优秀IT技术文章集

HollisChuang HollisChuang 博客等级 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 500+累计阅读 510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 码龄14年
关注
转载 最新推荐文章于 2026-06-03 14:08:40 发布 510 阅读 AI 写同款· GEO 优化 ›
IT技术文章示例 IT技术文章示例，各种技术网址大全。技术类的文档等等 立即下载

原文地址：http://elf8848.iteye.com/blog/905484



---------------优秀blog----------------

 

结构之法 算法之道  http://blog.youkuaiyun.com/v_JULY_v

dokuWiki示例

http://www.ha97.com

-------------------------------------
jQuery EasyUI 中文API教程

 

----------------------网络通信------------------------------

MINA,xSocket同样的性能缺陷及陷阱,Grizzly better

http://www.blogjava.net/adapterofcoms/articles/314560.html

 

 

Java连接池评估报告

http://duzc2.iteye.com/blog/pdf

 

 

mina vs. yanf4j 性能比较—庄周梦蝶
http://www.blogjava.net/killme2008/archive/2009/06/26/284342.html

 

Grizzly和Netty以及Mina简单性能对比—阿里梁飞
http://javatar.iteye.com/blog/1126171

 

 

HTTPS的七个误解

http://ijavagos.iteye.com/blog/916029

 

 

动态代理方案性能对比—阿里梁飞
http://javatar.iteye.com/blog/814426

 

 

 

------------------------------安全------------------------------

 

浅谈CSRF攻击方式

http://www.cnblogs.com/hyddd/archive/2009/04/09/1432744.html

 

一次被黑经历与反思

http://hoodlum.blog.51cto.com/4075497/890405/

 

 

------------------------------框架------------------------------

 

iteye中关于shiro的博客列表

http://www.iteye.com/blogs/tag/shiro

 

让Apache Shiro保护你的应用

http://www.infoq.com/cn/articles/apache-shiro

 

将 Shiro 作为应用的权限基础

http://www.ibm.com/developerworks/cn/opensource/os-cn-shiro/

 

Spring 3.x企业实用开发实战

http://www.iteye.com/blogs/subjects/Spring_3 .

 

Hibernate4实战最佳实践

http://jenmhdn.iteye.com/blog/1627262

 

 

加速你的Hibernate引擎（上）(InfoQ)
http://www.infoq.com/cn/articles/hibernate_tuning

 

加速你的Hibernate引擎（下）(InfoQ)
http://www.infoq.com/cn/articles/hibernate_tuning-ii

 

 

 

JdbcTemplate学习笔记

http://www.iteye.com/topic/53526

 

Spring 事务管理高级应用难点剖析: 第 1 部分

http://www.ibm.com/developerworks/cn/java/j-lo-spring-ts1/index.html?ca=drs -

 

Spring 事务管理高级应用难点剖析: 第 2 部分

http://www.ibm.com/developerworks/cn/java/j-lo-spring-ts2/index.html?ca=dat-cn-0325

 

Spring 事务管理高级应用难点剖析: 第 3 部分

http://www.ibm.com/developerworks/cn/java/j-lo-spring-ts3/index.html?ca=drs -

 

Spring 让 LOB 数据操作变得简单易行

http://www.ibm.com/developerworks/cn/java/j-lo-spring-lob/index.html?ca=drs-cn

 

 

 

------------------------------中间件------------------------------

 

企业级WebLogic实战揭秘（连载，有PDF文档，18章已发布）

http://www.iteye.com/topic/1112292

 

 

应用 WebSphere MQ V6 来构建企业信息总线的行业示例

http://www.ibm.com/developerworks/cn/websphere/library/techarticles/0803_wangql/?S_TACT=105AGX52&S_CMP=NL&ca=dnl-cn-04022008

 

 

 

------------------------------多线程------------------------------

 

ibm dw上的“java多线程与并发编程专题”

https://www.ibm.com/developerworks/cn/java/j-concurrent/

 

一个博客文章总结 java多线程编程总结

http://lavasoft.blog.51cto.com/62575/27069/

 

ThreadLocal与synchronized在解决多线程并发访问时的区别

http://271072008-qq-com.iteye.com/blog/1086373

 

 

 

------------------------------工具------------------------------

 

Apache Commons工具集简介

http://www.cnblogs.com/jackyrong/archive/2006/10/15/529599.html

 

spring里的工具类,摘自spring3.0.5版本

http://wen66.iteye.com/blog/830719

 

------------------------------XXXX------------------------------

IE浏览器下同一网页多图片显示的瓶颈与优化[原创]

http://blog.s135.com/post/332/

 

MAC下安装与配置MySQL

http://www.cnblogs.com/macro-cheng/archive/2011/10/25/mysql-001.html

 

------------------------------博客------------------------------

淘宝核心系统团队博客 
http://rdc.taobao.com/blog/cs/

淘宝技术安全团队博客
http://rdc.taobao.com/team/sec/

淘宝通用产品团队博客
http://rdc.taobao.com/team/jm/

淘宝用户体验团队博客
http://ued.taobao.com/

淘宝数据库技术团队博客
http://www.taobaodba.com/

阿里 DBA Team
http://www.alidba.net/

淘宝搜索技术博客
http://www.searchtb.com/

淘宝QA团队 
http://rdc.taobao.com/blog/qa/

淘宝共享数据平台博客
http://www.tbdata.org/

淘宝开放平台博客 
http://blog.open.taobao.com/

 

 

------------------------------架构------------------------------

人人网移动开发架构

http://www.infoq.com/cn/articles/renren-mobile-arch

 

2010年InfoQ中文站高性能架构内容回顾：在路上

http://www.infoq.com/cn/news/2011/01/infoq-2010-high-performance-sum

 

百万级访问量网站的技术准备工作 (InfoQ)

http://www.infoq.com/cn/articles/lzy-million-visits-site-technical-preparations

 

Java深度历险（一）——Java字节代码的操纵 (InfoQ)

http://www.infoq.com/cn/articles/cf-java-byte-code

 

又拍网的网站技术架构

http://www.dbanotes.net/arch/yupoo_arch.html

 

又拍网架构中的分库设计

http://www.infoq.com/cn/articles/yupoo-partition-database

 

豆瓣网技术架构变迁

http://www.infoq.com/cn/presentations/hongqn-douban

 

豆瓣网架构-国内python语言网站的王者之路

http://www.bopor.com/?p=661

 

大型网站架构演变和知识体系

http://www.blogjava.net/BlueDavy/archive/2008/09/03/226749.html

 

JSON 入门指南 (廖 雪峰 , 撰稿人) IBM

http://www.ibm.com/developerworks/cn/web/wa-lo-json/

 

网站架构收集(csdn)

http://blog.youkuaiyun.com/Damon_King/archive/2008/06/06/2517554.aspx

 

Spring操作blob和clob

http://hi.baidu.com/sunjoe/blog/item/10251a33ae4871fd1a4cff33.html

 

 

调查：您的开发团队用什么项目管理软件

http://www.cnblogs.com/cmt/archive/2011/01/10/1931861.html

 

企业服务总线解决方案剖析，第 1 部分: 企业服务总线的基本概念

http://www.ibm.com/developerworks/cn/webservices/ws-esb1/

 

 

------------------------------JS------------------------------

 

JQuery 使用讲课PDF

http://wenku.baidu.com/view/3a3637ebe009581b6bd9eb76.html

 

web前端技术——几个比较有用的Js库

http://home.koudai.me/space-54-do-blog-id-5713.html

 

 

 

Google Web Toolkit 入门

http://www.ibm.com/developerworks/cn/java/j-lo-gwt-intro/index.html

 

欢迎讨论 GWT , GWT-EXT , MyGWT 等的比较--我的个人看法

http://www.iteye.com/topic/168967

 

 

------------------------------J2EE------------------------------

 

 

JDBC 3.0 有什么新特性

http://www.ibm.com/developerworks/cn/java/j-jdbcnew/

 

 

 

Servlet 3.0 实战：异步 Servlet 与 Comet 风格应用程序 IBM

http://www.ibm.com/developerworks/cn/java/j-lo-comet/index.html

 

JSP/Servlet 中的汉字编码问题 IBM

http://www.ibm.com/developerworks/cn/java/jsp_dbcsz/index.html

 

JavaScript 中的函数式编程实践 IBM

http://www.ibm.com/developerworks/cn/web/1006_qiujt_jsfunctional/index.html

 

 

web.xml 中的listener、 filter、servlet 加载顺序及其详解1

http://apps.hi.baidu.com/share/detail/33614288

收录于
学习

当前文章被收录于：

学习
1 篇文章 0 人学习
订阅专栏 查看详情
经典IT文章摘抄经典IT文章摘抄 经典IT文章摘抄经典IT文章摘抄经典IT文章摘抄经典IT文章摘抄经典IT文章摘抄 立即下载

相关推荐

突发环境事件怎么模拟？用Python+GIS实现高斯烟团模型（附完整代码）

本文详细介绍了如何利用Python与GIS技术实现高斯烟团模型，用于模拟化工泄漏等突发环境事件的动态扩散过程。通过核心原理讲解、参数快速获取方案、Python代码实现及GIS可视化集成，为环境应急人员提供了一套完整的解决方案。特别适合危险品运输事故等瞬态污染场景的应急决策支持。

weixin_33692284的博客 485

学会Python网络爬虫不仅赚的多，还是赚得最快的IT技术！

学会Python网络爬虫不仅赚的多，还是赚得最快的IT技术！

python03011的博客 391

Proxmox VE安装卡顿深度解析：显卡驱动与BIOS设置的黄金法则

本文深度解析Proxmox VE安装卡顿的根本原因，指出显卡驱动与BIOS设置是两大关键因素。文章详细阐述了如何通过添加`nomodeset`内核参数解决显卡兼容性问题，并提供了针对不同主板品牌的BIOS显卡优先级设置黄金法则。同时，还分享了从预处理到高级调试的完整实战排查流程，帮助用户从源头杜绝安装卡顿，确保PVE系统顺利部署。

weixin_29278805的博客 471

所有程序员都必读的十二篇文章

一、程序员必知之内存篇 这是篇非常经典的文章，它将会带领你走入内存的各个方面，有老的，也有新的，有知道的，也有不知道的。尽管内存十分常见，无处不在，但并不是每个程序员都足够了解它。如果你正在编写高性能的应用程序的话，了解现代系统中的内存尤为重要。硬件设计师们带来了更复杂的内存处理及加速的技术，比如说CPU缓存，但如果离开了程序员它们也无法发挥出最大的价值。我仍在阅读这篇文章，很难说清楚我到底从中学到了多少关于随机访问内存（RAM），CPU缓存，包括1级，2级缓存，不同类型的内存，直接内存访问，内存控制器设计

公众号：【伤心的辣条】 703

若依框架（ruoyi vue版）集成jeecg积木报表整体完整实用教程（超长篇幅耐心阅读）

若依框架（ruoyi vue版）集成jeecg积木报表整体完整实用教程，主要说明jeecg积木报表的集成、jeecg积木报表嵌入若依菜单、token权限控制，以及iframe嵌入表格等内容。

weixin_53067723的博客 4639

【技术分享】语音多模态LLM越狱

语音多模态LLM越狱攻击作为一种新兴安全威胁，揭示了多模态模型在语音输入场景下的脆弱性。尽管已有多种攻击方法被提出，但其具体实现步骤、防御措施的有效性及行业影响等问题仍需进一步探索[9]。未来研究应聚焦于改进模型架构、开发针对性防御策略，并评估语音输入越狱攻击的实际危害。只有通过全面理解这些挑战，才能为多模态智能系统的安全性提供更可靠的保障。说到语音多模态LLM越狱的具体实现步骤，这其实是一个复杂且多层次的过程🧐。首先，攻击者需要深入分析目标模型的响应模式和安全机制，找出可能的漏洞点。

qq_29883477的博客 1261

大学生必看：基础IT技术文章300篇大合集！【包含信息/编码、IP/组网、程序逻辑、Web基础等】

见习工程师要求具备“信息/编码”、“IP/组网”、“程序逻辑”和“Web基础”这四项基础能力。这些基本技能都是目前一线大厂开发工作中会高频接触和使用的“底层逻辑”（其中程序逻辑使用 JavaScript 作为编程语言） 就软件技术而言，熟练地进行不同进制间的计算和转换，理解ASCII、UTF-8等字符编码原理，掌握TCP/IP子网划分、路由重组等计算机网络技术，学会常用HTML标签、CSS样式表和基础JavaScript语法，对于后续更高级知识的学习大有裨益。 在这里根据下图知识图谱，小编整理了优快云

优快云高校俱乐部官方博客 4131

金融风控实战：用Python从零搭建贷款违约预测模型（附完整数据集）

本文详细介绍了如何使用Python从零构建金融风控中的贷款违约预测模型，涵盖数据清洗、特征工程、模型构建与评估等全流程。通过实战案例展示逻辑回归、XGBoost和LightGBM三大算法的对比，特别强调AUC-ROC指标在金融风控中的重要性，并附完整数据集和代码实现。

weixin_29175469的博客 237

优秀IT技术文章集(最新)(高质量)

    作者：赵磊 博客：http://elf8848.iteye.com    阅读优秀的文章可以使你快速进步，本文收集了广受好评的优秀IT技术文章，在你有空时读一读，安静下来思考一下。     不断更新中。。。   ---------------优秀blog----------------   Sina App Engine Blog 并发编程网    结...

SiC B2B2C Shop大型B2B2C商城软件产品，使用Java语言开发，高性能高扩展性高安全性分布式。可帮助你快速的建立大型B2B2C电商系统 617

国产操作系统替换方案：3个避坑指南

坑核心误区避坑核心原则关键动作坑一：选型只看信创信创目录=唯一标准兼容性优先，信创是约束三维评估（兼容性+信创+生态），分场景选型坑二：迁移只管能跑功能能跑=迁移成功性能确认+运维回归适配-压测-回归三阶段，基线对比坑三：不防二次迁移解决停服=完成任务一步到位，两级兼容信创路线优先，双轨制发布，终态规划。

weixin_43524706的博客 294

华为OD机试 - 计算误码率（Python/JS/C/C++ 双机位C卷 100分）

移动通信 网络中的误码率主要是指比特误码率，其计算公式如下：比特误码率 = 错误比特数 / 传输总比特数，为了简单，我们引入字符串来表示误码通信的信息，一个字符错误了，就认为出现了一个误码。我们需要将这两个压缩字符串解压成实际的字符序列，然后逐位比较它们，统计误码（不同字符）的数量。题目给出两个经过压缩编码的字符串，通过解压缩后需要判断两个字符串在解压后的误码率，即对应位置不同的字符数量占总字符数量的比例。输入一个标准的字符串，和一个传输前的字符串，计算误码率。两个解压后的字符串完全相同，没有错误字符。

学Java，找哪吒 2193

2024年IT行业“龙抬头”：AI和网络安全是最大热点

2024年IT行业“龙抬头”：AI和网络安全是最大热点

2302_76672693的博客 1854

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")

优秀IT技术文章集（装载）

转载原文链接 作者：赵磊 博客：http://elf8848.iteye.com 阅读优秀的文章可以使你快速进步，本文收集了广受好评的优秀IT技术文章，在你有空时读一读，安静下来思考一下。 ---------------优秀blog---------------- Sina App Engine Blog 并发编程网 结构之法 算法之道 dokuWiki示例 http://www.ha97.com...

elinice 226

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...

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

优秀IT技术文章集(高质量)

优秀IT技术文章集(高质量) 编者注：本文集合了很多的IT优秀文章，包括了很多著名IT网站的架构变化过程和架构方法，大家可以参考看看。 作者：赵磊 博客：http://elf8848.iteye.com 阅读优秀的文章可以使你快速进步，本文收集了广受好评的优秀IT技术文章，在你有空时读一读，安静下来思考一下。 不断更新中。。。 ---------------...

weixin_30947043的博客 139

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
上一篇： 程序员经典面试题
下一篇： Java面试题
点赞 0
评论 0
书签 书签 1
HollisChuang
HollisChuang
博客等级 码龄14年 14粉丝 16原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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