最后机会!华为免费培养2000名大数据开发者!

Linux中Hadoop 集群搭建 零、下载Hadoop: http://archive.cloudera.com/cdh5/cdh/5/?tdsourcetag=s_pctim_aiomsg 一、集群规划: 搭建的 hadoop 集群由 3 台服务器组成,分别叫做 master,salve1 和 slave2。其中 master 作为主节点,slave1 和 slave2 作为从节点。 二、网络配置: 1.查看 3 个节点的主机名... 阅读详情

大数据具有数据量大、数据类型丰富复杂、数据增长速度快等特点。所以想要学好大数据那就要学好一系列的大数据生态圈技术组件,以及贯穿整个数据分析流程的分析方法和思维,只有明确了数据分析场景与流程,才能够确定需要整合哪些组件来解决这一问题。

想要掌握专业的大数据开发技能,就需要专业一线老师亲自带队。不仅能为你提供专业的开发流程和思路,还能一步步带你的做项目!

所以对于开发者来说,学习理论和专业项目实践相结合,才能得到更好的学习和提升。

华为云特别推出

【大数据全栈成长计划】

核心技术赋能 

构建大数据技能体系

原价 7999元的大数据课程

现在限时 0元

免费学!!!

「大数据全栈成长计划」都学什么?

本计划由三阶段组成,华为云一线MRS大数据研发工程师、解决方案架构师授课。夯实大数据基础技能,涵盖大数据基础入门知识,Hadoop 理论知识学习,Spark 理论知识学习以及华为大数据产品项目实战。

学习实战相结合,华为大数据工程师项目应用案例分享,快速提升大数据相关技能!

直播+录播课+训练题,经验分享,案例分析,实战演练,大咖教授,还能打卡拿奖。

+

进阶式培训,理论结合实践

滑动查看《大数据全栈课程》课表

◎Phase 1:大数据 入门篇

- MySQL--简介

- MySQL--查询、函数

- MySQL--数据类型、变量

- MySQL--流程控制结构

- JDBC--概述

- PreparedStatement 操作

- 事务及数据库事务的处理

◎Phase 2:Hadoop 学习篇

- 大数据概况

- Hadoop--简介

- Hadoop--源码编译

- Hadoop HDFS

- MapReduce

- 实战案例

◎Phase 3:Spark 学习篇

-Spark--框架

-SparkCore

-SparkSQL

-SparkStreaming

-Scala--接口

+

报名时间&方式

具体活动详情请识别下方二维码

本公众号用户限时优惠

小班培训、名额有限、招满即停

还在等什么,马上占位吧~

▼

+

丰富学习奖励等你拿

-报名获得码豆奖励,兑换华为产品;

-邀请好友学习课程获得5G手机;

-完成阶段学习任务、周周抽奖品;

-完成全部学习任务累计积分,优秀学员将获得HUAWEI MatePad,HUAWEI无线耳机,还有机械键盘、鼠标等奖励。

HUAWEI MatePad等精美礼品等你拿!

文末彩蛋~点击底部“阅读原文”可报名《大数据全栈成长计划》,报名就送价值5999元的Java & Linux基础课程!

基于DO-178C/331的飞控软件研发环境的研究 本研究提出了一套基于DO-178C/331标准的飞控系统软件开发和验证框架。通过优化模型库的设计、代码生成配置和测试验证流程,显著提升了飞控系统软件的开发效率和安全性。未来的研究可以进一步扩展模型库的功能,以适应更复杂的飞控系统需求。 阅读详情

相关推荐

Windows 下安装 ros2 的超详细教程

Windows11 ROS安装

2401_83363439的博客 3325

华为宣布:免费培养2000名大数据开发者!

大数据具有数据量大、数据类型丰富复杂、数据增长速度快等特点。所以想要学好大数据那就要学好一系列的大数据生态圈技术组件,以及贯穿整个数据分析流程的分析方法和思维,只有明确了数据分析场景与流...

a934079371的博客 159

Dify工作流教程|以抓取网页并更新知识库为例详细讲解工作流编排过程(附DSL文件)

{"name": "{新建的title变量}","text": "新建的content变量","indexing_technique": "high_quality","process_rule": {"mode": "automatic"}}有没有很痛苦,明明添加书签的网页,当你想阅读的时候,总是找不到或者好不容易找到了,发现网页404了。如果有个小工具,直接能把你输入的链接内容抓取下来,并且加入到你的知识库中,你说他香不香。无法获取授权的,也可以使用网页抓取工具,这个是免费的,抓取效果也可以。

同名公众号:dify实验室 1万+

全网华为ICT大赛的最强指南(一文搞懂华为ICT大赛各大赛道)附真题官方书籍推荐

华为ICT大赛(Huawei ICT Competition) 是由华为公司主办的一项全球性信息与通信技术竞赛,旨在为高校学生提供展示ICT(Information and Communication Technology)知识和技能的国际舞台。大赛以“连接、荣耀、未来”(Connection, Glory, Future)为主题,致力于激发青年学生对ICT行业的热情,促进产学结合,推动全球数字人才生态建设。

一键难忘的博客 1万+

Buck电路中自举电容串联小电阻的作用

在Buck电路中,自举电容(Cboot)驱动高边MOSFET时,因寄生电感和电容会形成LC谐振回路,导致SW节点高频振铃,引发EMI问题。串联小电阻(Rboot)可引入阻尼效应,抑制振铃、改善波形和EMI性能,但会略微增加开关损耗。设计时建议预留可调电阻位(2Ω~20Ω),根据实测结果平衡效率与系统稳定性,提升电源可靠性。这一措施是优化开关电源EMC的常见实践。

硬核科技 628

GD32F103入门实践(一)配置环境,搭建工程模板,烧写程序

写在前面 本系列博客是我初学GD32F103的操作实录,我个人是个小白,在学习过程中真的也遇到了不少坑,因此我希望能记录下来,帮助到同样踩坑的你。 我的芯片是GD32F103ZE,软件是Keil,烧写用的是JLink。 材料准备 首先我在兆易创新官网(兆易创新),下载相关的文件。点击资料下载,在搜索框里输入“GD32F10”可以得到相关的资料,其他芯片类似。比较重要的是GD32F10x AddOn和GD32F10x Firmware Library(固件库),这两个必须下载。 下载Keil MDK5,这

qq_41208487的博客 3万+

朋友面试大数据架构师岗,碰了一鼻子灰后发现…

前段时间,朋友出去面试,还没聊几句面试官就开始直奔主题:“目前的我们的开发遇到了一些困难:过去是烟囱式的开发模式,各个项目组之间的数据资源不互通,也分散了很多小的数仓,可能面临开发规范不一...

weixin_45727359的博客 712

读懂 SAP S/4HANA 里的 SAP Fiori 架构:前端服务器、搜索链路、传统应用接入与内容组织全景解析

摘要:SAP Fiori架构并非简单的系统连接图,而是明确区分界面层与业务数据层的三层分工体系:用户交互层(浏览器与Fiori launchpad)、前端技术层(SAPUI5运行环境)和业务数据层(SAP S/4HANA后端)。这种分离实现了生命周期解耦,前端专注于统一体验治理,后端处理核心业务逻辑。值得注意的是,SAP Fiori front-end server本质仍是ABAP系统,负责UI技术组件运行。虽然SAP S/4HANA推荐嵌入式部署,但独立部署在多系统场景中仍有价值。典型Fiori应用通过O

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 180

再见了数仓开发!我选有钱有话语权的大数据架构师!

前段时间,朋友出去面试,还没聊几句面试官就开始直奔主题:“目前的我们的开发遇到了一些困难:过去是烟囱式的开发模式,各个项目组之间的数据资源不互通,也分散了很多小的数仓,可能面临开发规范不一...

全栈开发者社区 374

SAP BW/4HANA 项目字段级数据血缘分析的方法与工具

利用SAP自带工具可以在一定程度上查看数据流和字段使用情况,但往往需要人工逐步深挖。适用于简单场景或验证单个字段的映射。借助SAP数据治理解决方案(如 Information Steward、Data Intelligence 等)能够自动整合元数据,提供图形化、跨系统的血缘分析,适合对数据 lineage 有严格要求的企业级项目。第三方工具则提供了灵活强大的功能,如自动文档、生成功能丰富的报告,对于复杂环境下的血缘分析和影响分析非常有帮助。自行开发SQL/CDS脚本。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 471

改进的主动轮廓模型实现图像分割

主动轮廓模型的优点在于可以自适应地调整轮廓形状和位置,适用于不同形状和大小的目标分割。改进的主动轮廓模型是一种有效的图像分割方法,能够适应不同场景下的图像分割需求。改进的主动轮廓模型涉及到许多参数,如模型参数、分割参数、权值系数等,这些参数的调整也会直接影响到分割结果。本文将介绍一个改进的主动轮廓模型,该模型可以实现对图像进行有效的分割。改进的主动轮廓模型是在传统的主动轮廓模型基础上进行的改进。和传统的模型相比,改进的主动轮廓模型加入了外部力和内部力,能够更好地适应复杂场景下的图像分割。

qq_39605374的博客 298

免费的,半天学会大数据挖掘,欢迎老师们来参加!

大数据作为复合型、交叉型学科,内容涵盖广,学科跨度大,实战要求高,人才培养面临难题。对于高校的相关授课老师来说,如何提高自身技能、促进专业教学和科研,俨然成为其反复思考的问题。同时,老师们也急需业界备受认可的企业为其提供一次宝贵的充电机会。为了提高高校老师以及大数据相关从业者对大数据技术的理解和掌握,促进大数据专业建设,南京云创大数据科技股份有限公司将于2022年4月15...

深度学习世界 253

Cadence OrCAD Capture CIS元器件管理时ERROR(ORCIS-6454): Temporary part number tracking is turned on报错的解决方法

使用Part manager对工程的元器件进行批量管理时,出现如下图所示的ERROR(ORCIS-6454): Temporary part number tracking is turned on报错其解决方法如下。

fydar的博客 3512

统计与大数据分析专业编程能力培养指南

在当今数据驱动的时代,编程能力已成为统计与大数据分析领域的核心技能。从基础的数据处理到复杂的机器学习建模,Python和SQL等编程工具发挥着关键作用。通过编程,数据分析师能够高效处理海量数据,实现从数据采集到可视化的全流程自动化。特别是在大数据处理场景下,pandas等工具库的性能优势明显,比传统方法快20倍以上。对于高职院校学生而言,掌握Python编程、SQL查询以及PySpark等分布式计算框架,不仅能提升学习效率,还能显著增强就业竞争力。建议学习者采用'20%理论+80%实战'的方法,通过分析感兴

weixin_32678995的博客 246

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

百度史上首次开放超8000+个offer,这些岗位均有增加!

据8月12日消息,百度宣布2022届校园招聘正式启动。本届校招面向海内外2022届毕业生,开放技术、产品、设计、政企解决方案、专业/职能五大类型岗位。计划发放8000余个offer,是百度...

传智播客的专栏 167

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

最好拿offer的编程语言!还没年薪20万?你自己反思反思....

我们身处一个知识爆炸,竞争激烈的时代。科技的创新,时代的变化远远比我们想象中要快得多,所以,保持一份危机感和一种积极努力的状态是时代对每个人的要求。特别作为年轻人来讲,如果自己基础不太好,...

传智播客的专栏 285

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")

2025高考毕业生必看!张雪峰推荐这4专业,专科毕业就月入过万?

2025届高考生选专业必看!根据张雪峰推荐和2024就业数据,四大紧缺高薪专业出炉:1)大模型工程应用开发——专科技术岗年薪30万起,需掌握Python/云计算/大模型工具;2)计算机科学与技术——AI协同开发者薪资暴涨,专科+AI技能月薪8320元;3)电子信息工程——芯片国产化带动GPU运维等岗位,专科起薪1.2万;4)口腔医学——专科就业率91.7%,助理医师年薪可达数十万。文章强调技能>学历,并提供AI大模型学习资源包获取方式,助力考生抢占技术风口。

2401_85390073的博客 1985

尴尬!程序员吐槽:面试遇到4年未见的前女友,网友出招了....

在这个世界上,总是有很多凑巧的事情在无意中发生,让人惊诧之间涌现出无数回忆。比如面试中的尴尬,有人遇到之前的下属,有人遇到被自己拒过的候选人,还有人遇到分手多年的前女友……今天播妞就给大家...

传智播客的专栏 458

小白云上历险记|华为云账号、IAM、VPC 入门实验手册

本文从 "云到底是个啥" 讲起,手把手带你搞懂云计算基础、注册华为云账号、创建 IAM 用户、搭好虚拟私有云(VPC)。全程无门槛(真的)、无尿点(大概)、无代码焦虑(也许)。看完你不会立刻变成架构师,但你可以在饭局上微微一笑:"我昨天在云上开了个 VPC。" 然后接受全场膜拜。特别适合连 "云服务器" 和 "云吞面" 都分不清的同学。

cyw_lesson的博客 251

36岁大数据人被中台问倒,没点架构思维,连面试都过不了?

前段时间,有位 36 岁的大数据朋友出去面试,还没聊几句面试官就开始直奔主题:“目前的我们的开发遇到了一些困难:过去是烟囱式的开发模式,各个项目组之间的数据资源不互通,也分散了很多小的数仓...

chengjun_java的专栏 216

每年超10万人放弃北漂,这是「混不下去」的选择吗?

北京一直以来都是很多年轻人的梦想城市,而现在似乎正在发生改变。有数据显示,2016年以来,北京常住外来人口每年持续减少10万人以上。到2020年,其常住人口缩减至2300万以内。高速的生活...

传智播客的专栏 262

点击就送!盘点“小而美”的中小厂!

自研学习交流【传智APP】、教学实施【Tlias中心】、AI实战练测【星斗】、综合就业服务【好师父】等AI智能化平台,全程贯通精准提升学习效率。从软件到硬件,从开发到应用,从前沿技术到系统知识图谱,从企业级实训项目到真实业务场景,从大厂名师亲授到就业服务,* 黑马热门10大学科,总有一门适合你,如果不知道自己适合哪一个,文末扫码添加老师,一对一指导哦。到那时,无论冲进中小厂站稳脚跟,还是未来冲刺更高平台,都能带着扎实的底气,从容向前。多年来,黑马凭借行业领先的课程、优秀的教师团队和一流的就业服务,

传智播客的专栏 650

【每日早报】2019/10/08

今日看点 ✦ 国庆档观影总人次首破1亿大关,《我和我的祖国》票房破20亿 ✦ HTC已停止智能手机硬件创新:聚焦VR、寻觅5G终端机会 ✦ 上海10月将售保险新产品,医保账户余额可买商业保险 ✦ 苹果证实:iPhone 11系列只能官方换屏,最高要花2559元 ✦ 今日分享研报:易观发布《2019中国在线亲子游市场专题分析》 国内要闻 1、北京金山办公软件股份有限公司科创板IPO提交注册 2、HT...

Moria233的博客 698

中软国际(深圳)招聘FPGA开发工程师

今天给各位大侠带来FPGA工程师岗位招聘的企业资源,有需要的可以往下瞧一瞧看一看,感觉符合自己的,可以试一试,自行投递简历。 中软国际 公司简介 中软国际有限公司是行业领先的全球化软件与信息技术服务企业,成立于2000年,为香港主板上市公司(股票代码354)。中软国际在中国北京、西安、南京、深圳、上海、香港等28个城市,及美国、墨西哥、日本、印度、马来西亚、新加坡、罗马尼亚等国的18个城市拥有分支机构,全球员工超过6万人,业务规模属国内同类型企业之最。华为、微软均是公司的战略股东。 ..

1348

css - 元素背景图由 hover 触发,初次加载时闪动的解决办法

【代码】css - 元素背景图由 hover 触发,初次加载时闪动的解决办法。

神膘护体小月半的博客 151
上一篇: Pandas实例 - 怎样计算每个学生成绩最相似的10个学生
下一篇: 实战|大数据分析疫情下对公司收益、策略的影响
严小样儿
博客等级 码龄8年 183粉丝 21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