PyCharm为什么这么牛?

CKAD-CN 考试知识点分享(12) Secret - 1 步骤操作完成1提取 Deployment 中的硬编码 Secret 值✅2创建名为postgres的 Secret✅3修改 Deployment 使用引用 Secret✅4验证新 Pod 正常运行✅❌未删除原 Deployment✅(遵守要求)✅任务完成。敏感信息已从环境变量移出,安全地存储在 Kubernetes Secret 中。 阅读详情

这两年被Python初学小白问到最多的问题就是,该用什么代码编辑工具?

说实话,我个人是用Jupyter Notebook最多,主要是经常做数据可视化,方便些。

但对于初学者来说,PyCharm仍是不二的选择,甚至我建议你只用PyCharm.

从当前所有主流Python IDE来看,PyCharm是最适合做Python开发的,特别对新手而言,可以节省很多不必要的时间成本。

01556aeb318a701f47639852778f2549.png

我也常用PyCharm写脚本,偶尔开发一些web应用,PyCharm的完善程度可以说没有一个IDE能达到。

其他IDE相比,PyCharm主要有以下4个优点,后面会一一介绍:

  • 简洁的代码编辑环境

  • 强大的智能代码辅助功能(智能代码补全、代码检查、实时错误高亮显示)

  • 丰富的内建开发者工具(VCS、数据库、远程开发、调试、测试、性能分析...)

  • 完善的Web开发和数据科学支持(Django、Flask、JS、notebook、pandas...)

31a7ec5e2e776e0b6bdd33572751cdb2.png

同时,PyCharm作为跨平台应用程序,与Linux、macOS和Windows平台兼容。

PyCharm是JetBrain公司的商业化工具,就是那个开发了IntelliJ IDEA、Kotlin的捷克软件公司。

用户可以使用3个版本的PyCharm,分别是社区版、专业版、教育版。

其中社区版是免费的,但阉割了很多功能;

专业版是付费的,功能完善,首年199美元,续费可打折;

教育版是免费的,面向在校学生和教育工作者,需要有相关资质才能申请。

46905e7ce70457b0c93cfdfa77c922b6.png

PyCharm的特点详细如下(参考官网)

1.智能代码编辑器

PyCharm带有智能代码编辑器,有助于编写高质量的Python代码。它通过为关键字、类和函数(即语法和错误突出显示)提供不同的颜色显示,提高了代码理解和可读性。

代码编辑器还能代码补全、代码检查、实时错误高亮显示和 快速修复,并能实现自动化代码重构和丰富的导航功能。

2.集成工具

PyCharm大量的开箱即用工具包括集成的调试器和测试运行程序;Python分析器;内置的终端;与主要VCS的集成和内置的数据库工具;利用远程解释器的远程开发能力;集成的ssh终端;以及与Docker和Vagrant的集成。

PyCharm提供的一些最基本的集成工具包括:

Anaconda——一个免费、开源的Python发行版,面向科学计算,简化了包管理和部署。

IPython——一个用于交互式计算的强大命令外壳。

Kite——一个人工智能驱动的自动完成插件。

Pylint-源代码、bug和质量检查器。

pytest——为Python代码编写小型测试的框架。

WakaTime——一个开发人员仪表盘,具有生产力指标和自动时间跟踪功能

3.数据科学和机器学习[仅限专业版]

PyCharm支持Matplotlib和SciPy等科学库,帮助Python开发人员完成数据科学和机器学习项目。

4.谷歌应用引擎[仅限专业版]

Google App Engine,或直接称为App Engine,是一个PaaS和云计算平台,旨在开发和托管web应用程序。

它为web应用程序提供了自动伸缩功能。PyCharm的专业版为Google App Engine提供支持。

5.综合调试和测试

一般IDE都支持调试和测试程序,PyCharm也不例外,提供了一个集成的Python调试器,和line-by-line代码覆盖的集成单元测试。

6.多技术开发[仅限专业版]

Python开发人员可以使用PyCharm创建web应用程序。因此,Python IDE支持流行的web技术,包括CoffeeScript、CSS、HTML、JavaScript和TypeScript。

此外,它还包括对Cython、SQL的支持。

PyCharm中还提供实时编辑功能,即开发人员可以在实时推送网页的同时创建/修改网页。因此,可以在web浏览器上直接跟踪更改。也可以使用AngularJS或NodeJS构建web应用程序。

7.项目和代码导航

代码导航功能使开发人员更容易导航到类、函数或文件。它还有助于显著减少编辑和增强Python代码所需的工作量和时间。文件结构视图和专用项目视图随时可用。

lens模式允许开发人员彻底检查和调试整个Python源代码。通过代码导航,几乎可以在短时间内定位元素、变量等。开发人员可以在类、文件和方法之间快速切换。

8.重构

PyCharm中的重构功能有助于改进Python程序的内部结构,而不会影响Python程序的外部性能。对局部变量和全局变量进行更改既高效又快速。

9.远程开发

PyCharm允许在远程主机或虚拟机上运行、调试、测试和部署应用程序。

为此,Python IDE提供了:

  • 集成SSH终端

  • Docker与Vagrant

  • Remote interpreters

10.支持流行的Python Web框架[仅限专业版]

PyCharm允许开发人员在Python开发项目中利用Django。Python IDE提供了自动完成功能,也可以使用Django编写调试代码。

PyCharm还支持其他流行的Python框架,如Flask、Pyramid和web2py。

11.版本控制系统(VCS)集成

版本控制系统(VCS)简单地跟踪对文件、应用程序和其他信息源所做的更改。

PyCharm为CVS、Git、Mercurial、Perforce和Subversion提供了统一的用户界面。


END

觉得还不错就给我一个小小的鼓励吧!
【即插即用模块】Transformer篇 | ICCV 2025 | MALA :注意力分布神似Softmax,告别线性注意力性能短板! MALA(Magnitude-Aware Linear Attention)是一种改进的线性注意力机制,通过引入缩放因子和偏移项,解决了传统线性注意力忽视查询幅度的问题,使其分布更接近Softmax Attention。该模块具有线性复杂度(O(n)),结合RoPE和LEPE编码实现全局-局部位置信息混合,通过z值调制平衡信息权重。实验表明MALA在轻量级视觉任务中能有效平衡效率与精度,注意力可视化显示其分布与Softmax Attention高度相似。代码提供完整的RoPE位置编码和线性注意力 阅读详情

相关推荐

对族实例进行任意的矩阵变换,需要什么样的族?

问:一个小问题,想向您请教一下。 能不能实现一个这样的操作:创建了一个常规模型的FamilyInstance,然后知道旋转和平移的矩阵,能否根据变换矩阵更新FamilyInstance的位置,绕任意轴旋转任意角度。 请问什么样的实体才能在revit项目文件中任意旋转?貌似一般的实例只能在XY平面内旋转,并且LocationPoint中只有一个Rotation参数。答:您好,因为Revit里面的构件

我爱Revit —— BIM应用及BIM应用软件解决方案专栏 3628

Python 学习一定用pycharm吗

工欲善其事,必先利其器。 pycharm 是收费工具,针对学生有些优惠。 pycharm 就是一个工具而已,如果你觉得拼写错误也无所谓,那么其实记事本也是可以的。但是每次编译的时候都会出现一堆错误,然后你得回头去找这个过程非常繁琐。 为什么不要一个工具解决所有问题呢?这个就是 IDE 的由来,可以说 pycharm 本身就是生产力工具。既然是工具每个人用得顺不顺手就看个人了和工具有关,但是还真没有那么大的关系。 现在 IDE 市场选择非常多,大浪淘沙下来也就许下那么几个了。需求不一样要求不一样。 比如说 J

766

控制障碍函数(Control Barrier Function,CBF) 二、示例

使用一个经典简单的示例讲解CBF的推导

Lyajpunov的博客 6440

JetBrains公司旗下开发工具简介

JetBrains公司旗下有下列的几种开发工具: Intellij IDEA: 用于开发 Java 等; WebStorm:用于开发 JavaScript、HTML5、CSS3 等前端技术; PyCharm:用于开发 Python; PhpStorm:用于开发 PHP; RubyMine:用于开发 Ruby / Rails; AppCode:用于开发 Objective-C / Swift; CLion:用于开发 C / C++; DataGrip:用于开发数据库 和 SQL; Ride.

HMF的博客 4738

DISM错误87详解:RestoreHealth选项无法识别的修复方法

DISM(部署映像服务和管理工具)是Windows系统维护与修复的核心命令行工具,常与SFC(系统文件检查器)配合使用,用于扫描和修复组件存储损坏、系统文件缺失等问题。在执行系统健康检查时,用户常会遭遇错误87,提示“未在此上下文中识别出restorehealth选项”。该错误的本质并非工具损坏,而是命令参数结构不符合DISM的语法解析规则,或当前系统环境(如Windows 7、WinRE/PE、32位环境)不支持该参数。理解DISM的命令层级、参数挂载关系以及运行上下文,是精准排除故障的前提。通过核对标准

weixin_34116482的博客 499

YOLOv10改进,YOLOv10添加DICAM,用于水下图像增强模块,以提高朦胧水下图像的质量、对比度和色偏

在水下环境中,成像设备会出现水浑浊、光衰减、散射和颗粒问题,导致图像质量低、对比度差和彩色图像有偏差。这给使用传统视觉技术进行水下状态监测和检查带来了巨大挑战。近年来,水下图像增强因其在提高当前计算机视觉任务在水下目标检测和分割中的性能方面发挥着关键作用而受到越来越多的关注。由于主要从自然场景构建的现有方法在提高色彩丰富度和分布方面存在性能限制,作者提出了一种新颖的基于深度学习的方法,即 Deep Inception 和 Channel-wise Attention Modules (DICAM),以提高朦

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 484

不配置python环境,直接用PyCharm就可以?

有的伙伴可能遇到不安装python环境只安装pycharm也可以进行运行代码。所以自认为是不需要解释器就可以运行?这个是不现实的,有很多伙伴可能是安装了Pycharm,但Pycharm看你电脑上没有解释器,所以在安装的时候给你默认安装在C盘下Python解释器这里进行测试,当我们进行卸载解释器,可以看到Pycharm第一时间报错,会显示没有SDK——软件开发工具包内容如下,这下验证了没有解释器是真的不行。如果你也进行验证了,那么如何重新安装回来呢,下面带你进行操作。下面我们重新进行安装回来。

思索的涟漪,突破自我 2939

【ARMv8 异常模型入门及渐进7 - GIC及安全中断介绍】

GIC-v3中,引入了支持2种安全状态(secure state),也就是对于中断,根据secure状态,分为安全中断和非安全中断。当然也可以只支持一种安全状态。这里的2种安全状态和1种安全状态,主要是影响中断分组,所使用IRQ和FIQ管脚的映射,以及gic中的寄存器访问。

CodingCos的博客 2116

PyCharm vs VSCode,是时候改变你的 IDE 了!

作者 | Sohaib Ahmad译者 |鹿未来,责编 | 屠敏也许是我有些落伍,或者也是因为 JetBrains 在 Python IDE 的市场上占有很大的份额,以至于直到最近我才...

Oner.wv的专栏 735

【Clickhouse】Cannot allocate block number in Zookeeper write prefix view location

我有一个问题,我CK集群跑批的时候,replicated表变成只读的了下面是CK的报错和当时ZK的日志。下面是zk报错开始 我认为是写入的时候,压力太大,ZK扛不住了,就按照博客里的建议优化了ZK的参数,现在偶尔还会只读,zk报错都是图里的那种clickhouse的集群是5分片的集群,数据量比较大。每小时批量一次,每次2-10W条数据,字段的话,不到200个字段,使用的 jdbc sink写入。

九师兄 837

AUTOSAR内存篇 -内存驱动(Mem)

Mem驱动程序的task是基于底层内存设备技术的物理分段的低级内存访问。Mem驱动程序的API与内存设备技术无关,因此向存储器访问模块上层提供了与存储器设备无关的接口。所有高级功能(如跨段操作)都由内存访问模块处理,以尽可能降低Mem驱动器的复杂性和占用空间。Mem驱动API命名、类型定义和文件命名规则都遵循标准的AUTUSAR BSW模块实现。服务Mem_Init初始化Mem驱动的内部状态,并设置Mem驱动Job处理状态到MEM_JOB_OK。

IOT2017的博客 716

PyCharm到底牛在哪里?

说实话,我个人是用Jupyter Notebook最多,主要是经常做数据可视化,方便些。但对于项目开发来说,PyCharm是不二的选择,甚至我建议你只用PyCharm。从当前所有主流Python IDE来看,PyCharm是最适合做Python开发的,特别对新手而言,可以节省很多不必要的时间成本。我也常用PyCharm写脚本,偶尔开发一些web应用,PyCharm的完善程度可以说没有一个IDE能达到。其他IDE相比,PyCharm主要有以下4个优点,后面会一一介绍:简洁的代码编辑环境。

xx16755498986的博客 843

ABB变频器使用PROFINET IO通信模块时的激活方法

ABB变频器使用PROFINET IO通信模块时的激活方法

Robot_PLC_HMI_Automation 2738

为什么PyCharm这么牛?

这两年被Python初学小白问到最多的问题就是,该用什么代码编辑工具?说实话,我个人是用Jupyter Notebook最多,主要是经常做数据可视化,方便些。但对于初学者来说,PyCharm仍是不二的选择,甚至我建议你只用PyCharm.从当前所有主流Python IDE来看,PyCharm是最适合做Python开发的,特别对新手而言,可以节省很多不必要的时间成本。我也常用PyCharm写脚本,偶尔开发一些web应用,PyCharm的完善程度可以说没有一个IDE能达到。

分享Python、数据分析、人工智能前沿知识 1077

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")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

PyCharm为什么那么牛?原因竟是.....

这两年被Python初学小白问到最多的问题就是,说实话,我个人是用最多,主要是经常做,方便些。但对于来说,,甚至我建议你只用PyCharm.从当前所有主流Python IDE来看,,特别对新手而言,可以节省很多不必要的时间成本。我也常用PyCharm写脚本,偶尔开发一些web应用,PyCharm的完善程度可以说没有一个IDE能达到。同时,PyCharm作为跨平台应用程序,与。PyCharm是公司的商业化工具,就是那个开发了IntelliJ IDEA、Kotlin的捷克软件公司。用户可以使用。

大模型教程的博客 242

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Pycharm 为啥这么牛?

这两年被Python初学小白问到最多的问题就是,该用什么代码编辑工具?说实话,我个人是用Jupyter Notebook最多,主要是经常做数据可视化,方便些。但对于初学者来说,PyCharm仍是不二的选择,甚至我建议你只用PyCharm。从当前所有主流Python IDE来看,PyCharm是最适合做Python开发的,特别对新手而言,可以节省很多不必要的时间成本。我也常用PyCharm写脚本,偶尔开发一些web应用,PyCharm的完善程度可以说没有一个IDE能达到。

qkh1234567的博客 1107

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

PyCharm vs VSCode 到底谁更牛?

点击“开发者技术前线”,选择“星标????”在看|星标|留言, 真爱作者 | Sohaib Ahmad译者 |鹿未来,责编 | 屠敏也许是我有些落伍,或者也是因为 JetBrains...

开发者技术前线-DevolperFront 9581
上一篇: 聊聊基金经理和Python
下一篇: 知乎 | 博士毕业,选择进高校还是30万年薪私企?
Wang_AI
博客等级 码龄12年 998粉丝 162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