无奈的奔跑者

CAN XL和10Base-T1S全对比:在区域架构中如何选择最适合的车载通信协议? 本文深入对比了CAN XL和10Base-T1S在车载网络架构中的性能差异,通过实测数据和典型应用场景分析,为区域架构设计提供选型指南。重点探讨了带宽、延迟、成本等关键指标,帮助工程师在ADAS传感器部署和车身控制网络优化中做出明智选择。 阅读详情

速度七十脉心情是自由自在
希望终点是爱琴海
全力奔跑梦在彼岸

我们想漫游世界看奇迹就在眼前
等待夕阳染红了天
肩并着肩许下心愿

随风奔跑自由是方向
追逐雷和闪电的力量
把浩瀚的海洋装进我的胸膛
即使再小的帆也能远航

随风飞翔有梦作翅膀
敢爱敢做勇敢闯一闯
哪怕遇见再大的风险再大的浪
也会有默契的目光

     最近心情实在太差,项目总是做到一半多然后就由于协调或者各方面的问题就做不下去了。个人主观来说:自己是由软件然后转手写驱动的,硬件知识准备不足,到目前为止只是做过一些小的二层电路板,对硬件调试的动手能力偏差。客观上来说,作为嵌入式研发来说,因为硬件基本上都是自己实现,没有像一些板卡一样经过严格的厂家测试,硬件的稳定及正确占很基础的部分,那么硬件人员及驱动开发人员的结合点是什么?虽然所有的硬件代码都由软件人员实现(包括BIOS,各种驱动及应用软件),像BIOS可以从Uboot等现有成熟程序移植。当现在的情况是:硬件开发人员设计硬件电路,制作电路板完毕后,就把一切交给软件人员,然后就认为是硬件基本完成(呵呵,没准心里在想-这是多么省力的一种开发方式-硬件人员不用写代码)。软件人员去写驱动程序调用,有时调试不通过,最后用仿真器直接调试硬件,发现最后是硬件的问题。反过头来又浪费了不少时间,进度缓慢。前几天,发现数据采集卡老采不上正确数据,而DSP却能正确读取。最后我用Arm仿真器调试了半天也未有结果,后来发现Arm以4字节对齐,最后错1根线问题才解决。而现在有出现这样一个问题。没准用不了多少时日自己就会成为办公准硬件调试人员了。:)而硬件开发人员一般资历比较老,确实经验丰富,但协调的难度比较大。
     依我的性格,总是希望在项目中尽可能的把每种情况都预料到,然后整个开发流程能一步步按照计划顺利的进行,“一鼓作气“,就像奔跑的词那样,那将是多么令人愉快的事情。
    “一鼓作气,再而衰,三而竭”,这样的硬件问题什么时候才是个头,而现在只能看到前面迷茫的道路。

深入解析线性反馈移位寄存器(LFSR)的工作原理与实现 本文深入解析了线性反馈移位寄存器(LFSR)的核心原理与实现方法。通过生动的比喻和详细的步骤拆解,阐述了LFSR如何通过反馈多项式和移位操作生成伪随机序列,并对比了斐波那契型与伽罗瓦型两种硬件结构。文章还涵盖了LFSR在数字电路测试、通信扰码及快速伪随机数生成等关键应用场景,同时指出了其在密码学中的局限性,并提供了Python和C语言的高效实现代码示例。 阅读详情

相关推荐

华为ITR流程实战指南:从设计到落地的全流程解析(附完整方案下载)

本文深度解析华为ITR流程从设计到落地的全流程实战指南。ITR不仅是高效处理客户问题的“救火”系统,更是驱动产品改进、预防问题的企业“免疫系统”。文章详细拆解了流程设计的四步走策略、三层技术支持体系的组织保障、以闭环改进为核心的考核激励,并探讨了如何借鉴其精髓,优化自身问题管理,实现从被动响应到主动服务的跨越。

y2z3a4b5c的博客 383

兄弟三人去看灯瘸子_成毅邀请蔡徐坤去横店,全程仅两句话回应,毛晓彤坐中间表情尴尬...

期待已久的《奔跑吧兄弟》新的一期终于播出了。之前看了那么多关于《奔跑吧兄弟》最新一期的花絮和路透,感觉很是令人期待。在正式播出之后可以看出来《奔跑吧兄弟》这一期的主题是《奔跑吧黄河》。虽然里面一共有baby,沙溢,李晨和蔡徐坤四位老演员的现身,但是大家对此依旧是抱有很高的期待。除此之外,还邀请了其他四位嘉宾,分别是毛晓彤,李一桐,成毅,赖冠霖。由于目的地比较远,所以当他们分好组之后就要以组的形式前...

weixin_39881802的博客 211

深度强化学习算法PPO训练Pendulum

returnadv = 0print('状态空间维度:', state_n)print('动作空间维度:', action_n)steps = []if done:breakif done:breakelse:steps = []if done:break。

weixin_43336108的博客 808

棉花糖的味道

 拉着你的手去买棉花糖路上跌了一跤一脸尘灰望着你心中却早已醉倒你说这个很甜很甜明天还要好不好我兴奋得点点头感觉全世界都在对我微笑铃声打断了我们的歌谣你拉着我朝教室奔跑说自由的方向是随风奔跑那我是在和自由还是在和爱情奔跑也许树上的蚂蚁才知道好吧奔跑奔跑不知不觉跑到了时光的拐角你说我们也许会画上句号我一脸疑惑说那天我们还穿着圣衣一起爆发小宇宙在街

aining4421的专栏 384

基于R语言 meta/metafor 包进行荟萃分析(一)

在此部分中,使用连续结果详细描述了通用逆方差方法及其在meta分析中的应用,还介绍了固定效应法和随机效应法。我们已经展示了如何分别将典型数据与metacont和metagen函数一起使用,以及如何print和绘制森林图。我们还讨论了估计研究间方差的各种方法,并将Hartung-Knapp平差描述为经典随机效应方法的替代方法。此外,我们还说明了byvar选项的使用,这使得亚组分析更加简单。关于亚组分析的更多细节见后续章节。

Dunaichuanyi的博客 1万+

一文读懂 SAP Web Dispatcher 配置参考:让 Gateway、OData 与后端服务各走各路

SAP Web Dispatcher在Fiori项目中常被低估,实际上它作为企业系统的HTTP(s)入口,承担着流量分发和安全防护双重职责。该组件通过URL路径规则(如/sap/opu/odata/转发至Gateway系统)实现多系统路由,隐藏后端复杂性,提供统一访问入口。配置要点包括HTTPS参数设置、客户端证书转发、端口定义以及系统冲突处理策略。合理的配置能确保前端统一访问、网络边界清晰可控,同时降低跨团队协作成本。生产环境需根据实际网络架构调整官方示例配置。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 158

来不及

最近 很多次提笔 有很多次放下 想写一些东西 却又不知道从何而起 总是在犹豫不绝中 最终还是决定写在博客上 我天生就是一个看客 喜欢在局外看身边发生的事情 就像欣赏一部部的肥皂剧 我讨厌把自己放在主角的位置上 因为那样会让我背负很多 背负我许多不想要的东西 我不喜欢别人都在注视着我 会让我失去自由 偶...

lawrenst的专栏 146

图像处理 | 基于matlab的多尺度Retinex(MSR)和自适应直方图均衡化(CLAHE)算法联合的低照度图像增强(附代码)

本文介绍了一种基于多尺度Retinex(MSR)和CLAHE的低照度图像增强算法。算法首先对图像进行多尺度Retinex处理,通过不同尺度的高斯核去除光照影响;然后采用CLAHE算法进行对比度增强。Matlab实现展示了算法流程,包含灰度转换、多尺度Retinex增强和CLAHE处理。实验结果显示,该方法能有效提升低照度图像的可见性,增强细节表现。最后提出了改进建议,包括引入深度学习方法和优化参数选择。

尘世冰封的专栏 956

可可爱爱开心的句子

1、心有猛虎,嗷呜。 Tiger in the heart, ow. 2、随风奔跑自由是方向,无奈腿太短没力量。 Free running with the wind is the direction, but the legs are too short no strength. 3、以后不要叫我电灯泡,请叫我夜晚中最亮的星。 Don’t call me the light bulb, please call me the brightest star in the night. 4、生活很难,只想被哄着

ChangeW fafa的博客 228

【AI大模型应用开发】1.0 Prompt Engineering(提示词工程)- 典型构成、原则与技巧,代码中加入Prompt

Prompt典型构成、原则与技巧,以及OpenAI API重要参数解释,助你轻松入门Prompt

同学小张的博客 2581

灰质-白质组织对比(Gray-white matter tissue contrast,GWC)计算以及可视化

GWC是深层灰质与浅表白质(superficial white matter,SWM)之间T1加权信号强度的比值,已知髓鞘中的胆固醇是T1加权信号强度的主要影响因素,因此GWC大致反映了大脑皮层和浅表白质之间的髓鞘化差异。GWC代表灰白质交界处的模糊程度,较低的GWC表明灰质和白质交界处更相似和更模糊;较高的GWC表明灰白质分界更加清楚。据之前的研究报道,局灶性皮质发育不良、颞叶癫痫、帕金森病、强迫症、精神分裂症和自闭症谱系障碍中存在灰白质交界区GWC异常增高或降低。 灰质信号强度和白质信号强度采集的示意图

xxx 736

你是否曾在月光下奔跑

曾听人说,在月光下奔跑可以看见去世的亲人的影子,不知是真是假,那一夜,我的哥们围着江边跑了四个小时,整整的四个小时,一刻也没有停下,哪怕是一步一步的挪动! 跑完之后,他说了句 “老黄”,好累呀! 然后睡在地上了,那一刻,作为一个挚友,我的泪水竟然止不住的出来了,我只说了声,没事,“苍天若是兼顾你,哪有晴天照月明”。 没错,我的朋友叫赵跃民,很久很久之前,他就是毕业于211的高材生,比我大几岁。但...

qq_42628504的博客 276

SAP_MM模块非限制库存转冻结库存

项目非限制 → 冻结事务码移动类型343影响库存不可用,不参与MRP常见用途质量问题封存、盘点冻结、待退货品通过本文,我们了解了 SAP 的[SAP_MM模块非限制库存转冻结库存]的基本概念和应用方法。希望这些信息能帮助您在实际工作中更好地使用 SAP 系统,提高工作效率和管理水平。更多SAP文章请点击更多SAP文章更新,大家一起学习进步!!!文章中如有错误。敬请指正!搜索公众号:SAP资料文库微信号:SPRO_PP时间:2025-10-14。

我小时候很黑的博客 592

你听过的最无奈的一句话是什么?

作者:阿童木 出处:孤独的人不睡觉 1. 老家有个大龄美女姐姐,上个月突然结婚了,嫁了一个不高不富不帅的普通中年男子。 她曾在魔都读大学,开学伊始,就遇见了心目中的白马王子,谈了一场轰轰烈烈的校园恋爱。可惜在结束大学生涯前夕,她不免俗地落入毕业即分手的魔咒,其后心情黯淡难过了好长时间,离开魔都后转回老家工作。此间的日子一直波澜不惊,一不小心,她就度过了近十年漫长的单身岁月。 她出身高级

qq_34635109的博客 723

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")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

西安的无奈

张丹(软件测试学生) 1180

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

很多时候剩下的只有无奈

创业也要1年了,公司应该发展还不错,随着钱越来越多,以前的人却越来越不努力,我只能自己拼命的去忙,去做。有时候真的无奈。好像所有人都意识不到,好只是一个开始,不去坚持,不去奋斗,终究要失败。有人哭,有人笑,而我只能处在这中间努力的奔跑。我不能哭,因为我没有失败,我不能笑,因为我还没有成功。       想找个交心的朋友,都找不到,想找一个人去诉说,也不知道该对谁说好。       我总是在

冰雨的博客---情感与技术的天地 1071

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

向着成功奔跑

<br />我总在不断的问自己,我要做什么,我怎样去做,可是我发现自己要做的都那么难,我畏惧失败就像我害怕迟到一样,生命就像是一场话剧,我还没有找到自己的角色,现在我迷上了计算机,这当然也是我的专业,这一点都不奇怪,奇怪的是我知道我要做什么了!<br />人生几度秋凉,快离开大学了才想起自己要做什么,这就是我,茫然失措但又充满希冀,我渴望成功,渴望突破自己狭隘的思想。<br />我开始将所有的课余时间投入编程当中,从那一段段代码中我看到了世界未来的摸样,一个竞争的就像周末的交通一样,轰轰烈烈!<br />世

killyou709756846的专栏 367

我用奔跑告诉你、不回头……

如果黑夜停留了太久,只有一个月亮远远不够,如果寒冷冻结了太久,只有一阵春风怎能拯救;如果愁肠缠绕了太久,就算一江春水不能解忧,如果怨恨刻上了心头,纵然千言万语怎能穿透。所以要用黑色的眼睛,去寻找遥远的光明,所以要用流泪的爱,去打湿已结冰的心情;所以要用一腔热血去点燃熄灭的真情,去唤醒那已沉睡的灵魂。   我们每个人都只看到别人的光鲜亮丽,艳羡他人的人生,抱怨自己生活环境的无奈。但是我们有没有想过

langqun01的专栏 385

努力是种病:放慢节奏,才能快速奔跑

努力是种病:放慢节奏,才能快速奔跑   文/丛非从   1、工作很忙吗   朋友说,感觉压力很大,很想回老家。究其故,原来是工作非常努力,认真,尽责。手上做着好几个项目,每天要处理些琐碎的工作,还要每天处理跟领导、客户、下属的关系,感觉精疲力竭,非常疲惫。领导是个完美主义倾向的人,对工作要求也比较高。他很想趁年轻的时候多累积点资本,但是却感觉力不从心。我给他做了一...

dianpi2993的博客 200

学期小结-你在休息的时候,别人还在奔跑

做得不好的 学期要结束了。有点不是滋味啊。还差密码学老师的试验报告和大作业没准备好,密码学还没复习。过两天就要考试了。这心里紧张得不知道如何是好了。复习吧,没力量,这学期的密码学上了,可是一阵风吹过只留下了我。上课听不懂,加上这学期有点忙,没花多少时间看书。现在来紧张有点无奈的感觉。咋这么难呢,时间咋这么短呢。这学期还有就没毅力和坚持不住。没毅力艰苦的学习,没毅力研究自己没看懂的知...

weixin_30268071的博客 139

【无标题】当代年轻人对社会的无奈

《悬浮一代的生存悖论》揭示了当代青年的精神困境:手握高学历却陷入职场内卷与生活成本的夹缝中。加班文化榨取青春,婚恋被物化为资产匹配,光鲜朋友圈背后是体检异常和职场焦虑。这代人清醒地活在数据构建的生存公式里(步数×睡眠÷外卖单价=生存指数),在算法推送的"诗和远方"与现实压力间撕裂。当"躺平"成为无声抗议,"发疯"化作保护壳,他们仍在深夜倔强地寻找生活的微光——这种清醒的沉沦,恰是最深刻的无奈。

lamunuosang的博客 317

Share 很喜欢的派大星图片

今天给大家分享一波我很喜欢的派大星头像……

Kevin's Blog 6万+

2009年陕西高考作文题--西安的无奈

来自:http://news.hsw.cn/system/2009/07/02/050228331.shtml  2009年陕西高考作文题阅读下面的材料,根据要求写一篇不少于800字的文章。兔子是历届小动物运动会的短跑冠军,可是不会游泳。一次兔子被狼追到河边,差点被抓住。动物管理局为了小动物的全面发展,将小兔子送进游泳培训班,同班的还有小狗、小龟和小松鼠等。

GRANDTREE的专栏 1608

看完这个我流泪了,人生有太多的误会和无奈……

一个个无情的误解,纷乱了幸福的脚步。当命运的死结终于用代价打开,一切都为时已晚。接婆婆来家安度晚年,结果却背离我们的初衷。   结婚二年后,先生跟我商量把婆婆从乡下接来安度晚年。先生很小时父亲就过世了,他是婆婆唯一的寄托,婆婆一个人扶养他长大,供他读完大学。“含辛茹苦” 这四个字用在婆婆的身上,绝对不为过! 我连连说好,马上给婆婆收拾出一间南向带阳台的房间,可以晒太阳,养花草什么的。先生站在阳光充...

weixin_33901641的博客 178

37岁被裁员,大公司不愿要,无奈去小公司面试

我见过很多技术leader在面试的时候,遇到处于迷茫期的大龄程序员,比面试官年龄都大。这些人有一些共同特征:可能工作了5、6年,还是每天重复给业务部门写代码,工作内容的重复性比较高,没有什么技术含量的工作。问到这些人的职业规划时,他们也没有太多想法。其实30岁到40岁是一个人职业发展的黄金阶段,一定要在业务范围内的扩张,技术广度和深度提升上有自己的计划,才有助于在职业发展上有持续的发展路径,而不至于停滞不前。不断奔跑,你就知道学习的意义所在!本文已被。

2301_76348206的博客 882

记得要不断奔跑(二)

之后,等到周二才有一家面试,去面试时,发现同时已经有三个人在做笔试了。我心里一凉,竞争压力这么大,记得就是招一个人。这周登录前程无忧投简历里时,发现了一个问题,就是2014年校园招聘开始了!我心里一惊,我不但要与那些还没找到工作的竞争,还要跟那些新的实习生竞争!前三天投出的简历,没有一个面试通知,等到了一个,复试的时候,不知道老板是觉得我技术不行呢,还是工资要的高了,只是让我...

weixin_33895604的博客 81
上一篇: 编译程序链接错误LNK2001
下一篇: 基于IMD的包过滤防火墙原理与实现
仰泳的鱼儿
博客等级 码龄24年 42粉丝 84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