中国软件技术大会,比较失望

《软件架构设计》——温昱(带目录清晰版 《软件架构设计》——温昱(带目录清晰版).rar 立即下载
    周末两天去参加了 2008中国软件技术大会,比较失望。各个厂商的广告味道过于浓厚了,基本上是对各自产品的介绍:“我们做了什么,我们的东西能给客户带来什么样的利益,使用了我们产品和解决方案的客户获得了多少效率的提高”。真正有意思的倒是用友的田俊国先生讲的“大易项目管理”,到很是有趣。
    前端时间听温煜先生架构方面的课程,听到温煜先生提高田俊国先生在把“周易”的思想应用到项目管理中。当时颇感有趣,想着如有机会能够现场听一次,没想到这么快就实现了。
    今年来随着中国国力的强盛,中国传统文化也在逐渐回潮。已经有越来越多的人开始重新关注传统文化中对人的关注、对事情的关注的一些普遍的道理。不管技术和工具如何的变革,人的性质和性格几千年来可以说是毫无变化。因此3000年前的有关人际交往的道理,到了今天仍然适用。项目管理是一个需要有很强人际交往能力的职位,从传统文化中吸取经验,相比于西方的管理学著作,一点也不会差。
goahead(嵌入式Web服务器)之文件传输篇 goahead文件上传原理: 使用html form即表单提交文件上传请求,web服务器核心处理接收客户端Post过来的文件数据(注意post的是二进制数据),最后,web服务器把接收到文件数据以二进制格式写到服务器本端存储系统。 goahead文件上传步骤: 1、创建upload.html文件,内容如下: <html> <head> <meta charset="utf-8"/> <title>Upload</title> </head&g 阅读详情

相关推荐

基于 Node.js + MongoDB 技术栈的小众开源短链接程序 —— Lynx

开源的短链接程序有很多,像 YOURLS、Shlink 等大多采用 PHP + MySQL 技术栈。但我之前的服务器配置一般,再加上自己写的小玩具使用的是 Node.js + MongoDB,这些环境已经装在服务器上了,因此更倾向于寻找一款同样基于这套技术栈的短链接程序。搜索了很久才找到这么一款基于的短链接程序——Lynx。这个开源项目非常小众,Star 数只有两百多。

zc_mk的博客 828

读温昱架构系列文章

一)什么是软件架构? 不同的人对架构有不同的理解。“软件业的人乐于做这样的事——找一些词汇,并将它们引申到大量微妙而又相互矛盾的含义中”。 但我们可以将软件架构的概念分为两大流派:组成派和决策派。这里给出一些典型的定义: 1) 组成派 Mary Shaw:The architecture of a software system defines that system in termso...

LM Wang的专栏 1584

4×V100部署Qwen3.8-Flash-Next:vLLM/GGUF实战

大模型本地部署的核心,是把参数量、量化精度、显存容量和推理框架放在同一张账本里算清楚。MoE 模型总参数量大但激活参数少,解码阶段更受显存带宽与 KV Cache 限制;通过 INT4/AWQ 或 GGUF 等 4-bit 量化可显著压缩权重占用,再结合 vLLM 张量并行、llama.cpp 分层切分提升多卡利用率。其技术价值在于让 V100 这类老架构 GPU 也能承载百亿级参数模型的私有化推理,并服务于 RAG 知识库、工作流 API、批量生成等场景。这次围绕 4×V100 32G 部署 Qwen3.

weixin_29061425的博客 353

“中国软件技术大会”简单了解

近8年的中国软件技术大会分会场的主题如下:   通过主题内容对比发现: 12年到15年的内容基本相同,都在   大数据分析,云计算&amp;企业架构,移动互联&amp;应用,产品管理&amp;用户体验,开发软件工程管理      这5块内容内。 17年人工智能开始进入中国软件技术大会,18年区块链也进入了中国软件技术大会。 17年 “云计算&amp;企业架构” 变换为 “云计算 &a...

王雪亮 2046

WINCC8.1工业组态软件安装与授权配置指南

SCADA系统作为工业自动化控制的核心平台,通过实时数据采集与监控实现生产流程可视化。WINCC作为西门子旗舰级组态软件,其8.1版本凭借稳定的运行时环境在汽车制造、流程工业等领域广泛应用。本文从工业控制系统软件安装规范切入,重点解析WINCC8.1与Automation License Manager的协同工作原理,详细说明包括系统环境检查、安装包校验、授权文件配置等关键技术环节。针对工程实施中常见的内存配置不足、授权管理器报错等典型问题,提供经过现场验证的解决方案,特别适用于需要进行产线监控系统升级维护

cqwf95925的博客 1662

总结-NuerIPS2023-Direct Preference Optimization:Your Language Model is Secretly a Reward Model

对比PPO,DPO的泛化能力更强。

m0_60361484的博客 1609

参加中国软件技术大会后的一点感想

2015双12,同学给的一张票,参加了中国软件技术大会,现在回忆一下自己一天          上午:阿里巴巴云代码交付平台一个架构师讲了一下怎么保证代码交付的正确性就像个广告一样!          下午:携程一个架构师讲现在把携程应用用Docker部署,讲了云计算下如何实现代码部署的低耦合,微服务等一系列          接着阿里的一个架构师介绍了一下自己的经历,二十多年入行经历,开发

luxiaobing2016的专栏 1180

【AI编程】Qoder AI 编程工具从部署到深度使用实战详解

Qoder AI 编程工具从部署到深度使用实战详解

congge 8348

2019中国软件技术大会将于12月13日在北京举办

欢迎联系《数据猿》寻求报道合作数据猿官网 | www.datayuan.cn今日头条丨一点资讯丨腾讯丨搜狐丨网易丨凤凰丨阿里UC大鱼丨新浪微博丨新浪看点丨百度百家丨博客中...

数据猿 1115

飞牛fnNAS搭建个人小账本

本文介绍了如何在飞牛NAS上部署ezBookkeeping个人记账应用。该开源工具支持多平台使用,具备双因素认证、多级分类等功能。文章详细讲解了Docker激活、镜像下载、容器部署等步骤,并展示了账户管理、交易记录等基础操作。同时指导用户通过ZeroTier实现远程访问,方便随时随地使用个人记账系统。该方案既保障了数据隐私,又提供了专业记账功能,适合对财务隐私敏感的用户。

dgnankai的专栏 784

在 SAP 中,Primary Cost Element(初级成本要素)与Secondary Cost Element(次级成本要素)的核心区别、作用及业务含义可归纳如下

摘要:SAP中初级成本要素与次级成本要素的核心区别在于:初级要素必须关联FI模块的损益科目,直接影响财务报表,用于记录外部成本(如电费、薪酬);次级要素仅存在于CO模块,用于内部成本分配(如分摊、作业分配),不影响外部报表。初级要素是"外部成本入口",次级要素是"内部成本搬运工",二者共同实现成本的多维度追踪与管理。

金牌架构师 764

优快云2009中国软件技术英雄会上海站会后感想

上个星期六(8月29日)去参加了在上海举行的“优快云2009中国软件技术英雄会”。如果说感想的话,就是一个词“失望”!要是用一句话来形容的话,那就是“非常失望”!说实在话,这次比去年在上海举行的那次实在是相差太远了! 首先,说说议程安排。优快云的总裁蒋涛在做开场演讲的时候就说,自从19世纪以来,中国所有的事儿都在delay。确实,他说的很准确,优快云的英雄会也没有例外。去年的时候就是推迟了...

soboer 110

IO Virtualization with Virtio.part 2 [十三]

通过对virtio_device_id 中的 device 和 vendor 的值进行比较,我们找到对应的 virtio 驱动,由于这里我们使用 i2c virtio 为例,所以调用 virtio_i2c_probe 进行 virtio i2c 设备的初始化。在和 virtio mmio 设备交互时我们会读取 VIRTIO_MMIO_DEVICE_ID 和 VIRTIO_MMIO_VENDOR_ID,并将其值写入 virtio_device_id 中,这个就会用作后面和 virtio 设备驱动的匹配参数。

cxjczy1990的博客 1212

2018中国开源大会

Open Source这个词在1998年初次被提出来,至今开源已经被提出20年 。2018年中国开源大会于10.20~21日在深圳举行,这是一次开源的盛会。这次大会由OSI中国成员“开源社”主办,参会的企业包含国内很多的大厂,还邀请了不少国外积极参与开源的机构。这两天了解了很多开源协作平台以及各种出色的开源框架。大会举行两天,在上午在主会场大咖上演各种科普,下午分设4个分会场无间断开展不同的主题演...

weixin_30251829的博客 289

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

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")

优快云2008中国软件技术英雄会上海站会后感想

    这已经是优快云第三次举办这样的大会了。由于前两界的开会地点不是在上海,再加上我很少关心这方面的事儿,所以直到优快云给我发Email邀请我参加,我才知道有这样的大会。    总体来说,这次大会还是非常成功的。当时大概有700多人参加了这个大会。    主题演讲中,我觉得Ivar Jacobson博士的“Be Smart!”是最成功的,取得了与会者的强烈共鸣。不过,遗憾的是给Ivar Ja

寒星轩 3051

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

2023年Google开发者大会纪录

仍然对这次的体验做了一个总结,分为优势和劣势两块,也不知道谷歌的官方人员能否看到,只是希望有机会他们可以看到这篇文章,了解一下我们普通开发者的感受吧。

分享+记录 926

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

2023百度云智大会:科技与创新的交汇点

对于城市交通,百度真的下了很大的功夫。在过去的五年多时间里,百度在智能交通领域也是有很多的成果,也成为了全球唯一实现了车、路、云、图全栈核心技术闭环的公司,而在这个过程中,百度就是基于交通的基础要素进行最大程度的积累,比如动静态交通数据、交通行业知识图谱和工程化能力。利用大模型强大的知识压缩能力,ACE 3.0可以将车、路、云、图的基本能力和交通全要素进行了聚合和泛化升级,针对地区的特殊性进行智能的交通方案。

Javascript_tsj的博客 1万+

互联网大会:马化腾先发制人 周鸿祎反扑【上】

原标题:2012中国互联网大会开幕 马化腾周鸿祎隔空交火 “3Q大战”已经过去快两年,腾讯和360的恩怨至今未解。昨天,2012中国互联网大会在北京开幕,一向低调谨慎的腾讯CEO马化腾在当天的演讲中暗讽奇虎360董事长周鸿祎及360公司,强调腾讯坚决反对假借用户之名做用户难以辨别的事情。此举惹得随后上台参加讨论的周鸿祎快嘴反攻。 马化腾先发制人 昨天,马化腾在互联网大会的领袖高峰

游手好弦 信步涂鸦 1万+

软件开发2.0技术大会归来

软件开发2.0技术大会好久没有6:00点起过床了,这两天为了赶上去往软件大会的班车,闹钟历史性的调到了6:00 北京的初冬早晨很黑也很冷,不过到达会场看到优快云员工红色的T恤和人山人海的场面马上就开始亮来和热起来。 <v:shapetype id="_x0000_t75"coordsize="21600,21600" o:spt="75" o:preferrelative

伴水之剑 3221

Vision VR/AR Summit Asia 2016圆满落幕

2016年12月14日-15日,为期两天备受行业关注的Vision VR/AR Summit Asia 2016大会在北京圆满落幕。本次大会吸引到来自全球各地的近1300多名VR/AR从业者和爱好者参与,并邀请到行业最具权威性的领军人物与大家共同探讨VR/AR前沿技术与创新应用。 Google、索尼、三星、微软、PTC Vuforia、小米、HTC、英特尔、Nvidia、Valve和...

孟迎霞 优快云 113

敏捷中国2010会议总结

<br /><br /> <br /> <br /> <br />回顾整个会议的过程,尽管只有两天的会议时间,但是会议前后的一系列活动对我的收获还是很多的,现将我的收获通过会前、会中、会后几个部分来和大家分享。<br />会前准备工作<br />在还没有被通知参加敏捷大会之前,我们已经开始接触敏捷的一些知识,最初听说敏捷也只是一个概念,并没有实际使用过,尽管经常挂在口头的像XP,RUP,ICONIX等一些理论性的东西。后来还是通过看公司购买的书轻松SCRUM之旅,SCRUM管理等,才对敏捷开发有了初步的认识

真水无香 793

老鱼看会:2017甲骨文云大会都说了些什么?

导语:甲骨文是一家很有特点的的公司,给人感觉强势而又话题性十足,在数据库领域目前还没有一家公司敢跟甲骨文叫板,在全面向云转型后依然是雄心勃勃。   大嘴Larry Ellison火爆而直接的炮轰对手,一...

ctkx13896的博客 281

三星 Android9,三星宣布:2019年1月推送首批Android9.0正式版,但是中国除外

原标题:三星宣布:2019年1月推送首批Android9.0正式版,但是中国除外昨日的三星开发者大会上,三星不仅是发布了首款可折叠屏幕的手机以及One UI,更加重要的是还宣布了一个消息:将会在2019年的1月为说三星Note9、三星S9以及三星S9+这三款手机推送Android9.0的正式版系统,但是,令人感到不满的是,此次更新时间点中国除外! 原来,此次三星宣布确定更新时间,同时还确定了首批A...

weixin_30496999的博客 205

2011湖南互联网站长大会开始接受报名

2011年,草根站长经历了互联网经济的快速发展时期,团购 微博 开放平台给站长带来的更多新的创业机遇,同时最新备案制度、互联网管制以及大型互联网公司的市场竞争等不利因素让处在发展期中的的草根站长无所适从,2011年的个人站长的出路在何方?草根站长的未来的出路在哪里?  2011湖南互联网站长大会将以“创业 创新 合作 共赢”为主题,作为大会根本原则和指导思想,邀请多名互联网资深专家为众多...

weixin_30617695的博客 120

参加优快云上海英雄会的感受

这是我第一次参加优快云的软件技术英雄会(8月29日),感受颇多。现场人还是蛮多的,也非常热闹。参加大会的既有业界资深的架构师、项目经理和CTO,也有新兴的创业者。我就自己的感受,对各位高手的演讲作一下点评吧,有班门弄斧之嫌,不管了。 (1)优快云蒋总的致辞。还不错,对业界趋...

chuifuhuo6864的博客 175
上一篇: PGBouncer介绍及使用方式
下一篇: 领域模型的一些讨论(zz)
barfoo
博客等级 码龄20年 11粉丝 45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