我的阅读心历-- 程序员的这点情怀

程序员:每一份不忘初心的情怀, 都是对技术的追求 1、真正的情怀,是从不矫情 这几年“情怀”大约快成了贬义。创业讲情怀,产品讲情怀,好像没点情怀都不好意思出门见人。 我们曾经充满热情,是一位开源软件倡导者,我们崇尚全栈工程师才有未来的理念,我们渴望改变世界。但是现在我们每天都处于焦虑之中。有程序员网友在问答平台,征集为啥要做程序员,初心是什么?回答褒贬不一,消极言论居多,下面我们看看网友如何答复。 另有网友回复:“一位大牛曾经说过:“我以... 阅读详情

读书如历三千世,无书只顾一平生,愿以圣人之心度凡人之劫 。

几年前,在一本书上看到一句话:如果我的思想里有一座图书馆,会怎样呢?当时很震撼,感觉自己应该做点什么。那时的我,除了谋生,把大部分空闲时间花在了焦虑、看电影、刷微信等等上面,睡觉前就会一阵的空虚,回想一下当前,似乎没做什么,有点乱了方寸。

静下心来思考了一晚,明白了一个道理,不论迷茫、焦虑还是惊慌失措,阅读和锻炼身体总是不会错的,都会积极的推动自己沉重的步伐向前迈进。既然如此,何必把时间花在一些无意义的事情上,至少坚持锻炼身体给我带来了莫大的勇气。开始阅读的时候,在网上买了几本书,开启了我的阅读旅程,旅程是痛苦的,最初看完一本书后,大多数忘掉了,有着深深的挫败感,纠结着看完了就忘有什么用呢?慢慢的精气神就处于萎靡的边缘,在思维混乱中继续坚持着,不知道这样下去有什么意义。

在持续阅读的过程中,虽然很痛苦,但“脑袋里拥有一座图书馆”的强烈情绪一直在提醒着我,就在微信中去搜索一些读书的群,寄希望于“志同道合”的朋友能解开我的迷惑和快崩溃的意志。在其中一个群中,我说出了“阅读有什么用,看完就忘掉一大半”,奇迹般的没人鄙视,他们很友好的给我提建议,其中一条回复让我到现在记忆犹新“读书就像吃饭一样,从小到大都在吃,也没见所有的米饭都长成了肉,一天两天,一年两年,你应该感觉到自己在长大吧”。嗬,突然一阵轻松,有意义的事儿并不是你感觉有意义,而是它本身很有意义,再浅显不过的道理。

因为心平了,气就和了,不是喜欢历史么,也没见看过几本历史类的书籍,第一印象是《史记》、《三国演义》、《红楼梦》之类的巨著,去翻了几页,实在是有点怀疑自己的水平。不得已在微信读书里面闲逛了很久,找到了一本历史小说《明朝那些事儿》,一看名字,觉得应该不那么高深,虽然历史小说的历史真实性有待考究,但看看有何妨。看着看着就欲罢不能了,有种穿针引线、酣畅淋漓的状态,时不时的还会去对照故事,查询其间相关的历史资料。上班路上挤点时间看,中午休息挤点时间看,下班以后挤点时间看,“充实”二字不足以表达我内心的激动。当然,不只是历史知识的补充,而是在阅读过程中找到的阅读方法,你会不断的找到新的阅读知识点,一本书读完后,基本上就可以根据上一本书获取的信息,迅速找到并进入下一本书的阅读,不会苦恼接下来要读什么书。《汉武大帝》、《鬼谷子》等几本书就由此而来。

要说明的一点,关联性的书籍还是有限的,在持续性阅读总结的同时还要持续性的去搜集一些书籍,至少那些书籍都是你第一印象看上眼的。像《大江东去》、《追风筝的人》一系列的书籍都是在阅读历史相关书籍的同时搜集的,慢慢的,书籍搜集了几百本,实际只阅读了几十本,可以说有种停不下来的感觉,根本不愁找不到喜欢的书。一周过去了、一个月过去了、半年过去了、一年过去了...,习惯自然就来了,没有刻意,只是闲暇自然而然的顺手拿一本书阅读,让人瞬间安静下来,内心平静下来。很多时候,工作不顺心,感情不顺心,都靠阅读和跑步来发泄,焦躁的情绪也就慢慢的平息了下来。

随着读书日久,下意识的会去咀嚼一下别人书中的思想和人生,为什么这样写?为什么读起来有点不顺畅?为什么这本书场面这么宏大?为什么作者思维这么缜密?鉴于此,正值2019伊始,在自己的新年计划中,偷偷加入了写作计划(自知文笔不咋滴),不为名不为利,只为内心思想和情感的表达,于此记下自己一路的历程,好也罢,坏也罢,顺其自然,水到渠成就是我的功德。行动跟上自己的思想,惟愿如此。

年薪60W的Android程序员究竟多累、多苦?一条高赞评论扎了无数人的心 为啥经常听到程序员朋友说自己太辛苦了、太累了,其实原因很简单:干活苦、竞争大、技术致富难。 干活苦: 有新闻说晚上十点某领导在微信群要求下属在十分钟内回复,一员工因休息早而没及时回复被裁了。 对于程序员来说,晚上十点仍有许多人在公司赶进度,等发布。即使在深夜熟睡之际,一旦电话铃声响起,程序员在十分钟内就得起来查看处理,毕竟如果是系统宕机的话,晚一分钟处理损失就多几个零。 选择程序员这职业也就是选择7*24*365的待机模式,出门可以不带钱包但随身得带个vpn,搞不好程序员在结婚当天还得停下来打开电脑解bug 阅读详情

相关推荐

10款超实用的程序员工具,工具用得好,头发掉的少

工具用得好,下班下得早!

龙叔的博客 3487

当小情怀遇到滴滴工程师

桔妹导读:最近对产研技术同学的印象有点迷。有人说他们讲逻辑、很理性,不浪漫,结果看看520,表白撒狗粮各个有一套。(详情可阅读《五年,他们从应届生成为了滴滴的技术扛把子》《高甜预警!16个...

DiDi_Tech的博客 5306

Java 开发 修改【冒险岛 079 私服】完整学习流程

第 1-2 天:环境搭建 + 运行原版 079 服务端,能正常登录游戏;第 3-4 天:纯配置文件修改,掌握倍率、属性、怪物、道具的修改,改出第一个「百倍经验私服」;第 5-10 天:Java 代码基础修改,掌握 Player/Skill/Monster 核心类的修改,实现技能无冷却、一刀秒怪、升级满属性;第 11-20 天:Java 代码进阶修改,掌握业务逻辑修改,实现死亡不掉经验、自动捡物、装备强化无失败;第 21-30 天。

萧曳丶 3895

码农与程序员的惊人差别

作者:大飞公众号:大飞码字不好意思,又标题党了,但内容是纯干货,以下入正题。码农这个称呼很早就有了,不过我一直鲜有听到我周围的同事,朋友自称码农。我一直以为,码农就是程序...

tanqingbo的博客 229

Moltbot 超详细安装使用教程(初学者版)

你在外面逛街,用微信/Telegram 发消息说"帮我查一下明天的天气"它立刻帮你查好并回复你说"帮我在电脑上新建一个文件夹叫'工作文档'"它真的帮你在电脑上创建了这就是 Moltbot ——一个能真正帮你干活的 AI 助手。API Key 就像是一把"钥匙",让 Moltbot 能够使用 AI 服务。

weixin_51040479的博客 2017

将点云坐标转换成世界坐标的demo

将点云坐标转换成世界坐标的demo

howard789的博客 2206

设计师情怀和黑客情怀

20年前,最好的程序员是那些能够把整个程序装配进一个64Kb的.COM文件里的人。那些对Intel 80386掌握最多的人在编程中是偶像般的存在。 那是因为在20年前的计算机昂贵了而程序员廉价。那是黑客情怀的时代。那个时代已经过去了。那种情怀现在已经不被赞赏了,因为市场状况已经完全相反了。 现在,计算机变得便宜而程序员变得昂贵了。当下的时代是设计师情怀的时代,如今我们代码的可读性比代码的性...

288

统信UOS系统网络服务异常排查:WIFI图标消失与网络设置缺失的解决方案

本文详细解析了统信UOS系统WIFI图标消失与网络设置缺失的常见问题,提供了从基础修复到进阶排查的完整解决方案。重点分析了NetworkManager服务异常的根本原因,包括系统更新中断、权限配置错误等,并给出实用的命令行操作指南和预防措施,帮助用户快速恢复网络功能。

weixin_29234239的博客 621

聊聊工匠情怀

(本文转摘于于陈皓的酷壳上的一篇文章,http://coolshell.cn/articles/11629.html#more-11629,写得很好,感谢作者的分享!)    老罗的Smartisan T1手机发布会很多人应该都看了,发布会的最后老罗凝视着自己的工匠自画像,半晌没说话,随后转过身,慢慢离开舞台,屏幕下方只留下一句话: 我不是为了输赢,我就是认真。     这一瞬间

734

全球气候模式降尺度方法总结及其代码实现

简介总结各类型气候模式降尺度方法

WW、forever的博客 1万+

SAP CRP能力计划详细说明操作及相关配置

2、求助朋友同事的希望破灭后,网上找了资料发现在百度搜索的资料基本都是没有说明白什么才产能计划,都没有详细的操作说明,然后用google去搜索了一些相关的文章,好像也没有详细的文章。然后也去SAP的官网搜索了相关的文章,都是文字性的表述,对系统的配置都没有很大的帮助,很久之前有记得在隐身人的博客中有提到CRP的能力计划的文章,然后试着去找了一下相关的文章。5、首先产能排产肯定涉及的就是是能力的问题,能力第一个能想到的就是工作中心中的能力页签,在流程制造中也叫资源,其实都是一个东西。

我小时候很黑的博客 4519

【置顶】历史书单--程序员的文娱情怀

本文地址:【置顶】历史书单--程序员的文娱情怀 快速索引 文档连接:Hive文档Hdfs官方Spark官方Oozie官方CDH文档IDEA文档About云中文论坛JavaPlatformSDKJava8懒妹表达式 公开课:机器学习Stanford课程 书单:2015豆瓣书单豆瓣千人8.0+书单大牛阅读 编程入口:Eclipseservlet...

weixin_30814319的博客 134

【Unity 实用工具篇】✨| 使用Fungus插件制作一个对话系统,简单好学易上手

今天带来的是Unity中一款简单易用的对话插件Fungus,它是一个免费的交互式的对话系统。 Fungus是Unity免费的一款开源的插件,它可以无代码的实现玩家与NPC之间的对话,并且支持本地化,对相机、Sprite及音乐音效的控制。 学会使用该插件就可以做一些对话剧情类的游戏了,还是非常好用的,下面就来学习一下Fungus具体怎么使用吧!

努力前行,总会成为自己心中的那道光 1万+

2024年最新程序员:每一份不忘初心的情怀, 都是对技术的追求,面试学到了什么

面试是一个不断学习、不断自我提升的过程,有机会还是出去面面,至少能想到查漏补缺效果,而且有些知识点,可能你自以为知道,但让你说,并不一定能说得很好。有些东西有压力才有动力,而学到的知识点,都是钱(因为技术人员大部分情况是根据你的能力来定级、来发薪水的),技多不压身。附上我的面试各大专题整理: 面试指南,满满的都是干货,希望对大家有帮助!网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。需要这份系统化学习资料的朋友,可以戳这里获取。

2401_84557161的博客 515

【OpenClaw从入门到精通】第12篇:OpenClaw 2026子代理实战全攻略:用ACP架构搭建多智能体协作网络(附完整代码)

本文聚焦OpenClaw 2026.3.2版本默认启用的ACP(Agent Communication Protocol)子代理机制,从核心概念、底层原理到企业级实操全流程拆解。先解析子代理的定义、ACP协议通信原理及主从代理分工逻辑,再提供环境准备的详细步骤(版本验证、配置调整、技能安装);随后通过三个递进式虚拟案例(客服分流、智能文档处理、企业级招聘全流程),提供可直接运行的完整代码、执行结果及技术要点解析;最后补充子代理管理运维、性能优化与避坑指南。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 2383

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")

程序员专属小情话,哎呦,不错哦!| 程序员有话说

作者 |H.A.N 责编 | 伍杏玲 出品 | 优快云博客 中学还没学习计算机的时候,在小城市里都还没见过电脑。 那个时候觉得敲键盘很帅很神秘,简直跟会弹钢琴是一个级别的,上大学读了计算机才发现,程序员多数都是终日面对电脑心无旁骛写程序的技术理科宅,浪漫和他们一点关系都没有,他们好像永远想不到在蛋糕里藏戒指在下雪天说情诗。 尽管理科宅们认真做事研究技术的时刻都很有魅力,但好像...

程序人生的博客 5534

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

程序员摸鱼网站-仿优快云专业技术博客阅读器

还在为 优快云 广告太多、收藏夹混乱、午休无聊而烦恼?本文种草一个程序员专属的"精神栖息地"——端午秋分猫。它既是支持 5 种专业布局、去广告、云端同步的技术博客阅读器,又是一个内置了三国杀、QQ 农场、Q宠大乐斗、你画我猜、终端小说、终端聊天室的摸鱼游戏中心,外加一套完整的成就与等级成长体系。一个网站 = 阅读器 + 知识库 + 游戏大厅 + 聊天室,完全免费,不强制注册,程序员审美在线。读完这篇,你的收藏夹可能会多一个每天必开的标签页。

qq_27525459的博客 739

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

史上最走心的 “程序员出书” 完全攻略

很多程序员、工程师都想过写书、出版。但是写作并出版一本纸书,标准很高、流程很长,与物质回报形成了巨大的反差,若是没有深深的情怀、过人的意志,或是不得法,极易被劝退。那些最终成功出版,且作品被广泛传播的人都经历了哪些呢?有没有一套标准的做法,可以让出版成为一次难得的人生体验呢? 本文将用超过10000字的篇幅,为想出版图书的IT互联网从业者,详尽介绍出版一本正规纸质书的前前后后,希望帮助大家顺利愉快...

GitChat 1868

如何做一个有文艺气息的程序员?

程序员,理工属性,但在这卧虎藏龙的程序员圈,同样有李白“诗仙”式的文艺才子。 当我想到这个题目的时候,就想起身边的朋友,很多工科男都钟爱文史哲学,并且那文学造诣比我们学这专业还要高,让人叹服。就拿我亲身经历的糗事来说,曾经就在北京地铁上和一个学工科的朋友,在《陋室铭》这篇文学作品见解上被他活生生撂倒。我是真心佩服他滔滔不绝中的字字珠玑和出口成章。就像之前我写过的《不想做艺术家的程序员不是

ones123654的专栏 1497

看完落泪!程序员版《桃花庵》 | 每日趣闻

让全世界看到程序员的幽默!往 期 趣 闻☞☞☞☞点击阅读原文,输入关键词,即可搜索您想要的程序人生文章。你点的每个“在看”,我都认真当成了喜欢 ...

程序人生的博客 938

程序员的浪漫情诗,您学会了吗?

关注前端瓶子君,回复“交流”加入我们,每日分享有意思的事、一说起程序员,很多人的第一印象都是呆板,木讷,不懂得浪漫,你们真的懂我们程序员的内心吗?我们的浪漫可能不会出现在嘴里,却会出现...

我本可以容忍阳光,如果我不曾见过太阳,然而阳光已使我荒凉,成为更新的荒凉。 573

一名程序员心态的重要性

程序员的自我修养--读阮一峰《如何变得有思想》有感 前言        年前无意浏览到阮一峰的网络博客(链接),一发不可收拾,从那以后一直追着拜读其博客,并看到了其在网站上的广告(暂且称为广告)《如何变得有思想》,果断买来拜读,但是一直忙于各种事情,最近才抽出时间用了一周时间读完该书,感触颇深,在IT的大海里也遨游了五年之久,从未意识到思想如此重要,或者换句话说以前只是代码的搬运工,现在开

caozaifei的博客 3632

一件四周年纪念卫衣的情怀

初衷 提起文化衫,脑海里便会浮现出毫无版型的衣服配上硕大显眼的logo,内心是拒绝的。 可是早读课发展到今天,离不开6万多粉丝的陪伴和支持,总想做点什么来回馈给大家。 正值早读课4周年之际,我们想要做一件纪念款的卫衣来与大家分享。 设计理念 提到程序员,可能想到的就是中关村的格子衫和极少的发量,但是关注早读课的都是好看的人儿,我们设计师大人致力于改变大家对于程序员的刻板印象,告诉大家程序

前端早读课 526
上一篇: 我的IT管理这点事儿
下一篇: 项目经理与技术经理的区别
KirogiYi
博客等级 码龄15年 49粉丝 87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