墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
800+累计阅读
825平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
2009-12-03
Yan有天给我发了张照片，06年末进行的项目计划表，当时贴在技术部的门上，每个人都签了字（抹去...）历经五个月的项目，实施人员十五人。
那个时候那个睿智可爱的Max还在，一个南方的小男人，总是跟我们说我们是一个Open的团队。
那个时候我还年轻，在他眼里。那个时候他很有思想，冲劲十足，在我眼里。
这十六个人现在有的人已经结婚生子，有的去了阿里巴巴，有的去了上海，有的去了腾讯，有的去了500强，每个人都有了自己新的方向。
和Yan吃饭，说原来已经过去了三年，这三年如白驹过隙，恍惚之间。
仿真+课设Multisim直流可调稳压电源(0-15V)仿真设计基于LM317+LM337【仿真+课程报告】
内容概要：本文详细介绍了一种基于LM317（正压调节）和LM337（负压调节）芯片的Multisim直流可调稳压电源仿真设计方案，输出电压范围为0-15V，具备完整的电路仿真模型与课程设计报告。设计涵盖线性稳压电源的核心原理，包括电压调节机制、元件参数配置、双极性电源构建及仿真测试流程，突出理论与实践结合。文档还附带丰富的扩展资源，如三相PWM整流器、函数信号发生器等仿真项目，并提供百度网盘链接用于获取全套资料，适用于电子类课程设计与自主学习。整体内容系统性强，注重仿真操作指导与工程实践能力培养。; 适合人群：电子信息工程、自动化、电气工程及其相关专业的本科生、专科生，以及正在进行模拟电子技术课程设计或毕业设计的学生。; 使用场景及目标：①深入理解线性稳压电源的工作原理与设计方法；②掌握Multisim软件在电路仿真中的实际应用；③完成基于LM317/LM337的可调稳压电源课程设计任务；④提升模拟电路系统的设计、仿真与分析综合能力； 阅读建议：建议结合Multisim软件同步实践，按照文档电路图逐步搭建仿真模型，重点关注电压调节电路的实现细节与参数设置，并参考所提供的其他仿真资源拓展知识广度，强化工程思维训练。
关于CMMI 级别和 BUG率（千行代码缺陷率）
关于CMMI 级别中和BUG率相关的信息如下： 千行代码缺陷率（bug率）： CMM1级 11.95‰ CMM2级 5.52‰ CMM3级 2.39‰ CMM4级 0.92‰ CMM5级 0.32‰ 基本属于成倍递减。国内通过CMMI 5 级评定的IT行业公司如下（信息来源互联网，如有出入，欢迎指正）： 公司名称
阻尼器磁流变阻尼器MR Damper非线性（阻尼、滞回）特性研究（Matlab代码实现）
内容概要：本文围绕磁流变阻尼器（MR Damper）的非线性特性开展深入研究，重点剖析其在动态载荷作用下的阻尼力响应与滞回行为所表现出的强非线性特征，并基于Matlab平台进行系统建模与数值仿真。通过建立能够准确描述MR阻尼器非线性力学行为的数学模型，模拟其在不同激励条件、电流强度和运动频率下的动态响应过程，进而对系统的非线性特性进行定性与定量分析。研究涵盖了模型构建、参数设定、仿真执行与结果可视化等全过程，突出了Matlab在处理复杂非线性系统仿真中的强大功能与工程实用性，为智能材料器件在振动控制领域的应用提供了坚实的理论支撑与技术路径。; 适合人群：具备一定控制理论、机械动力学或智能材料基础知识，熟悉Matlab编程环境的研究生、科研人员及从事振动控制、结构工程等相关领域的工程技术人员。; 使用场景及目标：①用于智能材料与结构领域的科研与教学，帮助深入理解磁流变阻尼器的工作机理与非线性动力学特性；②为车辆半主动悬架系统、建筑结构抗震减震、桥梁风振抑制等实际工程中的振动控制系统设计、仿真验证与参数优化提供技术支持；③作为非线性系统建模、动力学仿真与Matlab编程实践的经典案例，有效提升使用者的系统分析能力和工程软件应用水平。; 阅读建议：建议读者结合文中提供的Matlab代码进行动手实践，通过调整模型参数（如电流、激励幅值与频率）观察系统响应的变化规律，深入探究非线性特性的形成原因与影响因素，并可尝试将该建模方法迁移至其他智能阻尼器件（如压电、电流变阻尼器）的研究中，以拓展应用视野。
项目成本评估及预算的制定
项目中成本评估中，最大的比例是进度评估，经常遇到我们的评估不准确，做了根本原因分析后如下图： 由上图我们得出， 占有大比例及优先级的原因如下： 1、 需求范围管理 2、 评估技能—而实际中这点并不是主要原因，评估者的多半经验都可满足评估标准 3、 风险储备 4、 管理储备 但并不是满足以上就让我们有个漂亮准确度高的成本评估指标，IT公司中，除了软件外包
全桥LLC谐振(变频+移相混合控制)变换器闭环仿真模型（Simulink仿真实现）
内容概要：本文档详细介绍了一种基于Simulink实现的全桥LLC谐振变换器闭环仿真模型，采用变频与移相混合控制策略，重点研究系统的动态响应、稳态性能及高效软开关特性。内容涵盖系统建模、PI控制器设计、闭环反馈机制构建以及谐振参数的优化配置，全面展示了从理论分析到仿真验证的全过程。通过在不同输入电压与负载条件下进行仿真测试，验证了该模型在提升转换效率、实现零电压开通（ZVS）和精确调控输出电压方面的优越性能。同时，配套提供参数设计报告、仿真说明文档及参考文献，有助于深入理解与复现实验结果。; 适合人群：具备电力电子与电力系统基础知识，熟悉Simulink/Matlab仿真环境，从事高频DC-DC变换器、新能源电源、车载充电机或相关领域研发工作的工程师及高校研究生。; 使用场景及目标：① 掌握全桥LLC谐振变换器的建模方法与闭环控制系统设计流程；② 深入理解变频+移相混合控制在高效率电源变换中的协同作用机制；③ 用于科研项目复现、教学案例演示或工业级电源产品的前期仿真预研；④ 为实际硬件原型开发提供可靠的理论支撑与关键参数设计依据。; 阅读建议：建议结合所提供的仿真文件与设计报告同步操作，重点关注控制环路搭建、谐振腔参数选取及其对系统性能的影响，推荐通过调整负载与输入条件进行多工况仿真分析，有条件者可进一步推进至样机实验验证。
【顶级EI复现】新扩展移相角下的双有源桥DC-DC 变换器优化控制策略（Simulink仿真实现）
内容概要：本文聚焦于“新扩展移相角下的双有源桥DC-DC变换器优化控制策略”，在Simulink环境中实现高性能闭环控制仿真。通过引入改进型扩展移相调制（EPS）策略，结合KKT最优性条件与分段解析优化方法，系统实现了软开关（ZVS/ZCS）的精确控制，有效降低了功率器件的电压电流应力，提升了变换器在高频、高压隔离场景下的转换效率与动态响应能力。文档详细阐述了控制逻辑的设计原理与参数整定方法，并提供完整的Matlab/Simulink仿真模型与代码，确保研究成果可复现、可拓展，已通过顶级EI期刊标准验证，具备高精度、强鲁棒性的工程应用价值。; 适合人群：电力电子、电气工程及其自动化等相关专业的研究生、高校科研人员，以及从事新能源发电、电动汽车、微电网、储能系统等领域的技术研发工程师；尤其适用于需复现高水平论文成果的研究者。; 使用场景及目标：①深入理解双有源桥（DAB）变换器的工作机理与先进移相控制策略；②掌握基于Simulink的电力电子系统建模、仿真与优化技术；③复现并验证EI级期刊论文中的控制算法，支撑学术论文撰写、课题申报或实际工程原型开发。; 阅读建议：建议读者结合“改进型EPS调制”“软开关实现条件”“最小应力优化目标”等核心技术要点，利用所提供的仿真模型进行分模块调试与参数扫描分析，深入探究控制环路设计逻辑与系统稳定性边界，同时可参考荔枝科研社资源目录获取同类案例以拓宽研究思路和技术视野。
【创新基金项目可行性报告】如何写项目可行性报告/项目申报文档
最近在知乎上回答了一个问题，关于国家/省创新基金项目可行性项目报告的撰写，以及创新基金的申请。 情况介绍： 1、 国家级创新项目 国家级的申请比较严，审批项目都是两院院士及国家级专家，一群五六七十岁的老头。对待问题严谨认真，申请下来的项目多数是奇瑞这种大型厂商，国家级的评定综合性较高，跨行业很常见，没有几把真刷子的公司申请不下来，奖金比较多，几百万。 2、省级创新项目
微信小程序如何集成EasyRTC实现零插件音视频通话？5步搞定完整接入流程
本文详细介绍了如何在微信小程序中集成EasyRTC SDK，实现零插件的实时音视频通话功能。通过5个关键步骤，包括环境配置、SDK初始化、核心功能实现、性能优化和问题排查，帮助开发者快速完成WebRTC技术在小程序中的落地应用，解决微信小程序原生不支持实时音视频通信的技术难题。
关于“马云：天下没人能挖走我的团队” - [感悟•互联网]
2009-11-18 早上等待XX局来检查的时候看到了这篇文章“马云：天下没人能挖走我的团队”。看到题目不知道为啥就笑了出来。 自从阿里巴巴成功以后，马云成了电子商务行业的神，三年前第一天进公司起就听到赶超慧聪，比拼阿里的目标。这么多年身边也确实不断地有人去了杭州，而我们在媒体上看到的永远是辉煌和优势。阿里必定有他成功的经验和特点供我们学习，可任何事物都并不是一味的好。我想
GBase8a-GDCA认证考试-复习参考题
为提升产品服务水平定期举办GBase产品认证培训，培训更多GBase数据库专业人员，满足用户快速成长的业务需求，建设GBase产品生态。请注意甄别，根据所学知识综合判断，正确率97%（97分）。
【深度解析】信息素养提升实践活动（附：历年获奖作品分析）
全国师生信息素养提升实践活动是由教育部教育技术与资源发展中心（中央电化教育馆）主办，面向全国师生的一项信息化交流展示活动。
项目经理之面试记录
最近一直在面试新的东家，关于PM的职位。特做个记录总结一下。 最爱问工作方面的问题： 1、 你的工作职责以及项目中的主要工作内容 2、 如何看待风险控制（包括人员风险、进度风险、对外对接的风险、硬件设备风险等） 进度风险回答时注意两点： 1） 合理评估工作量，增加风险进度 2） 重视项目评审会 其他风险可参见PM,BOK中
【Simscape】用Simscape实现三维物理仿真（三）——创建一个滑块单摆系统
1 首先创建一个Simscape Multibody 模型 （方法见 【Simscape】用Simscape实现三维物理仿真（一）——创建一个自由落体小球） 2 创建四个Solid模块 （1）摆杆 Shape : Brick Dimensions : [0.1 0.05 1] m （2）摆杆轴 Shape : Cylinder Radius : 0.02 m Le...
项目总结- 最困难的项目过后
项目 你坚持或者放弃 它就在那里 不增加不消失 ========================== 前言 也许上半年结束的历经五个月的项目，是这些年来我经历最痛苦最磨练人的一次。 跟中国移动的人打交道，他们不会吧很多事说的很明白，很多三个字五个字的功能其实可能预示着整个模块。 对一个从来没做过电信行业软件的团队来说，这无疑是个挑战。 在我刚拿到一本50页的需求说明时，我翻了四遍，
suse ha for sap scale-up性能优化场景安装配置
suse ha for SAP安装配置
交换机四种光互联技术：OIO、OBO、NPO与CPO
在过去几十年里，数据中心交换机主要依赖电信号通过铜线进行数据传输。然而，随着数据传输速率从100Gbps向400Gbps、800Gbps甚至1.6Tbps迈进，传统电互联（Electrical Input & Output, EIO）面临三大瓶颈：信号衰减、功耗激增和空间限制。例如，高速信号在长距离铜线传输中会产生严重的信号失真，迫使设计者加入数字信号处理器（DSP）来补偿信号衰减，这进一步推高了功耗和成本。此外，传统可插拔光模块的体积较大，限制了端口密度，难以满足现代数据中心对高带宽密度的需求。
美国式管理 日本式生产 - [感悟•互联网]
2009-12-10 一直很乐于和Boss聊天。他带给我的日本企业ERP软件、生产企业的业务流程让我像蚂蝗一样不断的补充自己。 虽然我们现在做互联网开发，很多方式无法和CS结构的软件系统相比，但是有句话说的正确：行业规则都是类似的，不同的只是管理思路。 日本人做事向来不需要创新与先进，日本人更注重质量、谨慎、认真。所以我们通常总是说买日货，日货质量好。日本人对质量的监督与测试
Apollo Control——超详细入门教程(六)：MPC二次规划问题转化
专栏文章列表 Apollo Control——超详细入门教程(一)：基于道路误差的车辆动力学模型 Apollo Control——超详细入门教程(二)：连续状态空间方程离散化与离散LQR公式推导 Apollo Control——超详细入门教程(三)：基于Frenet坐标系及XY坐标系的多项式轨迹生成 Apollo Control——超详细入门教程(四)：控制模块轨迹误差计算 Apollo Control——超详细入门教程(五)：油门刹车标定表之双线性插值算法 ...
邮箱终于找回
庆祝一下，感谢csdn的给力迅速。
slew dreate，slew threshold与transition计算
只看rise情况下，from pin取slew threshold10%-90%的区间，slew derate为1，计算得到transition为1.002e-10，to pin的slew threshold 为30%-70%，slew derate 0.5，从波形列表上取相近的值3.75e-10和8.75e-10，计算得到transition为(8.75e-10-3.75e-10)/0.5=1e-9，考虑精度和取值区间问题，基本符合工具计算的值，如下:。如下示例，在.lib库中有定义以下内容。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
今夜无人入眠 - [感悟•人生]
2009-11-26 持续工作26个小时，略感疲惫。把签名改成了《今夜无人入眠》，配极了自己的状态。 第一次听是高中的时候三高演唱会，完全没兴致。 第二次是英国达人的选秀，一个卖手机的英国男子唱的让我着迷。 这首歌出自普契尼的《图兰朵》，被男高音唱到烂的咏叹调想必还是帕大叔的最有味道了。 《图兰朵》是个中国背景的故事。说中国公主要嫁勇士，凡事能回答三个问题的人即可
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
音乐会 - [感悟•人生]
2009-12-21 一周内看两次新春音乐会，每次得开头都融不进去，周围太吵，孩子太多。每逢年底各种音乐就就涌了进来，M说大连一直都没有好的音乐厅，英特尔头儿的老婆已经无奈了。 那天看02年英国格林德伯恩剧院演出的《卡门》，一下子被指挥得小伙子吸引，交响乐团得指挥本身就很少有年轻人能上台，《卡门序曲》被这个叫菲利普约旦(查看介绍)的小伙子指挥的那叫一个HIGH，铿锵有力。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
无压工作-Getting Things Done - [Happy•Working]
2010-02-02 一直忙的没空写日志，一直都在脑子里，和Apple说了项目结束总结完毕把总结扔上来，一直未果。 刚在igoogle订阅博客园的日志上看到一篇文章《认识无压工作GTD》，觉得非常不错，这个图片一目了然了。
给Team的一段话 - [Happy•Working]
2009-12-03 项目终于几乎完工，一个月的没休息在七点多提前下班的路上开始感到疲惫，一个人的时候会思考很多事情，上了一下开心网然后觉得这玩意现在对我来说除了增进我对SNS的体验没有什么优点了，于是。。。上了csdn看新闻。 自己的时候喜欢跟自己说话，写给我的team一段话吧，也许他们永远也看不到： 我承认我是个情绪化的人，所以才会经常对你们发火，但是一定有个前提，是因为
吃一堑长一智系列
1. 国内异地客户项目演示 实施方式： 根据以往经验对项目源码进行拷贝，部署到笔记本电脑，演示后直接源码及数据库对应文件交付。 最佳方式： 除以上方式外，还应直接部署在外网服务器上，可供客户随时查阅。 总结： 第一种情况适用于日本客户，国内客户时间弹性较大，计划性不强，需要给客户提供一个灵活的、可自行安排审查时间的平台。项目总结来源： 2011年3月 深圳移动互联网客户 项目演示
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5万+
扫一扫
