-07-16 22:32:13
34
原创 机器学习 day09神经网络参数的反向传播算法
01 代价函数有m组训练样本，L代表神经网络结构的总层数，S_l代表第L层的单元数也就是神经元的数量（不包括第L层的偏差单元）。其中二元分类与多类别分类问题如下：应用于神经网络的代价函数：h(x)是一个k维向量，h(x)_i代表第i个输出；k的求和符号应用于y_k和h_K,是因为我们主要是将第k个输出单元的值和y_k的值的大小作比较；y_k的值就是这些向量中其应属于哪个类的量。02 反向传播算法反向传播算法是计算代价函数关于所有参数的导数或者偏导数的一种有效方法。使用前向传播方法来
2021-07-16 16:51:50
349
原创 java day08 数组
01 三种初始化及内存分析内存分析堆是用来存放new的对象和数组；可以被所有线程共享，不会存放别的对象引用栈是用来存放基本变量类型（包含具体数值）；或者存放引用对象变量方法区包括了所有的class和static变量三种初始化静态初始化int[] arrays = {1,2,3,4,5,6,7};Man[] man = {new Man(),new Man()};//在此之前先创建个Man类，进行引用动态初始化int[] a = new int[2];a[0]
2021-07-15 22:18:20
36
原创 机器学习 day08神经网络学习
01 非线性假设为什么已经有线性回归和逻辑回归算法了，还要学习神经网络？因为有特别多的特征，许多机器学习都需要学习复杂的非线性假设。如果使用逻辑回归算法，由于项数过多，可以能会导致过拟合问题，此外也存在运算量过大的问题。如果项数只包括二次项的的子集，这样将二次项的数量减少到100个，但是最有可能拟合出右下角椭圆而拟合不出左上角复杂的分界线。下图车子例子所示：如果是一张50 * 50 像素的图像， 则会有 50 * 50 = 2500个像素单位（如果是彩色，每个像素又有0-255的RGB取值。
2021-07-15 15:36:43
68
原创 机器学习 day07正则化
01 过拟合问题正则化可以减少过度拟合问题1.1 线性回归过拟合问题欠拟合 | 刚好合适 | 过拟合过度拟合问题将会在变量过多的时候出现，这时训练出的假设能够很好的拟合训练集（所以代价函数实际上可能非常接近于0。或者恰好等于0），但是可能会得到图三这样的曲线，去拟合训练集，以至于它无法泛化到新的样本中。泛化是指一个假设模型应用到新样本的能力1.2 逻辑回归过拟合问题欠拟合 | 刚好合适 | 过拟合如果我们有过多的特征变量而只有少量的训练集就会出现过拟合问题。有两种方
2021-07-14 17:52:30
105
原创 java day07 数组
01 数组的定义数组是相同数据类型的有序集合按照一定的先后次序排列组合而成每一个数据称作一个数组元素，每个数组元素都可以通过一个下标来进行访问02 数组的声明及创建数组的元素是通过索引访问的，数组索引从0开始获得数组的长度：arrays.length声明数组：int[] arrays;//首选int arrays[];//不是首选创建一个数组：arrays = new int[10];声明+创建数组：int[] arrays = new int[10];.
2021-07-13 21:56:18
56
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人