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
400+累计阅读
468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
看朋友圈受到启发，这一年要尽可能的多读书。
目前，已经用大约一周的时间完成了一本书的阅读，C和指针。总体感觉这是一部很有经验的程序员写的书，但是年代有些久远，总是拿K&R C和ASCI C做比较，印象比较深的有
指针那一章，列出了不少怪异的指针用法，而又没有给出这些用法的语法词法原理和分析过程，是个败笔。最后两章更是草草了事，有种虎头蛇尾的感觉。
翻译的也比较生硬，在指针那一章尤其明显，原作者已经在想方设法的绕圈子，而译者没有分析透原作者的思路，生搬硬套的翻译，让人看了以后没有豁然开朗的思路，只能是糊里糊涂的看完，了解了指针还能用成这个样子。
usb 扩容盘检测修复工具源码，编译产物
usb 扩容盘检测修复工具源码，编译产物
对《c和指针》的一些感受
我真的强烈建议学习完C语言语法的新手，去看看这本书，因为这本书，介绍了太多可以提高效率的方法，指针是一个提高效率的方法。 因为它往往是一个地址，大小有都相等，在调用时，不像其他的语法一样，占用内存。 《c和指针》这本书，他可以为初学者奠定基础，一般的你把这本书吃透，你就领先其他初学者太多。 虽然我是推荐大家去看这本书，但是，我也找不到其他什么语言来说。（毕竟文笔不怎么好，报告都是抄的） 算
融合UWB和IMU割草机定位EKF研究（Matlab代码实现）
内容概要：本文主要介绍了一个名为“Plecs全桥LLC谐振变换器仿真模型”的技术资源，该资源聚焦于电力电子领域中的LLC谐振变换器建模与仿真，涵盖开环、闭环控制、软启动设计及参数优化等核心内容。文档不仅提供了LLC变换器的详细建模方法与仿真案例，还系统梳理了其在高效电源转换系统中的应用，包括隔离型全桥拓扑结构的设计与性能分析。此外，资源汇总了大量Matlab/Simulink仿真模型及相关科研方向，涉及新能源并网、储能控制、电机驱动等多个前沿领域，全面展示LLC谐振变换器在现代电力系统中的关键技术实现路径。同时，文档附带多种学习资料获取途径，如网盘链接和公众号资源，便于研究人员深入实践与拓展研究。; 适合人群：具备扎实的电力电子、自动控制理论基础，从事新能源发电、开关电源设计、电力系统仿真等相关领域的研究生、工程师及科研人员。; 使用场景及目标：①深入理解LLC谐振变换器的工作原理、建模方法与控制策略；②开展电力电子变换器的仿真验证与参数优化设计；③支撑科研项目、学位论文或工程项目的系统仿真与方案验证； 阅读建议：建议结合所提供的仿真模型与参考文献，使用Plecs或Simulink软件进行动手实践，重点掌握LLC谐振变换器的建模流程、闭环控制设计、软启动机制及参数调试技巧，以全面提升在实际工程中的应用与创新能力。
新年初始的规划
随着末日年2012的离去，2013年正式来临。对于我来说，进入职场已快有一年，以前还是浑浑噩噩的过日子，信奉着“到时再说”的理念，而现在，应该是改变的时候。从寒冷的家乡来到温暖的深圳，一切都还是那么熟悉，家乡还未再多看一眼，就要离去了，心里自然是万分复杂，但怀揣着梦想，我必须在这片土地上站下去，至少不能让我的父母失望，至少要让我心爱的女友，能舒舒服服的生活。 所以，我需要在未来2~3年内，在深圳
基于变频控制的多相交错LLC谐振变换器闭环仿真（Simulink仿真实现）
基于变频控制的多相交错LLC谐振变换器闭环仿真（Simulink仿真实现）内容概要：本文主要介绍了基于Plecs的全桥LLC谐振变换器仿真模型，涵盖变频控制下的多相交错LLC谐振变换器闭环仿真、V2G电动汽车ACDC整流与双向CLLC谐振变换器充放电仿真、LLC谐振变换器的开环与闭环软启动设计，以及储能系统中双向Buck-Boost变换器结合模型预测电流控制和电压下垂控制的仿真研究。同时，文档列举了多种电力电子系统与控制策略的Simulink/Plecs仿真案例，涉及三相交错并联Buck变换器、三电平Buck直流变换器、单相Boost PFC电路等，展示了丰富的电力变换器建模与控制技术。此外，还包括参数设计报告、计算书及相关参考文献，适用于从事电力电子、新能源发电、电动汽车充放电系统等领域的研究人员和技术开发人员。; 适合人群：具备电力电子、自动控制理论基础，从事新能源、电动汽车、电力系统等相关领域研究的研发人员、高校研究生及高年级本科生。; 使用场景及目标：① 学习和掌握LLC谐振变换器及其他典型电力电子变换器的工作原理与建模方法；② 实现闭环控制策略如变频控制、软启动、模型预测控制、下垂控制等的仿真验证；③ 支持科研项目、毕业设计或工程开发中的系统仿真与优化设计。; 阅读建议：建议结合文中提供的仿真模型、设计报告与参考文献，逐步搭建并调试相应系统，重点关注控制策略的实现细节与参数整定过程，以深入理解系统动态响应特性与控制性能。
OpenFeign, Zuul, Gateway相互不兼容的问题总结
版本 Lib Vresion spring-cloud-starter-gateway 3.1.0 spring-cloud-dependencies 2021.0.0 spring-cloud-starter-netflix-zuul 2.2.6.RELEASE spring-cloud-starter-openfeign 3.1.0 1. Zuul 与OpenFeign 一起使用的问题 错误信息 jav.
选择了远方，就要风雨兼程————我的2016
刚刚结束一门考试，身心俱疲。 其实本不该这样的，作为一名大三的学生，平时课程不算太多，也已经深深了解了老师们的套路，本来不该因为一门考试而觉得很苦恼的，但就是好像产生了一种厌学的情绪，整天待在宿舍，不出门，也不泡图书馆，生活过的一团糟。 距离2017年还有10天，距离我升上大四还有半年，距离我大学毕业还有三个学期。时间就这样从指缝中划过。回想当初2015年快要结
企业固定资产管理的SAP实战：FICO模块配置与折旧范围设置详解
本文深入解析了SAP FICO模块中固定资产会计配置的核心实践，重点阐述了折旧范围的设计哲学与配置逻辑。通过详解折旧表、折旧范围、资产分类及折旧码等关键配置步骤，指导企业如何搭建满足多会计准则（如CAS、IFRS）与税务要求的资产管理体系，实现资产购置、折旧计提与报废清理的自动化与精准化。
一个工作3~4年程序员的年度学习计划
<br />今年是我工作的第四年，也是程序员成长的一个重要阶段。通过今年的学习，希望可以获得一个质的提高。要充分利用工作，工作间隙，晚上，周末的时间进行学习。<br />要同时关注广度和深度两个方面进行学习。<br />具体的点：<br />驱动开发，嵌入式开发：主要是和硬件结合比较紧密的领域，现在这是我广度上的一个盲区。这个完成后，基本上在近几年内，广度上应该达到目标了。后面就是要在深度上进行钻研了。充分利用公司这次的接入设备开发机会学习。今年主要是基本原理。<br />操作系统，操作系统内核：Linux
保姆级教程：在Ubuntu 20.04上搞定PX4飞控与T265的视觉定位（附避坑指南）
本文提供在Ubuntu 20.04上配置PX4飞控与T265视觉定位系统的详细教程，涵盖驱动安装、ROS与MAVROS桥接、PX4参数调优及故障排查。通过实测验证的步骤和避坑指南，帮助开发者实现厘米级精度的视觉定位，特别适合室内无人机应用。
深入Google DroidGuard：剖析其自定义虚拟机如何守护Android应用安全（附pcbc文件机制解析）
本文深入解析Google DroidGuard自定义虚拟机如何通过独特的架构设计和加密机制保护Android应用安全。DroidGuard采用动态密钥派生、全加密执行环境和pcbc文件机制，有效防御逆向工程和自动化攻击，为移动安全提供新思路。
经典计算机书籍推荐（附学习路线图）
新年新气象，想必很多人都在制定新一年的读书计划吧o(∩_∩)o... 有些人可能被琳琅满目的计算机书淹没了，不知如何选择。 我下面就给大家推荐一些经典书籍^_^，并绘制一份针对这些书籍的学习路线图。 C语言： 《The C Programming Language》, 最新版本为第二版新版，中文名为《C程序设计语言》。 ...
基于MATLAB的Hough变换指针式仪表识别
综上所述，本文介绍了如何使用MATLAB中的Hough变换算法来实现指针式仪表的自动识别和读数。通过图像预处理、Hough变换和直线提取，我们可以准确地检测指针的位置，并进一步进行仪表读数。本文将介绍如何使用MATLAB中的Hough变换算法来实现指针式仪表的自动识别和读数。在指针式仪表识别中，我们可以利用Hough变换来检测仪表盘上的指针。以上是基于MATLAB的Hough变换指针式仪表识别的详细步骤和源代码示例。根据指针在仪表盘上的位置，我们可以进行角度计算或使用其他技术来获取准确的读数。
自学Java有什么好方法？
前言 很多次小伙伴问到学习方法，我也很想写这样的一篇文章来跟大家讨论下关于学习方法这件事情。 这应该是我2021的第一篇文章，先祝所有的女生： 落雁沉鱼 兰质蕙心 明眸皓齿 靡颜腻理 清词丽句 清辞丽曲 琪花瑶草 曲眉丰颊 螓首蛾眉 水木清华 爽心悦目 天生丽质 天香国色 我见犹怜 宛转蛾眉 霞光万道 小家碧玉 杏脸桃腮 煦色韶光 杏腮桃脸 雄伟壮观 香消玉殒 杏雨梨云 涎玉沫珠 妍蚩好恶 鱼沉雁落 宜嗔宜喜 旖旎风光 远山芙蓉 艳色绝世 余霞成绮 宜喜宜嗔 瘗玉埋香 艳紫妖红 朱唇皓齿 左家娇女 章..
如何用 Claude Code 阅读和理解陌生代码
摘要： 在接手陌生代码时，Claude Code能显著提升理解效率。核心策略是结构化拆解而非逐行阅读： 从整体入手：先扫描目录结构、定位核心模块，建立项目地图； 聚焦关键路径：通过数据流追踪、异常逻辑分析，识别技术债与风险点； 规避常见错误：避免抽象提问或一次性提交全部代码，应分模块精准提问； 高阶应用：可生成逻辑分层图、标记高复杂度区域，甚至定制阅读顺序。 最终目标是通过结构优先的提问策略，将理解周期从数天压缩至数小时。
Hindsight 内存爆炸 4 个词排查清单：9,284 条 6 成是 SSH 调试日志——Agent 标签系统的实战复盘
9,284 条记忆里 66% 是 SSH 调试日志。4 个标签被滥用=0 区分度。3 个 entity_labels + retain_mission + retain_every_n_turns 配置把噪声压回 5%——附 PATCH 脚本和实测前后数据。
比goto跳转的更远的函数
本来以为goto就是“任意”的跳转了，今天才知道还有比它更能跳的。 goto是本地的：它只能跳到所在函数内部的标号上，而不能将控制权转移到所在程序的任意地点（当然，除非你的所有代码都在main体中）。 为了解决这个限制，C函数库提供了setjmp()和longjmp()函数，它们分别承担非局部标号和goto作用。头文件申明了这些函数及同时所需的jmp_buf数据类型。这种跳转功能主要用
手把手教你学simulink（36.1）--ACAC变换器场景示例：基于 Simulink 的矩阵变换器（Matrix Converter）
矩阵变换器（Matrix Converter, MC）是一种直接将交流电（AC）转换为不同频率和幅值的交流电的电力电子设备。与传统的基于直流环节的变频器不同，矩阵变换器不需要中间的直流环节，而是通过双向开关直接在输入和输出之间进行能量传递。这种结构使得矩阵变换器具有更高的效率、更小的体积和更好的动态响应。在本项目中，我们将使用 MATLAB/Simulink 来建模和仿真一个矩阵变换器，并分析其性能。Simulink 是一个强大的仿真工具，特别适合用于电力电子系统的建模和仿真。
sizeof的作用
int main() { int i = 3; int j; j = sizeof(++i + ++i); printf("i=%d j=%d", i, j); } 答案令我有点意外，是i=3 j=4。 根据这个结果，i++就没有进行运算，这算是对sizeof特性的一个认识吧。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
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")
C类型转换
int main(void) { signed short A = -10; printf("~A = %u\n", ~A); char c = 128; printf("c=%d\n",c); return 0; } 通过这个简单的测试，发现自己对类型转换的规则的细节需要做一个分析，以明确转化时的规则。 1.char转为为int类型，即有符号signed char转换
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
C语言的平台相关性，编译器相关性
C 标准的 Rationale 之一： 优先考虑效率，而可移植性尚在其次。 这就要求程序员非常清楚这些规则，如果你要写可移植的代码，就必须清楚哪些写法是不可移植的，应该避免使用。 另一方面，写不可移植的代码有时候也是必要的，比如 Linux 内核代码使用了很多只有 gcc 支持的语法特性以得到最佳的执行效率，在写这些代码的时候就没打算用别的编译器 编译，也就没考虑可移植性
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
得到一个field在结构体（struct type）中的偏移量
宏定义：得到一个field在结构体（struct type）中的偏移量 #define OFFSETOF(type, field) ((size_t)&(((type *)0)->field)) (type *)0：把0地址当成type类型的指针。 ((type *)0)->field：对应域的变量。 &((type *)0)->fiel
一些C语言的dark corner
1、这两个不是关键字，所以可以这样： int include; void define(void); 2、数组不能直接互相赋值，而结构体可以的原因下面这个解释感觉合理： dmr 在 1970s 初发明 C 语言是为了替换汇编语言，以便他和 ken 写操作系统。为了可见性（visibility），当初 C 语言里每个 operation （包括 operator、function c
C语言数组的dirty corner
int a[10]; int *p = &a[0]; 数组名做右值时自动转换成指向首元素的指针，所以 a[2]和 p[2]本质上是一样的，都是通过指针间接寻址访问元素。E1[E2]这种写法和(*((E1)+(E2)))是等价的，*(p+2)也可以写成 p[2]，p就像数组名一样，其实数组名也没有什么特殊的， a[2]之所以能取数组的第 2 个元素，是因为它等价于*(a+2)，都是通过指针间
读书计划之第二本《C专家编程》
读完了上一本的《C和指针》，自然不会错过《C专家编程》，这是一本编程大牛写的经验型的小册子，从第一章“C Through the Mists of Time”开始，就感到这是我需要的书，从一个历史见证人的角度阐述了令我困惑的C语言的种种问题和缺陷，相信这一章是国内的作者很少能写出来的。 这本书最精华和最实用的的部分是第三章“Unscrambling Declarations in
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3496
扫一扫
