向大家推荐一个适合在校生学习、考研&保研、找工作的公众号

计算机保研夏令营备战指南:北邮、北师大、天大考核复盘与策略 计算机保研是计算机科学与技术领域学生深造的关键路径,其核心在于通过系统性的知识考核与综合能力评估选拔人才。从技术原理层面看,扎实的数据结构与算法、操作系统、计算机网络等核心课程基础是应对机试与面试的基石,这要求考生不仅理解概念,更要掌握其底层实现与工程应用。在技术价值上,保研考核旨在评估学生将理论知识转化为解决复杂工程问题与科研创新潜力的能力,这直接关系到未来在人工智能、分布式系统等前沿领域的深造与发展。应用场景则广泛体现在高校夏令营的多元考核中,例如北京邮电大学侧重工程实践与编程能力,北京师范大学人工智能 阅读详情

                                                                               

今天在这里向大家推荐一个值得关注的公众号,该公众号主要是面向IT在校生日常学习、考研&保研、找工作等。可以说该公众号在非常用心的为每位在校生学习保驾护航。公众号主要分享以下内容:

  • 邀请每年考研和保研(包括:普通本科院校、双一流院校)成功上岸的同学,分享其考研和保研的学习方法,以及一些心得和体会。总之,干货满满,适合希望保研和正准备考研的同学;
  • 邀请一些世界500强企业、独角兽企业的员工,分享自己的工作经验,以及其进入这些企业前所做的准备等等;
  • 邀请一些硕士、博士分享一些学术研究的方法,以及一些实用的科研工具;
  • 邀请别人分享一些人文生活上的趣事,来丰富每位在校生的精神生活;
字节跳动扣子AI应用开发平台之实战 推出背景:扣子平台由字节跳动推出,旨在让非开发者也能快速创建、调试和优化聊天机器人。上线时间:扣子平台于2024年2月1日正式上线。功能定位:扣子是一个AI聊天机器人和应用程序编辑开发平台,可以理解为字节跳动版的GPTs。 阅读详情

相关推荐

三维变换矩阵实战——三维点云的旋转、缩放、镜像、错切、平移、正交投影

旋转矩阵:右边矩阵是点云的原始坐标,左边的是旋转矩阵可视化:绕x轴旋转90度。

weixin_43850909的博客 8231

保研之路——微信公众号

保研之路,可谓是千军万马过独木桥,是一场大型的信息搜索大战。 我是本科就读于211的计算机科学与技术专业,保研至985的计算机应用专硕。 搜索关键的信息可以通过以下方式: 1.认识的学长学姐介绍; 2.意向学校的官方网站; 3.微信公众号。 对于我这种对于碎片信息的整合较差的人来说,微信公众号对我实在太过友好,微信公众号每天都会整理出关键信息,可供我们选择的观看,并且是阶段性的信息,可以让我们跟着节奏,不会错过关键信息。比如在前期准备相关资料方面,夏令营阶段,预推免阶段,推免阶段… 以下是我保研阶段关注的一

qq_41883610的博客 2594

SAP BASIS运维之三方SSL证书导入

事情的起因是我司SAP使用的SSL证书即将要到期了(上一个的SAP BASIS也辞职了),需要进行证书的更换。如上图所示,我司的证书有效期到2024年4月30日到期,需要提前预防并更换,防止过期后导致接口和访问出现问题。9.在弹出的框中,选择我们在第5个步骤中导出的转换结果存储地址,并选择导出的转换文件,点打开。12.最后一步也是关键的一步,不然就会无法更新证书,再点击左上角的个人安全环境,点另存为。10.在打开后的弹窗中,输入我们在第4个步骤中设置的密码。6.经过以上步骤后,我们获得了最终的证书文件。

fegda的专栏 1886

推荐几个不错的公众号

学习如逆水行舟,不进则退;只有坚持不断的学习,才能保持进步。今天给大家精心挑选的这几个优质的公众号,在行业深耕已久,相信大家一定会有所收获,感兴趣的可以关注一下。大数据肌...

AI小白入门的博客 577

【FPGA】AD9694调试注意事项

基于FPGA的AD9694设计及其注意事项,包括同步的设计注意事项

weixin_41246509的博客 2911

使用BK3432芯片进行蓝牙开发的详细指南:编程手册与实际应用

BK3432是一款蓝牙4.2双模式芯片,支持蓝牙低功耗(BLE)和经典蓝牙(BR/EDR)模式。它集成了高性能的RF收发器、基带处理器、ARM9E内核、丰富的功能外设单元,并支持BLE应用的可编程协议和概要文件。蓝牙版本:4.2数据速率:最高支持2Mbps内核:ARM9ERF收发器:高性能、低功耗外设单元:包括UART、SPI、I2C、GPIO等功耗:超低功耗设计,适合电池供电的应用。

m0_57781768的博客 4457

国内应届生是不是把Leetcode刷的滚瓜烂熟就能进google了?

别说进Google,有可能工作都找不到。 为什么有些人刷刷LeetCode就能Offer拿到手软,而有些人LeetCode滚瓜烂熟,项目也做了一两个,还找不到工作呢? 我参加校招也参加几年了,今天我们跟大家讲讲大学生校招到底需要什么能力? 记得帮我点赞哦。 一、程序员找工作,真正需要的是什么能力? 首先,光靠会算法和数据结构,就肯定能找得到工作吗? 如果答案是肯定的,那每年找不到工作的大学生就有福音了,死命刷LeetCode就好。 事实当然不是如此! 大学生参加校招,靠的是四个光环:学.

启舰 5万+

【回眸】Tessy集成测试软件使用指南(一)新手使用篇

这个专栏的文章前4篇都在记录如何使用Tessy进行单元测试,集成测试需要有一定单元测试基础,且做集成测试之前,需要做好单元测试,否则将会大幅增加软件单元代码纠错的代价。集成测试所花费的时间通常远远超过单元测试。如果直接从单元测试到系统测试,结果往往是不理想的。集成测试可以检测由于单元相互交互而导致的错误,通常由一组专业的测试人员执行。

啤酒鸭的物联网开发记录博客 5293

程序员每天会阅读哪些技术网站或者公众号来提高能力?

这你就问对人了,从事后端开发工作5年,一直都有浏览网站和公众号,提升自身能力的习惯。期间我收藏夹增增减减,最终留下了这些,都是真材实料的精华,希望可以帮到你们。 技术网站类 1.Tutorialspoint 一个免费教程网站,里面有各种技术、各个知识点的讲解和demo,非常全面,还可以根据索引寻找知识点,里面的电子书非常不错。 2.LintCode 在线编程评测平台,搜集了当前各大IT企业(字节、腾讯、阿里等)技术求职的热门题库,拥有2000多道面试题,可以在这里刷题/准备算法面试,适合初学者或是准备跳槽

九章算法的博客 623

Qt/C++音视频开发1-vlc解码播放

一、前言 最开始接触视频监控这块的时候,用的就是vlc作为解码的内核,主要是因为vlc使用简单方便,直接传入一个句柄即可,简单几行代码就可以实现一个视频流播放,很适合初学者使用,也推荐初学者用qt+vlc来做播放器,提供的接口还是非常友好的,而且门类特别多,想要获取媒体文件的各种信息比如宽高,设置宽高比等,直接调用接口函数传入参数就能设置。 所有用vlc做视频监控解码的人都会遇到一个问题,那就是鼠标事件被接管拦截了,不能识别鼠标事件,比如双击最大化等,这就很憋屈了,明明很好用的一个东西,怎么突然之间鼠标事件

Qt/C++视频监控/推流/物联网/大屏系统/自定义控件/UI定制/输入法 4942

SAP 供应商寄售(VMI)完整实现方案

摘要:本文详细讲解了SAP系统中供应商寄售(Consignment)和VMI(供应商管理库存)的实现方法。核心逻辑是物料所有权属于供应商,仅在领用时才触发采购。文章包含配置步骤(物料主数据、供应商设置、定价协议、会计科目等)、端到端操作流程(收货、库存查询、领用、结算、付款)、关键差异比较(与普通采购的区别)、核心事务码和数据表。重点说明了寄售流程无需采购订单,通过信息记录维护价格,领用时才产生应付账款的特点,并提供了常见问题解决方案和VMI进阶优化建议。

金牌架构师 1047

求职经验分享(6):本科生选择 读研VS就业?

本文是在渴望在计算机行业工作的视角上去看读研和就业的选择。谈到读研和就业,就不得不把读研拆分成考研、保研、留学,所以我们将拆分成俩个维度,五个选择去分析,得出每个选择的特点,以及对应的结论(适合什么样的人去选择)读研考研分析:考研和高考相似,千军万马过独木桥,但是不一样的是,,只能调剂(调剂去的学校至少比报名的学校低2-3档)或者等明年二战。

qq_33445788的博客 2449

永恒之蓝漏洞复现(ms17-010)

Metasploit Framework(MSF)是一款开源安全漏洞检测工具,附带数千个已知的软件漏洞,并保持持续更新。Metasploit可以用来信息收集、漏洞探测、漏洞利用等渗透测试的全流程,被安全社区冠以“可以黑掉整个宇宙”之名。刚开始的Metasploit是采用Perl语言编写的,但是再后来的新版中,改成了用Ruby语言编写的了。在kali中,自带了Metasploit工具。

渗透之路,攻防之间皆学问 2万+

985大学计算机专业保研率排名,国内最好考的几所985大学,虽然不是太出名,但保研率极高!...

原标题:国内最好考的几所985大学,虽然不是太出名,但保研率极高!很多人问:衡量一所大学好不好、综合实力强不强,除了985、211、"双一流"这些标签,最直观的还能看什么?保研率,一所大学的保研率越高,就说明这所大学的教学实力越高,因为,只有优秀的本科生,才能获得保研的机会。因此,从保研率上,也可以看出一所大学的综合实力。当然,越是名牌大学保研率就越高,像是清华大学,国内保研率最高的大学,也是唯一...

weixin_42398171的博客 1891

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。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

大二在读,身为女生我该选择读研还是直接工作?

作者:阿秀阿秀的学习笔记:https://interviewguide.cn你好,我是阿秀。对于中国大多数本科生来说,毕业之后只有两种选择:继续深造或者直接参加工作,比如留学、国内读研等,但拥有保研资格的学校毕竟还是少数。大多数学生还能只能走考研这一条路,这就会出现一个千古难题:我到底是考研还是准备工作?这个问题真的是千古难题,就好像先有鸡还是先有蛋一样真的说不好,考研有...

博客 481

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")

某211大学生保研思路分享【写给所有怀揣远大梦想的你们】

从末流211逆袭中科大的保研经验分享

weixin_48241051的博客 700

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。

苏州大学python选择题题库_苏州大学2020考研记录(2019.3-2020.2.24)

我记得上一届有个学长也给我分享了一篇考研总结文档,我也希望能在考研的道路上为后来者留下点什么。祝福大家都有所收获、高效备考、少走点弯路、少踏点坑,冲鸭!首先明确一下初试(含数学的研究生入学考试)当天的科目时间:第一天:8:30-11:30政治(100分) 14:00-17:00英语(100分)第二天:8:30-11:30数学(150分) 14:00-17:00专业课(150分)(1)3 月初开始准...

weixin_39611308的博客 348

地理信息系统概论_南师大南京师范大学地信GIS地图学与地理信息系统考研经验介绍...

本篇是一个概述,主要介绍南师大gis考研难度,考什么,备考资料推荐等。如果你是考研小白,那请先看看下面关于考研择校的视频介绍。知乎视频​www.zhihu.com一、南师大GIS考研概述南京师范大学,211工程大学。第四轮学科评估显示,南师GIS大概全国前六的水平;一流学科评选中,南师大GIS入选双一流,地图学与地理信息系统可谓南师大王牌专业。南京师范大学地图学与地理信息系统为国家级重点学科,拥有...

weixin_39545895的博客 1169

21跨考中南大学计算机专硕高分上岸经验贴

预备知识 关于学硕和专硕 学硕比较偏向科研,专硕比较偏向应用,一般学硕有推荐读博的机会,而专硕基本要考博,所以想科研推荐考学硕,想毕业直接工作推荐考专硕。不过中南的学硕和专硕基本差不多,专硕毕业要求低一些,学硕学费便宜些,一年8000,专硕一年12000。中南的专硕是电子信息,听说考公务员会有影响。学硕找的人比较少,大部分会被保研的占掉,所以一般考的难度会高一些。但这并不绝对,可能会受冷热的影响,建议自己去了解一下学校往年的分数线和复录比。比如20年的学硕很炸,21年的学硕就有点冷。20年科软点击就送,21

dxianzhi的博客 9570

考研 | 一战南大软院险进复试后失利被刷,调剂国科大杭高院荣幸上岸

从2020年7月23日暑假正式进入考研复习状态至2021年4月12日接到国科大杭高院录取通知,这场长达8个月的考研“初试+复试”的拉锯战终于告一段落,目前也或多或少和导师以及学长学姐接触了些项目,也在为即将到来的研究生生活做准备。 现在回顾起来,意味深长,良多感慨,作此篇以记之:一是统一回答一下近日来诸多学弟学妹有关考研的问题;二是也想借此机会好好做一下个人总结,以待重新出发! 0.个人基本情况 基本情况 详情 本科院校 不出名211(信息安全专业) 学习情况 GPA:3.33/4.

ParallelLight 3781

有哪些值得推荐的程序员在线编程网站?

经常听到一个段子说:大部分伟大的想法都死在配环境上面。我知道对于一个新手来说,可能配运行环境要比上手写代码要难受的多。所以我就抽时间整了一些在线编程测试的网站,虽然推荐了这些网站,但是还是推荐大家平时写代码的时候在本地用IDE写。这篇文章的意义在于:工作或者考研的时候,针对特定的算法题在网站上练习;一台临时电脑,没有编程环境,但是需要运行代码;突然需要运行一个自己不常用的语言的代码,自己电脑上没有...

tanqingbo的博客 1111

你是这样的“夜间工程师”吗?(深度好文)

其实今天说的这个标题,是我自己的一个反思,我现在发现自己的作息时间有一点问题,我们可以看到各大互联网公司的出了名的加班时间表,尤其是某为,某节几个公司的加班都是出了名的多。正就是所谓的互联网的狼性所在~ 我其实在想为什么会选择在夜间加班呢?而且不仅仅夜间加班,在白天感觉也是非常的忙,这是什么原因呢? 我认为有以下的两点为主要的原因: (1)工作和业务任务确实不可否认的多,确实在我们这样一个14亿人口的大国,任何公司的业务数量都不会少,前一段时间在淘宝上买嵌入式开发板的零件,一个很小的淘宝店(哈哈,举个例子而

千与编程 352

蓝桥嵌入式之 2015_第六届_蓝桥杯_省赛_双通道方波 频率检测与倍频 输出

工程可见Github<传送门> 代码较多,这里仅贴出写的过程中的问题。 输入通道 PA1-TIM2_CH2 对应输出 PA6-TIM3_CH1 输入通道 PA2-TIM2_CH3 对应输出 PA7_TIM3_CH2 代码算是可以实现题目里面要求的功能,但是还有两个地方没弄明白。 1、PWM输出的瑕疵 原因待查找… 2、串口的问题 PA1 PA2作输入捕获,一旦有外部信号输入,在开...

悟已往之不谏 知来者之可追 1801

蓝桥嵌入式之 USB转串口(FT2232D/ATMEL528)

看CT117E的原理图中,关于USB转接口部分的电路并未详细标明芯片型号,不知道又有何蹊跷,今就来一探究竟… 具体位置藏匿于LCD之下,掀开之后,便可窥得: 两个芯片:FT2232D和ATMEL528 ...

悟已往之不谏 知来者之可追 3880

程序员在线编程神器!

经常听到一个段子说:大部分伟大的想法都死在配环境上面。我知道对于一个新手来说,可能配运行环境要比上手写代码要难受的多。所以我就抽时间整了一些在线编程测试的网站,虽然推荐了这些网站,但是还...

苏克的博客 716

蓝桥嵌入式之 2018_第九届_蓝桥杯_省赛_电子定时器

工程可见Github<传送门> 代码过长不再一一粘贴,这里记录一下再书写过程中遇到的问题。

悟已往之不谏 知来者之可追 2368
上一篇: 自研·学术·文献查找
下一篇: Ubuntu18.04 安装 Anaconda3
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333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