前进路上的疑惑

我现在的公司是自己和几个朋友创办的(大学生自主创业).人数不是很多,每个人负责一个版块.我们的经理本来开始也是专注技术的,后来因为公司的发展,他的经理基本上转到管理方面去了,因此在web技术方面就我孤单一个人了.现在觉得前途太迷茫了.

本人是从学习asp开始的.然后学习.net.也学了一些c#.因为主要从事web编程,所以没有去关注其他的专门的程序语言.但是现在却不知道该怎么做了,

其实疑惑的问题表现在这样的方面:

1个大型的网站,用asp实现完全没有问题,也很顺利的可以完工.但是如果想使用存储过程了,却显的无能为力了;想完全用.net来实现,也基本可以完工,但是达不到那种应用web serverice,应用xml,或者部署一点web application什么的,特别是对于数据库的操作,不是有很多次的读取么,.就特别想实现一个统一的组件或者模块.^^^等等,问题实在太多了,弄的我现在接到一个项目之后,都不知道怎么开始了……

希望前辈或者同行指点迷津,不甚感激!

转载于:https://www.cnblogs.com/yang_sy/archive/2004/10/18/53675.html

《机器学习》周志华_自学记录 第一章绪论## 1.1引言机器学习所研究的主要内容,是关于在计算机上从数据中产生"模型"(model)的算法,即"学习算法"(learning algorithm).在面对新的情况时(例如看到一个没剖开的西瓜),模型会给我们提供相应的判断(例如好瓜).如果说计算机科学是研究关于"算法"的学问,那么类似的,可以说机器学习是研究关于"学习算法"的学问.## 1.2基本术语:用于预测离散值,例如将样本分为“好瓜”或“坏瓜”。:用于预测连续值,例如西瓜的成熟度(如0.95、0.37)。 阅读详情

相关推荐

PHP+MYSQL宠物主题动态网页设计源码+数据库,大学生期末大作业,PHP课程设计

PHP+MYSQL宠物主题动态网页设计源码+数据库,大学生期末大作业,PHP课程设计提示:本文采用PHP对数据库进行操作:本文就介绍了PHP实现对MySQL数据库的增删改查操作基础内容。

902

职业路上,我努力前进着

时间一晃就过去了,已经工作三个月了,心态在慢慢改变,由开始的眼高手低到现在的一点点进步着学习着,开始总觉得工作简单,学不到东西,可是再简单的技术都是可以让自己成长的,一个简单的招数练到极致就是绝招,所以只要你想学就能学到东西,遇到自己不满的环境时不要一味的抱怨,既然无法改变就去适应,去努力奋斗,这样环境中走出来的自己会更加成熟、有能力。面对任何事才会更镇定...

weixin_33699914的博客 95

海康视觉通讯配置

本文介绍了海康通讯管理中TCP和Modbus协议的配置方法。TCP通讯时,视觉系统作为服务器接收PLC客户端发送的触发信号,需注意十进制与十六进制字符串的转换。Modbus配置需填写PLC的IP地址和寄存器首地址,并预先定义整型变量。TCP通讯需开启16进制发送模式以避免数据格式问题。文章重点说明了不同通讯方式下的数据格式转换和参数设置要点。

A567852的博客 2245

“网约护士”进行时:有疑惑和担忧,在观察中前进

网约护士小李 网约护士小余在为客户做护理。 原标题 “网约护士”进行时 作者 杨逸男 日前,国家卫生健康委发布了《“互联网+护理服...

weixin_36250541的博客 745

泛微Ecology流程数据表结构解析:workflow_requestbase和workflow_currentoperator到底怎么关联查询?

本文深入解析泛微Ecology系统中workflow_requestbase和workflow_currentoperator表的结构与关联机制,提供SQL查询语句示例,帮助开发者高效查询流程数据。涵盖待办事项、已办事项、办结事项和流程监控等典型场景,并分享性能优化技巧和常见问题排查指南。

weixin_33738555的博客 816

【ESP32-S3量产指南】基于Flash下载工具实现Release模式Flash加密与安全配置

本文详细介绍了ESP32-S3量产阶段如何通过Flash下载工具实现Release模式下的Flash加密与安全配置。从加密模式选择、工具配置到分区表优化,提供了一套完整的量产安全解决方案,帮助开发者有效防止固件泄露和篡改,确保设备安全。

weixin_28730131的博客 232

挫折都化作继续前进的动力

  在奥斯卡的颁奖舞台上,她侃侃而谈,以犀利的幽默吸引着众人的视线,3个小时的直播让人充满了无限激情。她就是美国著名脱口秀节目主持人艾伦·德杰尼勒斯。   艾伦13岁时,父母离异,她选择跟着妈妈一起生活。婚姻的失败与生活的压力,让艾伦的妈妈患上了重度抑郁症。一天早上,艾伦洗漱完毕准备到厨房去做早餐,刚走到厨房门口,她就看到母亲站在厨房的操作台前,这让她很疑惑,妈妈已经很久没有给她做过早餐了。艾伦...

weixin_30614587的博客 146

基于强化学习方法的PID参数整定

前言 PID控制器在工业界应用非常广泛,但是PID的参数调节一般需要人工根据经验法来试。对于有经验的工程师来说,一般试几次就可以获得满足调节的参数。然而对于新手工程师却很难确定一套比较好的参数。 这里我们采用强化学习的方法来调节PID参数。 这个例子展示了如何使用双延迟深度确定性策略梯度(TD3:twin-delayed deep deterministic policy gradient)强化学习算法来调整PI控制器。整定控制器的性能与使用Control System Tuner app整定的控制器的性能

weixin_42188287的博客 2万+

读博路上的碎碎念2:还能做一些很酷的事吗

自从看了何同学AirDesk的视频之后,以及联系到稚晖君做的机械臂,总感觉重燃了某种激情。 激发了很多灵感,例如做一些机械装置,实现语音开灯、关灯;因为打开热水时总要等一段时间,所以搞个传感器、做些机械装置,让他自动帮我打开热水,等水热了再提醒我。做个自己的专属屏幕,我有什么灵感的时候,对着他说话,把我说的我上传到自己的数据库中。又或者做个翻书机,让看的书随时保持打开状态,并且是我在看的...

fire2341的博客 220

安路科技FPSoC开发实战:从芯片特性到边缘计算应用

本文深入解析安路科技FPSoC芯片在边缘计算领域的开发实战,重点介绍SALDRAGON系列芯片的异构计算架构优势,包括RISC-V/ARM处理器与FPGA的协同工作。通过工业控制和智能视觉应用案例,展示硬件加速实现与低功耗设计技巧,帮助开发者高效利用FPSoC进行边缘计算应用开发。

weixin_29248611的博客 378

统信UOS系统网络服务异常排查:WIFI图标消失与网络设置缺失的解决方案

本文详细解析了统信UOS系统WIFI图标消失与网络设置缺失的常见问题,提供了从基础修复到进阶排查的完整解决方案。重点分析了NetworkManager服务异常的根本原因,包括系统更新中断、权限配置错误等,并给出实用的命令行操作指南和预防措施,帮助用户快速恢复网络功能。

weixin_29234239的博客 625

我的大学之路---2012在迷雾中前进

我的大学之路------2012在迷雾中前进 2012,一听就知道这个数字不简单。而这个数字恰好是今年的年份--2012年。 2012年是不平凡的一年,经历了传说中末日的洗礼,我们依然顽强的活了下来。这一年也是我渐渐走出迷茫的一年。我的学习生涯也经历了无知、懵懂、迷茫。 大一的上个学期确实很无知,虽然现在刚刚送走了大二上半个学期的...

weixin_34037977的博客 119

【RBF预测】基于粒子群算法优化RBF神经网络实现数据回归预测含Matlab源码

1 简介 原油含水率预测对于确定油井水,油层位以及估计原油产量有着非常重要意义.BP神经网络是最近常用的原油含水率预测方法,然而,由于BP神经网络存在容易陷入局部极小值,收敛速度慢等问题,影响了其预测的实用性和准确性,对此,提出基于粒子群优化RBF神经网络(PSO-RBFNN)的原油含水率预测方法,粒子群优化算法用于RBF神经网络参数优化.在分析原油含水率预测的影响因素基础上,建立粒子群优化RBF神经网络的原油含水率预测模型.实验结果表明,在原油含水率预测中,基于粒子群优化RBF神经网络比BP神经网络有着

qq_59747472的博客 1237

读博路上的碎碎念2:还能做很酷的事吗

自从看了何同学的AirDesk视频之后,以及联系到稚晖君做的机械臂,总感觉重燃了某种激情。激发了很多灵感,例如做一些机械装置,实现语音开灯、关灯;因为打开热水时总要等一段时间,所以搞个传感...

fire2341的博客 211

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

关于*大学计算机科学与技术学院的大一学生几个关于Linux学习方面的疑惑之回复

这里将前段时间“关于*大学计算机科学与技术学院的大一学生几个关于Linux学习方面的疑惑之回复”分享给大家,回复的内容包含多个人的观点,用回复一、二、三区分,我个人觉得回复的内容倒不重要(每个人的经历不同,学识不同,使用的技术不同,过去的经历与现在的时代亦不同,所以看法并非准确),重要的是求知的精神与方法。希望能给大家前进的路上增添一丝光亮,让大家可以以更快捷坚实的步伐大步走向自己理想的方向。**

无知人生,记录点滴 4272

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")

redhat怎样修改语言_硕士博士个人陈述(PS)辅导及修改服务带你极速前进!

2020年只剩下不到60天,我们的硕博申请也已经进入到白热化阶段!快来报名我们的硕士及博士个人陈述辅导修改服务,为你的申请助力!Fire up your application engine!!!下面就来详细介绍一下我们的个人陈述服务内容,文书修改团队及报名方式!1个人陈述的重要性众所周知,留学文书中的PS(Personal Statement)可以说是申请美国,加拿大,英国等西方国家的...

weixin_39554891的博客 137

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

大话私服虚拟服务器,大话西游私服服务器

[详情]大话西游3是一款经历了轮回转世千年虐恋的仙侠风格的2D回合制游戏,是贯穿了西游剧情的。会在对周围景色的惊艳之中感到些许陌生,但是细察之下便能发觉自己其实仍然是在一个烂熟于胸的世界当中:帮派之中笑闹不停的仍然是那几个平日里话就最多的熟面孔,宝宝依旧跟在后面喊:“娘亲,等等我,别走那么快”…… 大话西游3游戏背景 1) 世界总览 三界四洲感盘古开辟,三皇治世,五帝定伦,世界之间,遂分为四大部...

weixin_42471823的博客 4167

11.1 身在大学,不追浮云——《逆袭大学》连载

返回到【全文目录】 目录 11.1 身在大学,不追浮云 迷茫就是前进的起点 看到半山腰的风景 11.1 身在大学,不追浮云 在大学中遇到迷茫的困扰,是一个不可回避的事情。这些迷茫源于期望与现实之间的落差,是期望之高与现实之差之间的距离。在期望之中,一切都是美好的,一片坦途,似乎想要的一切自然就会来到身边;而在现实中,却处处都是通向完美的障碍,未来的种种不确定性就横在面前,其中隐藏的风险...

迂者-贺利坚的专栏 2289

前端学习心路历程

前端学习心路历程说在前面初次接触入行机遇or工作 说在前面 我是一个转行的前端开发人员,目前已有前端开发三年半经验。在此,向各位挣扎在前端学习路上的同学分享一下我从只会开关电脑的小白摸爬滚打到有三年多经验的前端开发人员的心路历程吧。 初次接触 初次接触前端领域,是在大学计算机课上,看见老师在网页的控制台里写了一个alter(“123”),就在页面上弹出了一个弹窗,顿时惊奇万分,于是乎在心里埋下了学...

make前端 398

编程应该怎么学--多问、多学、多想、多写

学习心得

hqy1989的博客 915

做接口测试时需要验证数据库么?

有的接口会返回很多数据,有的接口可能就返回一个状态码及success之类的消息,这些需要验证数据库么?现在在写一个测试框架,配置接口参数和预期返回值,生成xml文件管理用例,用一个比较方法对预期和返回作比较,不需要根据每个接口写脚本,现在的疑惑只之比较返回值,并不清楚接口是否真的成功了,比如删除之类的接口,返回说成功了,但数据是否真的删除了?如果要验证数据库,感觉得为每个用例写脚本去验证了,这就和初衷不符(只写个比较函数,比较返回的所有值,不需要为每个接口单独验证)

NHB66666666的博客 679

感谢信

感谢信 老师,很感动的在这里写这封信给你。不想对你说太正式的敬语,因为你太年轻,太和善,太友好。。。。。。 在考研一路上,我明明知道老师好忙,知道老师每天的工作还是蛮多,但我还是经常麻烦老师。真心话,我觉得自己有点自私,可我真的真的好想好想考上,我想看看我现在生活层次之外的世界,想看看高层次的学术是什么个样子,我想让爸爸以我为荣。。。。。太多太多想法使得我一次又一次请教老师!而老师却每次都会帮...

weixin_34239169的博客 141

敢问路在何方

敢问路在何方 敢问路在何方        茫茫人海,大千世界,我们之中的每一份子貌似时刻都没有停歇自己的脚步,即便当我们躺卧休息之时,不巧,地球也在带着我们行走。然而,令我疑惑和不解的是,时时刻刻我们都会听到这样的请教或者说是迷茫,敢问路在何方,接下来我该怎么走。我们问路的初衷是我们知道我们要去哪,然后寻找帮助。然而现代社会我们发出这样的感慨或请教时,很多时候我们并不知道我们要去哪,当然也包括

1189

讨论:找工作时什么最重要?

不过幸运的是我遇到了一位值得尊敬的面试官,面试结束我起身打算离开的时候,面试官喊住了我,和我聊了许多,包括我在面试所出现的问题给我做了总结,其中包括技术方面的不清晰,以及回答问题和谈吐让面试官觉得我不自信,还有在面试过程中感觉我对今后的要走的方向的不清晰,谈了很多,也理解了很多,甚至在这短短的一个小时内,面试官比我还了解我自己,真是让人哭笑不得,至此我明白了自身的缺陷回到了学校,并不是心灰意冷,而是沉淀自己,在学校的这段时间,我彻底明白了自己所要走的路,补足自身的缺陷。

xiaolizaixian的博客 469

我的大学

我的大学——学习路上,你耐得住“寂寞”吗?1.学习那些事儿1.1 关于专业1.2 学习路线2. 校园话题2.1 社团篇2.2 恋爱篇2.3 英语篇3. 机遇与挑战3.1 竞赛3.2 假期 本人简介:人称K哥,智商和情商一样堪忧,但喜欢折腾,好奇心和喵星人不相上下;机械专业烙印,为了做一个有灵魂的机器人,接触了电子、自动化、计算机相关专业;从机械绘图、C编程一步步摸索到单片机、电子电路、Python编程和深度学习;喜欢钻牛角尖,一条路走到黑,今天,总结一下这些年“寂寞”的学习&生活吧!既然是个人总结

qq_37767407的博客 786
上一篇: 数据统一接口?
下一篇: 关于在asp.net中类的继承问题
aoding8407
博客等级 码龄11年 2粉丝 0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  | 博主筛选后可见
 
 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