中国Linux界的一些牛人(部分)

中国菜刀远程webshell管理工具 我是一个玩黑很多年的人,入侵了大大小小的服务器无数,体验着入侵快感的同时,自己的技术和经验也不断提高,在渗透过程中收集了大大小小的工具一堆,都快把自己的U盘放满了,当然,随着时代和技术的进步,很多工具也相应的过时了,但是却很少去删掉,看着那些熟悉的图标,熟悉的界面,就好象看到了自己一步步成长的过程,这其中有很多是自己的作品,看着那些逐渐从丑陋过渡到简陋再过渡到精美的软件界面,呵呵,这其中的滋味,真 阅读详情

拷贝过来的尚未考证!多关注他们的博客有助于了解最新的发展技术。

李亮,网名:holly,CCE现任维护人员,系上海交通大学毕业,目前在上海交通大学图书馆工作。对于CCE的分析、改写和维护起到了很大作用。另外还编写了若干Apache的模块,满足了某些特定要求。详情请访问http://programmer.lib.sjtu.edu.cn。

王剑,网名:Lark,GNOME/KDE/WindowMaker/GNU简体中文化(I18N/L10N)的领导者。目前所见到的各大中文发行套件当中缺省使用的桌面中文讯息皆为王剑先生所领导的zh_CN小组所完成。详情请访问http://i18n.linux.net.cn。

李振春,网名:shi,系自由拼音的作者。目前CCE-0.3x系列和Unicon系列以及Chinput系列所使用的智能拼音输入法模块皆直接来源于李振春先生的FreePY算法。详情请访问http://freepy.yeah.net。

邓煜(devin)、李凌(hahalee)、廖生苗(samuel)三剑客为蓝点Linux创始人,其首先实现(并非首先提出)的自内核使用FrameBuffer特性显示中文的技术开创了一个时代,为广大中文Linux爱好者提供了最好的中文Linux发行套件之一。详情请访问http://www.openunix.org。

赵蔚,网名:zhaow,是南京LUG领导人物,南京LUG是国内较早的LUG之一,他热心于技术和思想普及,目前为Debian中文计划的重量人物。

利启诚,网名:Mephisto,系清华大学电子工程系1994-1999年本科生,曾任水木清华BBS中Linux版斑竹,我个人认为他是历届Linux版斑竹中编程水平最高深之人物。曾经仅花费3天时间实现自TurboLinux中文版6.0开始使用的Unicon显示部分(输入法部分由马军老师实现),比起蓝点Linux的置入内核当中的zhcon更为安全;在极短时间内与智能启动管理器(SmartBootManager)作者苏哲合作,实现了光驱引导模块,此为全球第一个可以实现光驱引导的自由软件之启动管理器;参与InterMezo等国际项目,取得很好效果。 马军,网名:arthur,为北京Turbolinux公司研发工程师,系Unicon的原创作者之一,主攻Unicon之中文输入法部分,现在全面接管Unicon工作。详情请访问http://www.turbolinux.com.cn。

谢华刚,网名:vertex,系海南省海南中学毕业、清华大学热能系本科毕业和中科院计算所硕士研究生毕业,为国际项目LIDS(Linux入侵检测系统)创始人。详情请访问http://www.lids.org。

黄志伟,CLDP-中文Linux文档工程的领军人物,CLDP-LDP的中文版包括Linux HOWTO及mini-HOWTO中文文档,在整个中文地区广为流传。

章文嵩,系国际项目LVS(Linux虚拟服务器)创始人。详情请访问http://www.linuxvirtualserver.org/。 苏哲,网名:suzhe,现任水木清华Linux版斑竹,为国际项目SmartBootManager(智能启动管理器)原创者。曾多次撰稿宣传自由软件和Linux,并为社区贡献三个自由软件。其所创始之SBM据传将成为两个重要中文发行套件的默认系统启动管理器。详情请访问http://suzhe.gnuchina.org。

宫敏、张鹿,均为国内自由软件先驱和中坚人物,他们创建了著名的中国自由软件库站点。详情请访问http://freesoft.cei.gov.cn。

章峰,网名:fzhang,利索的脚(LisoLeg),即Linux源码学习小组领军人物,中国科技大学博士。组织《Linux设备驱动》的中文翻译版。对于国内Linux内核源码的研究起到不小的作用。详情请访问http://www.lisoleg.org。

何小波、陶品、郭海鹏、伏建军,为中国信息技术论坛AKA自由软件联盟创始人及主要人物,对于自由软件的宣传不遗余力。详情请访问http://www.aka.org.cn。

常晓光,北京Linux俱乐部发起人,为BJLC的创立和发展起到了领袖作用。详情请访问http://www.linuxchina.org。

袁萌:前实达朗新TomLinux总工,现为共创联盟软件总工,《Linux产业》/《共创软件》主编,是我国Linux界的旗手,大家都尊称他为袁老师,虽然他已经60几岁了,但他思想活跃,每天都会有新的思想在他的脑海中出现。

孙玉芳:中科红旗软件有限公司董事长,红旗Linux是国内一家由政府支持的Linux发行版本。

任一:冲浪平台软件有限公司总经理,国内第一家中文Linux发行版本公司XteamLinux的创始人。他有一句名言:做点COM经济的点。(http://www.XteamLinux.com.cn)

Iris Miller:TurboLinux公司的创始人,TurboLinux前任亚太区总裁。

洪峰:武汉荣世数据通讯有限公司总经理,是EasyLinux的中国代理,他所组织翻译的《开源软件文集》中文版一书,对于中国的自由软件发展产生了深远的影响,中国人从该书中感受了“开放源代码软件”对于整个IT产业的变革力量。(http://www.rons.net.cn)

倪光南:中科院院士,他积极呼吁政府及企业应该大力支持Linux在国内的发展。

于明俭:编程专家,Chinput汉字输入服务器软件项目的创始人。详情请访问http://yumingjian.home.china.com/或.../~yumingjian/。

陈向阳,网名:cxy,与方汉相似,曾任水木清华BBS中XWindow板斑竹,同样为Linux中文化立下汗马功劳,而且在打印方面属于专家级人物。在北京拓林思公司任职期间,参与开发TurboLinux中文版本。

方汉:网名:dfbb,技术和思想都很先进。曾任水木清华BBS中Linux板斑竹,为中文Linux的标准化规范贡献了巨大力量。在北京拓林思公司(TurboLinux北京公司)任职期间,所主持开发的TurboLinux中文版系列被认为是最好的中文Linux版本之一。 陈向阳和方汉合写的《Linux实用大全》一书,该书是国内较早的一本系统、全面、专业地介绍了Linux方方面面的知识,影响了一大批知识青年,带动了大家投身Linux事业的热情。原Turbolinux高级研发工程师,现为Mountain View Data公司员工。国内著名的Linux知名专家。详情请参考:http://www.mountainviewdata.com.cn/。

Rollaned,台湾LinuxFab的站长,LinuxFab是最早的一家中文Linux入口站点,现在访问该站的人气非常旺。(http://www.linuxFab.cx)

郑原忠,网名:小虫,著名的CLE-中文Linux延伸套件的领军人物。台湾很多繁体中文Linux套件使用了CLE,例如XLinux、Caldera OpenLinux、Linpus Linux等。

霍东灵,网名:Foka,Debian中文化工程的领导。

邓光磊:北京Linux俱乐部的前任会长,后来创建了中国Linux论坛,被《中国计算机报》评论为“中国自由软件的斗士”。(LinuxForum.net)

赵宇:北京Linux俱乐部现任主席;中国第一本Linux杂志《Linux世界》的前任主编;由他主持编撰出版过十余本Linux书籍。现为北京中科红旗软件有限公司平台事业部经理。

吴信全:陕西昇旭认证负责人,网名:心儿。国内仅有的几个RHCA持有者之一,年轻有为。致力于RedHat Linux中国地区的发展,现在正在进行分布式计算的研究。他的QQ群:16014261

转自:


关于基于Midas Civil API的二次开发——PyMiMi 现在写了第一条博客,希望是一个好的开始,能够每天抽出一两个小时或者更多的时间来写写代码,研究研究。我发现在我的工作中存在着大量的重复性工作,对于文档的开发是好办的,毕竟网上有现成库,只需要pip一下拿来用就好,但是对于Midas而言,在24版本之前官方都是没有一个可以使用的接口的,可能mct文件算半个? 阅读详情

相关推荐

ABB RobotWare数据包全版本归档与高效获取指南

记得去年有个汽车产线升级项目,客户现场用的是RobotWare 6.05.0166版本,而我的RobotStudio里只有最新的7.x系列。RobotWare数据包本质上就是ABB机器人的"操作系统镜像",不同版本的机器人控制器需要匹配特定版本的RobotWare。有个容易忽略的细节:偶数版本号(如6.04、6.06)通常比奇数版本更稳定,因为ABB的内部发布策略是偶数版用于正式产线,奇数版多用于测试新功能。最终实现了零停机升级,这个经验告诉我们:版本切换不是简单的覆盖安装,而是需要系统性的验证流程。

weixin_30764883的博客 280

中国Linux的杰出人物

谢东翰,XCIN中文平台的作者。   李亮,网名:holly,CCE现任维护人员,系上海交通大学毕业,目前在上海交通大学图书馆工作。对于CCE的分析、改写和维护起到了很大作用。另外还编写了若干Apache的模块,满足了某些特定要求。详情请访问http://programmer.lib.sjtu.edu.cn。   王剑,网名:Lark,GNOME/KDE/WindowMaker/GNU

软体疯子专栏 2219

从原理到代码:拆解UniFormer中动态位置嵌入(DPE)的3D卷积实现

本文深入解析了UniFormer模型中动态位置嵌入(DPE)模块的3D卷积实现原理与代码。DPE通过一个轻量的3D深度可分离卷积,替代传统静态位置编码,使模型能自动学习视频数据的时空位置关系。文章对比了其与Swin Transformer相对位置偏置的优劣,并提供了PyTorch实现代码与高级定制方案,为视频理解任务提供了高效灵活的动态位置编码解决方案。

weixin_29207149的博客 310

国内 Linux 系统领域的杰出人物与代表作

国内的Linux系统,尤其是嵌入式Linux系统的蓬勃发展离不开这些杰出人物的贡献。甘利开创了嵌入式Linux的先河;李开复致力于开源文化的传播;王坚实现了Linux与云计算的深度结合;黄志伟为嵌入式开发者提供了丰富的实战经验;陈曦推动了开源硬件与Linux的融合。他们的努力和贡献,不仅让Linux系统在国内更加普及,也让国内技术在国际上逐步崭露头角。希望这篇文章能让更多人了解这些杰出的技术人物,并从他们的经历中获得启发。

Interview_TC的博客 1348

Boost变换电路在新能源车充电系统中的创新应用与挑战

本文探讨了Boost变换电路在新能源车充电系统中的创新应用与挑战,重点分析了其在高压快充、能量回收等场景中的技术突破。通过电力电子仿真和新型器件应用,如SiC MOSFET,显著提升了功率密度和转换效率。同时,文章还深入讨论了电磁兼容性(EMC)挑战及智能控制算法的实际应用,为新能源车充电系统的优化提供了实用解决方案。

7z8x2c4v6b9的博客 219

YOLOv9分割改进 ,YOLOv9分割改进主干网络为华为EfficientNet,助力涨点

EfficientNet论文中研究了卷积网络的缩放和,并证明对深度,宽度和分辨率复合缩放的重要性,因此精度和效率更好。为了阐述相关的原理,我们提出了简单有效的复合缩放方法,使得模型缩放具有一定设计准则,同时兼顾了模型的效率。我下文将 YOLOv9 分割模型改进主干网络为 EfficientNet 融合网络结构。论文地址代码地址下文都是手把手教程,跟着操作即可添加成功把环境配置好,数据集处理好,训练基本能成功,创作不易,请帮忙点一个爱心,关注我,带你不挂科!

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 942

中国Linux杰出人物

谢东翰,XCIN中文平台的作者。李亮,网名:holly,CCE现任维护人员,系上海交通大学毕业,目前在上海交通大学图书馆工作。对于CCE的分析、改写和维护起到了很 大作用。另外还编写了若干Apache的模块,满足了某些特定要求。详情请访问http://programmer.lib.sjtu.edu.cn。王剑,网名:Lark,GNOME/KDE/WindowMaker/GNU简体中文化(I18N/

2582

Sigrity System Explorer Transient Analysis模式进行瞬态仿真分析操作指导-差分信号

Sigrity System Explorer Transient Analysis模式可以用于瞬态仿真分析,通过搭建简易拓扑用于前仿真分析通道的时域性能,下面搭建一个简易的差分拓扑进行说明,以下图为例,准备好发送接收端的IBIS模型, (ibis_se.ibs,本例发送接收端都使用相同的IBIS模型),以及传输线的S参数模型(welement_se.sp)最上方的图形界面是传输线的模型,本例是一个上下都有参考平面的带状线,右侧的梯形是蚀刻角度,根据W1和W2以及铜厚来确定。

weixin_54787054的博客 440

内核 linux大神

**贡献**:他主要负责内核的驱动程序框架和设备模型的开发与维护。- **贡献**:他在内核的性能分析和优化方面有丰富的经验,通过使用各种工具和技术手段,对内核的各个子系统进行性能调优,提升了Linux系统的整体运行效率。- **贡献**:他不仅创造了Linux内核,还开创了开源软件开发的新模式,倡导社区协作和代码共享,极大地推动了Linux内核的发展和普及。- **贡献**:他对内核的启动过程、内存管理以及与硬件的交互等方面进行了大量优化工作,确保了Linux内核在x86架构上的高性能和稳定性。

hxsln11的博客 707

如何使用PostgreSQL数据库进行数据仓库的ETL操作

本文旨在为数据工程师、数据库管理员和分析师提供使用PostgreSQL进行数据仓库ETL操作的全面指南。ETL流程的基本原理PostgreSQL在ETL中的独特优势实际ETL实现的技术细节性能优化和最佳实践常见问题的解决方案首先介绍ETL和PostgreSQL的基本概念然后深入探讨核心技术和实现方法接着提供实际案例和代码示例最后讨论优化技巧和未来趋势ETL:提取(Extract)、转换(Transform)、加载(Load)的缩写,描述数据从源系统移动到目标数据仓库的过程。

2502_91592937的博客 874

Unity之OpenXR+XR Interaction Toolkit实现 Gaze眼部追踪

在虚拟现实(VR)和增强现实(AR)应用中,眼动追踪是一项强大而受欢迎的技术。它可以让开发者更好地理解用户的注意力和行为,并创造出更加沉浸和智能的体验。在本文中,我们将探讨如何使用 Unity OpenXR 实现Gaze眼部追踪功能。

TxNet 1754

安焦删除贴 牛人纷纷出现(1)

 安焦删除贴 牛人纷纷出现(1) 安焦删除贴 牛人纷纷出现(2) 安焦删除贴 牛人纷纷出现(3) 安焦删除贴 牛人纷纷出现(4)  [Update @ 2004-12-04 23:32]首页 焦点原创 安全文摘 安全工具 安全漏洞 焦点项目 焦点论坛 关于我们 English Version 欢迎您 游客 ( 登陆 | 注册 ) 搜索 | 用户列表 | 帮助

Dark White Polyphony 深白复调 7471

高通开发系列 - Camera之摄像头调试记录

记录一些调试内容

fulinux的博客 1220

linux 牛人

源自:http://bbs.routerclub.com/viewthread.php?tid=6741李亮,网名:holly,CCE现任维护人员,系上海交通大学毕业,目前在上海交通大学图书馆工作。对于CCE的分析、改写和维护起到了很大作用。另外还编写了若干Apache的模块,满足了某些特定要求。详情请访问http://programmer.lib.sjtu.edu.cn。   王

haiping的专栏 2250

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

如何成为程序员中的牛人/高手?

高手是做了一些常人做不到的事情,在这个过程中磨练成了高手;不是先成为高手,才做了常人做不到的事情。在成为高手之前,他们很可能和你我一样,都是茫茫人海中的无名之辈——毕竟,谁一生下来就什么都会呢?也许多年后你也会成为一个高手。

xuxian的博客 970

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

linux 牛人推荐书籍

Linux 编程经典书籍推荐    成为一名精通 Linux 程序设计的高级程序员一直是不少朋友孜孜以求的目标。根据中华英才网统计数据,北京地区 Linux 程序员月薪平均为 Windows 程序员的 1.8 倍、Java 程序员的 2.6 倍, Linux 程序员年终奖金平均为 Windows 程序员的 2.9 倍。同时数据显示,随着工作经验的增长, Linux 程序员与 Windows 程

younghongjian的专栏 6431

linux牛人博客

<br />http://blogold.chinaunix.net/u1/51562/index.html

ginuobili的专栏 1348

牛人一枚

牛人一枚 简历 | shell's home简历教育经历上海市交大二附中 1998届(毕业)北京市牛栏山一中 2001届(毕业)NC网络安全证书 2002年上海交通大学 机械和动力工程学院 工业工程专业 2005届(毕业)LPI Certification L...

204

牛人博客

在这里记录一下常见的牛人博客: 1、ARM 裸机程序开发参考博客地址   http://blog.youkuaiyun.com/shengnan_wu/article/category/1267025 说明:结合汇编和c语言混编的方式,详细介绍2440芯片的体系结构,寄存器等 2、arm-linux博客 http://www.cnblogs.com/armlinux/archiv

马道人生 818

牛人的linux学习四部曲

作为一个菜鸟,整天网上查找学习linux的方法和书籍是一件非常痛苦的事,难得身边能有高人指点一二,对此,希望和这样的菜鸟们一起分享下一个很好的linux学习方法。        一.新手上路     这一菜鸟阶段最大的问题是如何正确安装一个linux发行版,linux作为开源的系统,甚至可以说是众多GNU软件的展示平台,相对由商业公司发行的WINDOWS,存在许多不同发行版。这里先说明

Leo_Walker的博客 1167

一些牛人榜样,多看看他们写的东西(后续整理牛人的blog等)

一些牛人榜样,多看看他们写的东西(后续整理牛人的blog等) 分类: 1.2.1.1 职业规划 1.2.1 政法经管 1.2.1.2 行业知识2012-06-27 22:51 5832人阅读 评论(0) 收藏 举报 blog平台自然语言处理测试工作 目录(?)[+] 计算机大师 Donald E. Knuth(高德纳) 算法大师,

junecauzhang的专栏 1966

中国程序员应读“名著”

中国程序员应读“名著”日期:2007年6月7日 作者:   近日有暇,偶览Robert大作《软件工程的事实与谬误》,其间提到程序员应多读“名著”,深以为然。当然,此处所谓“名著”并非《西游记》、《三国演义》、《红楼梦》等文学名著,而是程序的经典之作,如:Linux、 windows之类的程序名著。  从识字开始,我们学习写作的方式是学习一篇范文,对范文进行解剖和鉴赏,同时还辅以大量的作文...

dianxunzhang1095的博客 195

Linux牛人的博客开张

一直期望能够在网络的海洋里踩住一块礁石,方圆200海里内都是我的领海。linux牛人的博客,本博客必将成为中国关注率最高的博客!在暗处开弓搭箭,射穿虚伪的混子们的可恶的胸膛!让他们的嘲讽变成风,吹走干瘪的尸体;让他们的冷笑变成冰,永远封存他们永存的绝望!

苦涩的糖水 592

linux 命令 看视频,高手在Linux命令行下看视频

hndacxc 于 2010-09-19 11:57:19发表:真的太牛了没话说了wangdylt 于 2010-08-30 10:36:12发表:一个字,牛!wozdaixxma 于 2010-08-18 11:14:02发表:niu bzj3861777 于 2010-08-06 16:09:30发表:达人,牛啊zj3861777 于 2010-08-06 16:09:28发表:达人...

weixin_28339527的博客 566

什么是运维高手的境界?

老男孩语录⑦⑥-什么是运维高手的境界? 什么是运维高手的境界? 系统及各种软件都是人开发的,所以很多时候运维工作也是有规矩可循的,有时你想的(只要是合理的),你会发现,其实系统就是这么设计的。 如果你到这个境界了,那么恭喜你,你已进入运维高手的行列了。 在和一些IT界牛人交流时,很多实战型运维及DBA高手都有此感触。本文出自 “老男孩的linux博客” 博客,请务必保留此出处http://

老男孩linux运维实战培训博客 494
上一篇: 细说Linux系统优化-实践篇
下一篇: chmod命令缺失x权限的解决办法
usbdrivers
博客等级 码龄15年 26粉丝 57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