1493

FMSoft_uniGUI_Complete_Professional_1.70.0.1493.rar 立即下载

关于作者

查尔斯·曼恩是《大西洋月刊》《科学》和《连线》等知名刊物的撰稿人,曾三次进入美国国家杂志奖决赛的作者,被美国律师协会、美国物理研究会和兰南基金会授予过与写作相关的奖项。他的另一著作《1491》赢得了美国国家学院传播奖的年度图书奖。

关于本书

《1493:物种大交换开创的世界史》,全新解读哥伦布登上美洲大陆之后的世界史,令人眼界大开的科学解释,真正的全球高度的研究成果,本书先后被《纽约时报》、《华盛顿邮报》、《泰晤士报》、《纽约客》、《出版人周刊》等知名刊物推荐。



2621229-70204cd17a31a116.jpg
得到听书《1943》

点击查看大图,保存到手机,也可以分享至朋友圈

名词解释:

物种大交换:是指1492年哥伦布到达美洲之后,随着东西半球的交流往来,一些原本是各个大陆特产的物种,经由人类的活动,被带到其他大陆,这种人为引起的爆炸性的物种交流,对自然环境和历史进程都产生了重大影响,有些影响持续至今。科学家将这一事件称为“物种大交换”,或“哥伦布交换”。

物种大交换对历史的影响:

案例一:

原产于中美洲的烟草,被移植到北美,并成为美国的前身英属北美殖民地的经济支柱;随着英美烟草贸易,英国的泥土以及其中的蚯蚓也被带到美洲,蚯蚓彻底改造了北美生态环境,造成很多原生物种灭绝,并为殖民者开拓美洲做出了贡献。

案例二:

一些携带有疟疾病病原体“疟原虫”的欧洲人将疟疾病带到美洲,并通过美洲的蚊子大范围传播,造成土著人口大量死亡,帮助殖民者征服美洲。同时由于人口锐减,劳动力不足,又催生了奴隶贸易,非洲的黑人被作为奴隶引进美洲。后来美国独立战争,以及海地独立战争期间,疟疾病又帮助他们打败了镇压独立的欧洲宗主国军队。

案例三:

西班牙殖民者在美洲开采的白银,通过贸易大量流入明代中国,促进了明朝后期的经济繁荣,但同时也影响了明朝的金融秩序,引发通货膨胀等后果,并最终压垮了明朝的财政,这是明朝灭亡的重要原因之一。

案例四:

原产于美洲的烟草、番薯、玉米等农作物,被引进亚欧大陆,改变了许多国家的饮食习惯和营养结构,同时这些高产作物也为包括中国在内的东半球人口增长做出了贡献。

案例五:

原产于南美洲亚马逊河流域的橡胶,被开发为新的工业材料,在工业革命中广泛应用。同时由于橡胶的经济价值,橡胶树被移植到非洲和亚洲的热带地区,对当地生态造成很大影响。

总结:

我们以往认为,我们人类就是历史的绝对主角,但其实我们往往忽略了,其他物种(也包括没有生命的矿物)对历史的影响,有时候来得更大,甚至会左右我们人类历史的发展进程。所以,这本书其实也提醒了我们,看待历史、看待生态环境、定位人与自然的关系,我们需要更开阔的视野,和一颗更深怀敬畏的心。这就是我们读这本书的意义。

金句:

1.中国小孩是怎么得到他手里的番薯的呢?答案是哥伦布。科学家们将哥伦布看成是无意间开启了全球范围内爆炸性生物交换的人。在他建立了东西两半球的联系之后,数以千种的动植物物种在大陆之间往来不绝。这是恐龙灭绝以来生命史上最重要的事件。历史学家称其为“哥伦布大交换”。

2.哥伦布大交换能在很大程度上解释为什么英国人输掉了美国独立战争,为什么墨西哥城成了世界上第一座真正国际化的城市,以及为什么数以百万不情不愿的非洲奴隶被运过了大西洋。事实上,这都与本书的主题——即哥伦布大交换有关。

3.(被作为奴隶引进美洲的)西非与中非的成年人,是世界上最不容易感染疟疾的人,因为他们有对疟疾的遗传性抵抗力……20世纪初曾有种族主义者叫嚣,是基因优势造就了他们的优越性,而西非人的遭遇恰好说明他们的谬误:他们的免疫力成了他们被奴役命运的源头。

4.无论郑和航行多远,都没有遇到比他的祖国更富强的国家,从技术上说,中国已经遥遥领先欧亚大陆的其他地区,郑和完全可以绕过非洲,抵达欧洲,但帝国终止了航海活动,原因和美国停止送宇航员登月一样:那里没有什么东西值得支付这么大的成本。

5.工业革命需要三种原料:钢铁、化石燃料和橡胶。

6.全球化既带来了经济进步,同时也带来了巨大的生态和社会危机,从而可能威胁到前者的成就——4个世纪之前的历史事件,奠定了我们当下经历的事件的基础。

撰稿:王谨

脑图:摩西

转述:于浩

unigui1493 unigui1493 1 立即下载

相关推荐

植物大战僵尸android源码

植物大战僵尸android完整源码,对源码的分析详见我的博客Android植物大战僵尸附源码 http://blog.youkuaiyun.com/codehxy/article/details/25539471

你若在我身边

你若在我身边 我来买菜 你来做饭 我来刷碗 你若在我身边 我选地点 你选电影 我来买单 你若在我身边 我们一起跑步 我们一起摘草莓 我们一起爬山 你若不在我身边 我只能用微信短信电话 对你诉说思念早安午安晚安 可惜你不在我身边 终有一天我们将相见 那一天你会不会泪流满面 你会不会怪我只会嘘寒问暖 那一天你会不会责怪抱怨 你会不会说我发发短信怎么就是爱你遥远的温柔怎能走进你...

codehxy的专栏 167

【全新官方接口】php检测微信域名拦截,检测微信域名被封

你的域名在微信被拦截的3种常见情况 1、域名因违规或有风险被拦截(红色拦截) 2、类似taobao.com,douyin.com这种的恶意竞争式拦截,淘宝、抖音等微信的竞争对手一般都是白色拦截(白色拦截) 3、有一个中间页的拦截,需要多次点击按钮才可以跳转到你的域名的,多是一些新型域名后缀,例如.top .xyz .link后缀,这种情况,备案后可以解决(备案拦截) 通过php get_headers()函数就可以分析到结果 这个下标为6是一个URL,在微信访问后正是这个讨厌的页面! 如果切换为

TANKING,开源开发者! 2875

Android反编译

网址更新

codehxy的专栏 882

ISP之LSC(Lens Shading Correction)

LSC - Lens Shading Correction即镜头暗影校正。

IQ_WXY的博客 5097

那些年对支付宝的研究[整理]

支付宝功能强大.他内部各个功能间的跳转是通过Uri 实现的.而使用window.location.href 即可.跟浏览器一样的协议.很方便 H5启动支付宝: alipays://platformapi/startapp?appId=20000067&url=网址 alipays://platformapi/startapp?appId=20000691&url=网址 ali...

技术专研 8915

Android 在Java代码中设置style属性--使用代码创建ProgressBar对象(反射机制)

在andriod开发中,很大一部分都要与资源打交道,比如说:图片,布局文件,字符串,样式等等。这给我们想要开发一些公共的组件带来很大的困难,因为公共的组件可能更愿意以jar包的形式出现。但是java的jar包中只允许出现java代码而不能出现资源。 当我们想要以jar包的形式提供我们自己开发的公共组件时,我们就需要把以代码的形式创建资源。 下面提供一个使用全Java代码的形式创建一个Pro...

xiechengfa的技术笔记 517

WPF数据可视化:LiveCharts自定义X轴与Y轴的5个实战技巧(附完整代码)

本文详细介绍了在WPF应用中使用LiveCharts进行数据可视化时,自定义X轴与Y轴的5个核心实战技巧。内容涵盖精确控制刻度步距、深度定制视觉样式、实现多轴布局对比、优化显示空间以及构建响应式动态轴,并提供了完整的C#和XAML代码示例,帮助开发者创建专业且用户体验出色的图表。

moss5的博客 691

Android-ADB命令

参考文章: http://blog.youkuaiyun.com/yunnywu/article/details/7975451 http://blog.youkuaiyun.com/codehxy/article/details/49763701 Android 常用shell命令记录下来备忘 1,设置adb环境变量 其实就是将adb.exe的路径放到Path中,目的是cmd直接可以使用ad

twodotwater的博客 2263

Python爬虫实战:爬取国家气象局台风路径数据的完整教程

国家气象局(如中国气象局)一般会在官方网站公布台风的实时路径,包括台风编号、名称、时间点、经纬度、中心气压、最大风速等信息。这些数据以图形和表格的形式呈现,有时以JSON或CSV文件形式下载。爬取这类数据,有助于构建台风数据库、历史路径分析、趋势预测等应用。本文详细介绍了如何通过Python爬取国家气象局发布的台风路径数据,涵盖了数据采集、解析、存储和可视化全流程。通过实践,你可以构建自己的台风数据库,结合机器学习开展路径预测和风险评估等高级分析。后续可结合深度学习技术,实现台风轨迹预测;

2201_76125261的博客 1024

搭建ROS小车真的难吗?

搭建ROS小车真的难吗?不难 1.引言 本着为大家谋福利的心态,根据自己以往的开发经验,打算写一个从零开始制作一个可以实现地图构建和导航的ROS小车。目前某宝上面有很多现成产品,但是我个人认为,一个好的移动机器人开发工程师,应该对机器人的整个流程都能具备维护的能力,然后再深入研究其中一个方向即可。看到网上很少有整个系列的开发教程,看到同学们大多东拼西凑,浪费了不少时间。我就想着利用空余时间,将我本人的开发过程输出给大家。有基础理论、有实际工程代码、有丰富的学习资料,尽最大努力帮大家进入移动机器人的大门。 国

「小白学移动机器人」一个专注分享移动机器人相关知识的公众号! 1万+

1493:物种大交换开创的世界史

* 以昆虫,矿产,农作物和病菌的视角写成的世界史。 1. 烟草,打开了美洲的财源,蚯蚓带来了肥沃的的土地。疟疾,传播疾病,为殖民开路,蚊子间接促成了美国战争胜利 2. 美洲输出的白银,影响中国的财政和经济。大量的白银流入中国,导致明朝白银贬值。 3. 橡胶,影响工业革命。橡胶的弹性,可塑性。更大的作用是用在蒸汽机的密封气缸。工业革命三种原料,钢铁,石油,橡胶。 4. 开怀视野,拥有一颗身怀敬意的心。

Osean_li的博客 1860

银河麒麟高级服务器V11操作系统安装部署zabbix监控平台的实操保姆级教程

本文详细介绍了在《银河麒麟高级服务器V11上安部署Zabbix监控系统的全过程》涵盖了zabbix监控系统涉及到的所有软件安装、参数优化、服务启动验证及防火墙配置等一系列实操。其中关于安装过程报错undefined symbol: usmAES256CiscoPrivProtocol;ares_reinit等依赖库问题进行了详细记录与分析解决;还提供了Web前端中文显示修复方案和Admin密码修改方法。实现监控平台的100%部署上线,实现对业务系统的实时监控,保证业务的稳定运行。

提供C#相关开发 、云计算、运维测试、网络安全相关技术分享与服务,有意向可联系。 531

hdu 1493 qq宠物

hdu 1493 QQpet exploratory park 概率dp 题目网址: http://icpc.njust.edu.cn/Problem/Hdu/1493/ 本来以为很简单,结果硬是坑了将近2小时才ac,妈耶~ 这样的话小学期课设就要挂了5555555~ 想了半天才想起前天看的书上的一句话:memset按位初始化,我说怎么第二组数据出来的概率怎么不对劲! memset(z,0,10...

AC之炼金术师_博客 217

手把手教你学GPU的KMD专栏--3.4 中断处理机制与优化

记住,中断处理是GPU与CPU通信的"桥梁",没有高效的中断处理,GPU的性能将无法充分发挥。KMD通过"快进快出"原则、事件标志机制、GPU本机围栏等技术,实现高效、低延迟的中断处理。:GPU本机围栏机制允许GPU在满足特定条件(如围栏值达到某个阈值)时才触发中断,而不是每次围栏更新都触发中断,从而显著减少CPU唤醒次数,降低功耗。正如Microsoft GPU架构师在2022年WinHEC大会上指出:"没有好的中断处理,再强大的GPU也会被系统延迟拖垮。:多个GPU设备共享中断,导致中断处理混乱。

MHD0815的博客 112

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

LeeCode题库第1493题

这题要求返回最长的且只包含1的非空子数组的长度,我们利用right和left记录全一数组的两个端点,利用record记录上一个0的位置。当record不为-1时,说明已经出现过0,则需更新ans的值,更新left为上一次遇到的0的右边,之后更新record为已知的最靠右的0的位置。删掉位置 4 的数字后,[0,1,1,1,1,1,0,1] 的最长全 1 子数组为 [1,1,1,1,1]。请你在删掉元素的结果数组中,返回最长的且只包含 1 的非空子数组的长度。如果不存在这样的子数组,请返回 0。

2301_80195716的博客 495

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

UVA1493 - Draw a Mess(并查集)

UVA1493 - Draw a Mess(并查集) 题目链接 题目大意:一个N * M 的矩阵,每次你在上面将某个范围上色,不论上面有什么颜色都会被最新的颜色覆盖,颜色是1-9,初始的颜色是0.最后输出这个矩形中,每个颜色有多少个。某个范围这个分为了四种,圆,矩形,菱形,还有正三角形(倒着的)。注意这题的边界,不能超出这个矩形,很容易越界。 解题思路:因为题的矩阵范围是200

943

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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")

BZOJ1493 [NOI2007]项链工厂

BZOJ1493 [NOI2007]项链工厂 未完待续。。。 终于改对了 热泪盈眶.jpg 错误原因:pushdown的时候没有判断是否有左右儿子,也没当x=0 return,于是出现一些奇怪的错误 1 #include<bits/stdc+...

anchoupi8353的博客 216

UVA 1493 - Draw a Mess(并查集)

UVA 1493 - Draw a Mess 题目链接 题意:在一个n*m平面上,有4种操作,对应把相应区域颜色涂成v(1 思路:并查集,由于颜色涂上去会覆盖,这样我们就可以反向执行操作,这样保证每次操作如果之前有颜色就不能涂,如果没有就可以涂,然后一共有200行,每行都利用并查集压缩路径,查找下一个能涂色的位置即可 题目中说三角形边一定是奇数,可居然有偶数的。。。被这个坑

Remilia's 1082

P1493 分梨子(NW)

时评作者保持 day 3000 字,写 blog 算不算表达观点呢?简要题意:二维平面nA×xi​−minxB×yi​−miny≤C其中minxminxi​minyminyi​n≤5000xi​≤10000yi​≤10000,ABC在 int 范围内。

Tonvia的博客 956

力扣1493.删掉一个元素以后全为1

单调队列:找到一个最多1个0的子数组 最终结果为该子数组长度-1。

Pisasama的博客 360

poj解题报告——poj 1493 Machined Surfaces

原题入口poj 1493 Machined Surfaces题目描述Machined Surfaces Time Limit: 1000MS Memory Limit: 10000K Total Submissions: 3696 Accepted: 2268Description An imaging device furnishes digital images of t

AlbertS Home of Technology 1000

Oracle Security Alert for CVE-2013-1493 java

Description This Security Alert addresses security issues CVE-2013-1493 (US-CERT VU#688246) and another vulnerability affecting Java running in web browsers. These vulnerabilities are not applicable ...

weixin_34162629的博客 105

ora-1493,no data found

为什么80%的码农都做不了架构师?>>> ...

weixin_34008784的博客 156

uva 1493 - Draw a Mess(并查集)

题目链接:uva 1493 - Draw a Mess 题目大意:给定一个矩形范围,有四种上色方式,后面上色回将前面的颜色覆盖,最后问9种颜色各占多少的区域。 解题思路:用并查集维护每一个位置相应下一个能够上色的位置。然后将上色倒转过来处理,就攻克了颜色覆盖的问题。 #include <cstdio> #include <cstring>...

weixin_30644369的博客 83
上一篇: ConcurrentModificationException
下一篇: 成长记录 | 两个月内有目共睹的成长
SeekSage
SeekSage 领域专家: 操作系统技术领域 领域专家: 操作系统技术领域
博客等级 码龄13年 364粉丝 286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