谁是你今生要等的人?

从ADRV9002到ADRV9003:手把手教你移植FPGA驱动,避开那些官方没说的坑 本文详细介绍了从ADRV9002到ADRV9003的FPGA驱动移植实战指南,重点解析了两者在硬件架构上的关键差异,如通道配置和DPD功能的移除。通过提供完整的移植步骤、调试技巧和性能优化建议,帮助工程师避开官方文档未提及的常见陷阱,实现高效驱动开发。 阅读详情

        有许多故事是从第一眼开始的。当你第一次看着某人眼睛的时候,你知道他/她就是你今生要等的人。于是一种怪怪的感觉在心头滋生,无尽的情丝开始与你相通,让你相信有许多美丽的故事会美丽地与他/她相连。这样的爱来得很容易,让人来不及防备,它的产生仅仅是因为同在一片天空下,有份“低头不见抬头见”的默契。又或是有那么一次在时间的荒园里、地域的无垠中,我们擦肩而过。
  但无论怎样,我们是爱了,爱上了哪个并不相识的陌生人,并且爱得真诚,爱的彻底。而爱过之后才知道并不是所有的暗恋都是快乐的,相对的付出未必有令人释然的感觉。因为谁都明白:他/她从来没来过,只是不经意地路过;而自己也不是终点,只是他/她途中的小站。

  于是当我们感谢上苍安排我们与心仪的人茫茫人海相遇时,又不禁为擦肩而过的薄缘苦恼,不顾一切,毫无奢望地表白未必会令对方相信,纵然相信,也不一定会对你有什么好感。他/她可能这样说:“也许我对你是白马王子/白雪公主,但你对我,却不是梦中情人。”

  要美梦远离心碎,唯一的办法就是沉默或是等以后有机会再说。但人生处处布满驿站,一转身便成离别。席慕容对此作最好的诠释:这个世界有很多事情,你以为明天一定可以再做的。有许多人你以为一定可以再见面的……太阳落下去了,而在它重新升起来以前,有些人从此就和你永别了。

  说,造成的是伤害;不说,留下的上遗憾。所以注定会是痛苦。而我又为什么爱?为什么痛?为什么选择?我们为爱而痛,为痛而爱,因此我们选择了放松。“聚散天定”便是最好的借口。

  佛家说:一切人间的聚散,固然不可缺少人为的力量,但更能左右我们的却是看不见的缘分。我们信了,却还是觉得今生错过了些什么。也许多年以后,当我们渡着岁月之舟重回青春渡口时,会觉得有太多的东西值得回味。偶尔又想到:“如果当初表白了,又会怎样?”

  汪国真说:“过错是一时的遗憾,错过,是永远的遗憾。”但要对着一个陌生的人清清楚楚地说一句“我喜欢你”,那是圣人做的事。而我们是俗人,现实、真实的俗人。俗人随手一翻,恰是张爱玲的《真爱》:“于千万人之中见到你所要见到的人,于千万年之中,时间的无崖的荒野里,没有早一步,也没有晚一步,刚巧赶上了,那也没有别的话可说,惟有轻轻的问一声:噢,你也在这里吗?

华为OD机考双机位C卷 - 手机App防沉迷系统(Java & Python& JS & C/C++ & GO ) 华为OD机考双机位C卷 - 手机App防沉迷系统(OD上机考试双机位C卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。 阅读详情

相关推荐

从理论到板级:FOC电机驱动硬件电路全链路设计解析

本文从硬件工程师视角,深度解析FOC电机驱动从理论到板级实现的全链路设计。重点剖析了电源保护、核心采样电路、三相逆变桥与驱动电路等关键硬件模块的设计要点与实战经验,强调硬件是FOC算法可靠运行的基石,并提供了PCB布局布线的核心原则,帮助开发者构建高性能、高可靠性的电机驱动硬件平台。

weixin_29240711的博客 335

佛说,今生你嫁的人,是前世葬你的人

<br />从前有个书生,和未婚妻约好在某年某月某日结婚。到那一天,未婚妻却嫁给了别人。书生受此打击,一病不起。这时,路过一游方僧人,从怀里摸出一面镜子叫书生看…… <br /><br />  书生看到茫茫大海,一名遇害的女子一丝不挂地躺在海滩上。路过一人,看一眼,摇摇头,走了。又路过一人,将衣服脱下,给女尸盖上,走了。再路过一人,过去,挖个坑,小心翼翼把尸体掩埋了。 <br /><br />  僧人解释道,那具海滩上的女尸,就是你未婚妻的前世。你是第二个路过的人,曾给过他一件衣服。她今生和你相恋,只为还你

dongz0329的专栏 1455

YooAsset 2.2.12四层加密架构:跨平台资源安全实战指南

AssetBundle加密是Unity热更新安全的核心环节,其本质是通过算法、密钥管理与生命周期协同实现资源全链路防护。传统方案常陷于‘打包后加密’的误区,导致内存开销大、跨平台兼容差、逆向防护弱。YooAsset 2.2.12提出打包层、传输层、加载层、运行层四层防护架构,将加密前置到资源序列化前,并依托BundleHeader实现动态算法协商与密钥分发,显著提升iOS/Android/WebGL三端一致性。该方案兼顾AES-128等通用算法与SM4等国密支持,同时通过IMemoryDecryptor实现

weixin_32428571的博客 416

佛说.今生娶你的人,就是前世埋葬你的人

佛说.今生娶你的人,就是前世埋葬你的人   从前有个书生,和未婚妻约好在某年某月某日结婚。到那一天,未婚妻却嫁给了别人。 书生受此打击,一病不起。这时,路过一游方僧人,从怀里摸出一面镜子叫书生看…… 书生看到茫茫大海,一名遇害的女子一丝不挂地躺在海滩上。 路过一人,看一眼,摇摇头,走了。 又路过一人,将衣服脱下,给女尸盖上,走了。 再路过一人,过去,挖个坑,小心翼翼把尸体掩埋了。 僧人解释道,

myadvice的专栏 3663

Python实现高光谱图像生成与增强:从RGB到多光谱转换(附完整代码)

本文分享一个基于Python的实用工具,能够将普通RGB图像转换为模拟高光谱图像,并进一步生成增强的彩色可见图像。为了直观展示图像细节,程序通过对特定波段的组合,生成了一幅增强的 RGB 彩色图像。该函数的主要目标是将一张普通的 RGB 图像转换为包含多个波段的高光谱图像。通过该函数,我们能直观地看到高光谱图像经过波段组合后所得到的彩色图像效果。通过以上代码,我们可以实现对海量图像数据的自动化处理,极大地提升工作效率。已附在文中,欢迎下载测试!通过以上步骤,我们可以生成一幅包含多个光谱波段信息的图像。

m0_74824642的博客 3672

【杰理AC696X】ADKEY复用指示灯不定时出现灯不亮或按键失灵的问题

测试SDK版本:《ac696n_soundbox_sdk_v1.5.0-20211217》ADKEY复用指示灯的做法多用于蓝牙小音箱,IC引脚越来越少,复用也就用的越多了,不过,在使用前应评估好功能,因为复用的做法,肯定会牺牲点东西的,如果体验感啥的。 比如这个图,(V-)按键按下时,LED是会一直导通发光的,按不同阻值的按键还有亮度不一致的问题,这样的问题有的客户是不接受的,这就要另寻他法了。某天调好案子,放在一边测试时,发现指示灯不亮了,按键也不起作用,想起之前AC692系列也有类似的问题,很快就定位到

xx842678的博客 1657

今生的人

今生你嫁的人,就是前世葬你的人佛说:今生你嫁的人,就是前世葬你的人从前有个书生,和未婚妻约好在某年某月某曰结婚。到那一天,未婚妻却嫁给了别人。书生受此打击,一病不起。这时,路过一游方僧人,从怀里摸出一面镜子叫书生看…… 书生看到茫茫大海,一名遇害的女子一丝不挂地躺在海滩上。路过一人,看一眼,摇摇头,走了。又路过一人,将衣服脱下,给女尸盖上,走了。再路过一人,过去,挖个坑,小心翼翼把尸体掩埋了。僧...

weixin_30872789的博客 85

QCM2290 PM-3 如何让mirco-usb支持关机充电

PM4125-3插入type-C触发开机进入关机充电的CC脚中断条件是否可以软件上屏蔽, 做到只通过VBUS中断即可触发进入关机充电模式,达到和PM4125-2的效果一样只要插入micro USB 就可以触发进入关机充电模式。硬件团队提议修改寄存器 SCHG_L_MISC_SYSOK_CFG 0x164A bit[4] 目前修改如下 — a/BOOT.XF.4.1/boot_images/QcomPkg/Library/PmicLib/target/Agatti_pmCocos/psi/pm_confi

墨染天玑的博客 445

今生你嫁的人就是前世葬你的人

 从前有个书生,和未婚妻约好在某年某月某日结婚。到那一天,未婚妻却嫁给了别人。 书生受此打击,一病不起。这时,路过一游方僧人,从怀里摸出一面镜子叫书生看…… 书生看到茫茫大海,一名遇害的女子一丝不挂地躺在海滩上。 路过一人,看一眼,摇摇头,走了。 又路过一人,将衣服脱下,给女尸盖上,走了。 再路过一人,过去,挖个坑,小心翼翼把尸体掩埋了。 僧人解释道,那具海滩上的女

配角 608

卷积神经网络中的自注意力机制(Self-Attention Mechanism)

卷积神经网络中的机制表现为操作,其实现过程与Seq2Seq模型的自注意力机制类似。标准的卷积层是一种局部滤波操作,其输出特征上的任意位置是由对应输入特征的一个邻域构造的,只能捕捉局部特征之间的关系。而自注意力机制通过计算任意两个位置之间的关系直接捕捉远程依赖,而不用局限于相邻点,相当于构造了一个的卷积核,从而可以捕捉更多信息。在卷积网络的自注意力机制中,首先构造输入特征x的键特征fx, 查询特征gx和值特征hx;

AI天才研究院 1501

苹果生态最佳搭档:Mac mini + OpenClaw + iPhone 远程控制

本文详细介绍如何通过iPhone远程控制Mac mini上的OpenClaw应用,打造高效苹果生态工作流。内容包括:1) 苹果生态整合优势,包括AirDrop、Handoff等功能对比;2) Mac mini配置步骤,涵盖SSH/VNC设置、网络优化及Docker部署OpenClaw;3) iPhone端SSH/VNC客户端选择与Tailscale内网穿透配置;4) 详细SSH密钥设置与连接测试方法。通过这套方案,用户可实现跨设备无缝控制OpenClaw应用,提升远程工作效率。(149字)

一键难忘的博客 797

今生你嫁的人,就是前世葬你的人!

原文 从前有个书生,和未婚妻约好在某年某月某日结婚。到那一天,未婚妻却嫁给了别人。书生受此打击,一病不起。这时,路过一游方僧人,从怀里摸出一面镜子叫书生看……             书生看到茫茫大海,一名遇害的女子一丝不挂地躺在海滩上。路过一人,看一眼,摇摇头,走了。又路过一人,将衣服脱下,给女尸盖上,走了。再路过一人,过去,挖个坑,小心翼翼把尸体掩埋了...

阿Q的家 242

【同等学力】2025-数学✨

本文主要涵盖了谓词逻辑、集合论、图论和排列组合等多个数学领域的题目。在谓词逻辑部分,要求用全称量词和存在量词表达“没有两个人的指纹完全相同”。集合论部分涉及集合运算的证明,如证明(A-B)-C=(A-C)-(B-C)。图论部分包括计算给定10个点的联通图的边与面数。排列组合部分则要求计算从8个人中选6个并分为三组的不同方法。此外,还涉及偏序、长链、反链、二项式定理等相关内容,参考了多个优快云博客中的解题思路。

super_mochi1 689

你是我今生该等的人

茫茫人海 相识是一种缘 相知是一种情 相逢是一首歌 虽然网络是虚拟的 但网络背后的你我必定真诚 感激网络中的你 温暖了我使我懂得了珍惜 或许我们之间不可能有永远 但心灵与心灵的相通 是不图天长地久的 只要曾经拥有只要真心爱过把你的梦种在我的心田吧 让我细心的呵护融入你的梦乡 让我的关怀 渐渐成为你生命中的重要 让我们的故事 融化为一弯碧蓝的水 变成一首幽远的情歌 温柔地把你陪伴 直到永远永远 无论

专注微软Dynamics AX,越努力越幸运! 551

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

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")

借事修人的前世今生

“借事修人的前世今生” 是一个充满哲理和实践智慧的话题,它既是一种个人成长的理念,也是一种管理哲学。这一理念强调通过具体的事情、任务或挑战来磨练人的能力、性格和心性。从古代的修身齐家治国平天下,到现代的企业管理和个人发展,“借事修人”始终贯穿于人类的成长历程中。 (2) 个人成长中的应用 职业发展: 在工作中主动承担更多责任,通过解决实际问题提升自己的竞争力。 生活实践: 在日常生活中,通过处理家庭事务、社交关系等问题,修炼情商和耐心。 案例: 学习一项新技能(如编程、绘画),通过不

长风破浪会有时的博客 706

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

今生,总有一个人是为你而来

今生,总有一个人是为你而来,他会用生命之花将你的忧伤一一覆盖,哪怕你的四周是沙漠与荒田,他也会努力为你开辟种植出绿荫和花海,遇见他你将明白,什么才叫做有一种相遇是上天最美的安排。 今生,总有一个人是为你而来,他会用他的柔情与大爱填充你生命的留白,哪怕你面临绝境、一无所有,他也会不离不弃陪你走过一季又一季的花落花开,用无声的付出为你抵挡尘世风雨的一次次袭来。 今生,总有一个人是为你而来,他会把梦...

612

佛说:人就是苦今生修来生

转载:一、前缘 我在佛前沉睡了千年,直到有一天遇到你,我落下一颗忧郁的泪。佛说:我因无爱而成佛,你贪恋凡尘如何成佛?我忏悔。佛说:忏悔无用。你有未了的前缘,去 吧,去续你的姻缘,我等你回来。为此,我在菩提树下求了五百年。你说:自你在佛前求与我相遇的那一刻起,我整整失眠了五百年。我问:冥~冥~众~中,你是 否是我为~缘而几经~伦~回~~的那个人?你说:是的,五百年前的那一天,你无意中经过了有我

Robert's Log 2201

今生,只想做一个平凡的人

今生,只想做一个平凡的人

matinal 當冬夜漸暖 。公众号:matinal 1296

今生每一个你见到的人都是业力感召而来的

今生每一个你见到的人都是业力感召而来的 2012年01月04日   【珍惜得人身的机会 更要珍惜闻法的因缘】   恶道众生,虽然里头有不少善根福德深厚的,但是恶道的缘很恶劣,能够触动他善根福德相当困难,很不容易。即使蒙佛力加持,地藏大士的慈悲,真正能够觉悟回头的少之又少。这种情形,我们不难想到,为什么?人道比三恶道聪明太多了,佛在经上赞叹,六道众生唯有人道容易觉悟。容易觉悟,有几个人觉...

am074am 1140

十步杀一人、Activity前世今生

先说一下取这个名字的意义,十步杀一人,近来临近找实习,而Android岗位市场渐渐饱和,对于应聘人的要求也就越来越高,筛选的条件也越来越高。而正是一些基础的问题会把很多人筛选掉,十步杀一人的不是那些看似炫酷的东西,而是这些我们平时容易忽视的原理。 笔者不才,只是浏览过源码,打算今天开始复习一下这些知识,不能被杀啊。。 今天给大家总结一下Activity的相关知识,会涉及到一些源码相关的知识,Ac

CallMeSP的博客 707

ai前世识别_ai人脸识别前世今生app

ai人脸识别前世今生app是一款有趣的测算你ai人脸识别前世今生的娱乐软件。很多人都相信有前世这么一说,你想知道你的ai人脸识别前世今生是什么样子么?也许前世的你是皇帝?王爷?公主?富翁?ai人脸识别前世今生app可以根据你的姓名八字测试出你的前世,喜欢的朋友快来下载ai人脸识别前世今生吧!每个人都有过去的生命,上辈子您有着怎样的人生?你想知道自己的过去生命是谁吗?ai人脸识别前世今生的轮回,测试...

weixin_33514582的博客 1638

今生注定遇到的三个人

张爱玲前辈曾说里一句非常精辟的话:每个男人的心里都有两朵玫瑰一朵红玫瑰,一朵白玫瑰。    我认为对男人而言:他该有三个女人。    一个是白莲花,那是男孩的初恋,冰清玉洁,美丽如梦。只可远观而不可亵玩焉。对很多男人来说,那都是一朵在青春青涩的梦里一再摇曳的遥不可及的白莲。    一个是红玫瑰。那是男人的热恋。  火红热烈,震憾如电。不但可以紧拥入怀,还可以尽情亲吻。男孩经过红玫瑰的洗涤,变成了一...

weixin_30877181的博客 107

亲爱的你是我今生等待的人

 漫天的雪花飞舞,飘落在手心,悄悄地融化,化作水滴,从指缝中溜走,又一次升华到天空,不停的循环着,这就是雪与水的宿命。我曾试问过自己,我生命中的那位仙子何时会出现,我的宿命又将怎样?   初冬时的第一场雪飘落,到处是白雪皑皑的景色,我和小仙手舞足蹈的不停玩耍,小仙用手去抓雪,想要将雪花抓到手中,雪落在小仙的手上,小仙凝视着雪,问我:“冉冉哥,为什么雪到了手里会化呢?”   “那是因为手是热的,雪

hawaiiboys的专栏 685

《二代妖精之今生有幸》粉丝是什么意思,就是很喜欢你的人

身负巨债的动物饲养员袁帅,为了还清百万巨债,他四处与富家女相亲,却误打误撞爱上来人间报恩的狐妖白纤楚。 1.“粉丝是什么意思?” “就是很喜欢你的人。” “那我是你粉丝。” 2.你们平时,这个妖怪之间聊天,穿衣服吗? 不穿啊。 裸聊啊。 我们有毛啊。 3.“我要跟你结婚,生孩子,我...

chunxu6737的博客 234

前世回眸,今生结缘,滚滚红尘,谁人可依

9。前世回眸,今生结缘,滚滚红尘,谁人可依!所谓伊人,在水一方,佳人难依,泪流千行!凭窗独倚,月洒憔颜,自顾盼,独悲伤!情丝难剪,相思难断,日日思,夜夜盼!喜鹊临枝,凭添凄凉,心无所望,泪洒裙裳!岁月如梭,怎堪蹉跎?红颜易老,怎奈流觞?若相依,莫别离!      10。沧海泪,巫山云,紫陌红尘的繁华沉醉中,蓦然回首,那如花的容颜,那似海的柔情,会闪耀光影无间的泛黄流年,于史卷上镌刻永恒

u013251015的专栏 818

诠释的伤感独特个性日志发布:你是今生最让我伤心的人

诠释的伤感独特个性日志发布:你是今生最让我伤心的人 — 诠释的伤感独特个性日志发布:你是今生最让我伤心的人 因为有你,我认真过,我改变过,我努力过,我悲伤过… 我傻,为你傻;我痛,为你痛;深夜里,你是我一种惯性的回忆… 我不想在为过去而挣扎,我不想在为过去 而努力,我不想在为思念而牵挂,可这些都只是不想,我、做不到… 有一种坚持是心痛,有一种放弃是孤独;生命里剩下的只有等待与思

daptgvusa的专栏 1303

前世相欠,今生相见

前世相欠,今生相见

xiaoye3708的博客 342
上一篇: Update myself to update my life!
下一篇: 随意牵手,不要随便分手~~
coderzhou
博客等级 码龄24年 9粉丝 93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