浮躁,浅尝辄止!

深入解析UDS 0x19服务:DTC状态掩码与故障诊断实战 本文深入解析了UDS诊断协议中的核心0x19服务(ReadDTCInformation),重点拆解了DTC状态掩码(DTCStatusMask)的八个状态位及其在故障生命周期中的联动逻辑。通过实战案例,详细说明了从故障发生、确认到清除的全过程,并介绍了如何利用该服务进行深度诊断,包括读取扩展数据(如冻结帧)和避免常见开发误区,是理解汽车ECU故障管理机制的关键。 阅读详情
      虽然过去了十几年,依然清晰地记得高中最后一年的那个年迈的物理老师说我“浅尝辄止”,那时候根本没有当回事,依然我行我素。今天的我已经三十一岁了,整个软件业界流行浮躁的风气,很少有人能静下心来真的做点事情。曾经我也有过非常远大的理想,但是随着时间一天天过去,慢慢成了美丽的泡影。
      最近这段时间我一直在想,我要做点什么,直到周末在今声书店躲雨,看到一本打折的学英语的书,因为作者是新东方的胡敏。虽然我没有上过新东方的课,但是看到新东方这个名字还是如雷贯耳,很是崇拜。我前面看了一点,跳到最后看作者传记,我喜欢看这种个人经历,其中有一段题目是“驻足长吟”。现代人生活节奏很快,没有时间是听到最多的话,总是忙于做这个做那个,但是就是没有静下心来思考一下生活的目标,这辈子要做点什么?
       联想我自己,要学的东西太多了,买了很多书,可是大多数还是新书在那里。拿起一本书第一二章看得比较仔细,看着看着就想快点看完,最后不了了之,然后重新拿起一本相似的书重新从头看,永远都是初学者,永远都不能入门。想起高中阶段花了多少时间看电子技术方面的东西,到头来还是初学者一个,只能看些入门文章。专注是做好任何事情的首要条件,如果卡马克不能专注于游戏引擎设计能够一直领跑游戏领域吗?很多数学家在很多领域都有建树,但是他们在某段时间是专注于某一特定领域。循序渐进看起来慢,但是基础扎实了,后面就学起来快了,相反基础不扎实,越往后越吃力。高中时候老是喜欢啃一些物理难题,可是物理老师却不让我参加物理竞赛,对我真的是很大的打击。当初真的很不理解,等我长大了才明白其中的道理,浅尝辄止!结果如何呢,高考的时候最后的那道难题还是没能做出来,基础不扎实很难有大的建树。
      提倡“ 笨鸟先飞“和“循序渐进“的华罗庚其实是一个数学天才,把书读薄再读厚也是他提出来的。计算机科学技术涵盖的内容非常广泛,要学的东西很多,但是急不来的,否则成了拔苗助长,适得其反。比如学习汇编语言编程,需要学习的东西很多,和经常使用的高级语言差异非常大。如果没有理解匆匆而过很快就会忘记,比如各种寻址方式,指令对标志位的影响,条件跳转等,接下来是一大堆的宏语言,急于求成结果什么也没得到。
       首先要明白我为什么学习汇编语言,炫耀技术实力还是为了增强对计算机的了解,有没有必要去学习。要想深入了解计算机如何工作,奇怪现象背后的原因必须能够在二进制层面思考问题。要想深入学习.NET必须学会IASM,要想深入学习Java也一样。通过学习汇编语言了解编译程序为我们做了什么,操作系统是怎么运作的等等。总而言之,学好汇编能增加思考问题的深度,深入理解计算。但是这也是要付出巨大代价的,用低级语言编程,实现一个小小的功能也要写一大堆的指令。
         我喜欢买厚的书,有分量内容充实,但是很少读厚的书,太费时间。学习一个东西时,喜欢找一大堆的资料,买很多书,看别人对这些东西的评价如何等等,大部分时间不是花在学习上而是在找资料上。记得复读班的物理老师告诉我们,大多数辅导书内容都差不多的,自成体系,只要买一本好好看就行了。用在现在就是大多数汇编语言编程的书读差不多的,选择一本好好学而不是把大量的时间花在网上搜索。
         通过前段时间的研究汇编语言的资料包括三部分Intel处理器的资料,Intel网站上有IA32系列;另一部分是MASM宏汇编的资料,主要有两本Reference和Programmer's Guide,而且是MASM 6.1;最后一部分是操作系统的资料,API等等。资料我都搜集齐了,可说是万事俱备只欠东风。
        现在的问题是,那么多东西,而且全是英文的,要多久才能看完,工作中用得最多的是一些高层次的东西,差别很大,有没有必要付出那么大的代价去学习它,我还有很多事情要做,比如夯实数学基础。另外能够结合英语一块学习呢?我的时间非常宝贵,绝对不能浪费,今后尽可能地减少上网闲逛的时间,不聊天,做实事,付出就会有收获。
 
16、Cortex-M7处理器:高性能与复杂架构解析 本文深入解析了Cortex-M7处理器的高性能架构与复杂设计,涵盖AHB总线矩阵优化、超标量六阶段双发射流水线、增强型分支预测单元及双精度浮点支持。重点介绍了其独特的内存层次结构,包括指令与数据TCM、片上缓存和AXI-M 64位总线接口,提升系统并行性与执行效率。通过实际测试对比M4与M7性能差异,并演示如何将代码与数据定位到TCM以实现零等待运行。同时阐述了缓存机制的工作原理及其对系统性能的影响,为开发者提供全面的性能优化指导。 阅读详情

相关推荐

远程桌面连接失败?手把手教你解决CredSSP加密Oracle漏洞(Win10/Win11通用)

本文详细解析了Windows远程桌面连接因CredSSP加密Oracle漏洞安全更新导致的“身份验证错误”问题。文章从原理入手,提供了通过组策略编辑器(适用于专业版)和注册表编辑器(适用于家庭版)两种核心解决方案,指导用户将安全策略调整为推荐的“缓解”模式,以在保障安全的前提下恢复连接,并给出了高级脚本处理与安全最佳实践。

u6v7w8x的博客 729

Intel C++ Compiler下载手记

其实很好认的,l_cc_p_*.tar.gz是Intel C++ Compiler for Linuxl_fc_p_*.tar.gz是Intel Fortran Compiler for LinuxW_CC[X]_*.exe是Intel C++ Compiler for WindowsW_FC[P]_*.exe是Intel Fortran Compiler for Windwos

complayer的专栏 8282

开源人形机器人硬件生态:关键技术、产业链与低成本突破 | OpenLoong 社区线下分享会

本文将深入探讨人形机器人硬件平台的关键技术、产业链与核心部件以及降低成本的策略。从硬件平台的核心技术,到机器人核心零部件的详细介绍,再到产业链各环节的协同发展以及实现低成本化的创新思路,将一同剖析人形机器人迈向广泛应用所面临的挑战与机遇,展望其未来的发展趋势,为开发者和相关从业者提供一些参考与启示。

OpenLoong_的博客 2422

别把自己太当回事!

       最近两周时间解决一个拖了很久,让人非常头痛的问题。也让人们对我看法发生了极大的改变,也使我的自信心极度膨胀到失去理智,结果于昨天晚上斗胆给上海交大的两位负责软件工程硕士的老师写了一封邮件。大意是我想申请破格录取,然后在信中谈了谈我自认为是引以为自豪的所谓成就,本意是想,我应该还算一个有点才华而且得到很有影响力的单位认可,如果能来交大进一步深造,不管对我自己还是交大都是一次机会。将来有

complayer的专栏 1200

【华为鸿蒙3.0/荣耀安卓12使用VMOS Pro的激活方式 方法二】

关于荣耀手机安卓12如何解除进程限制,这里提供以下教程供小伙伴们参考。

Amy_mumu的博客 13万+

AD20.多对多工程中将某个原理图导入PCB工程

AD20将多个原理图中的一个或多个导入到PCB文件中

鬼爷杂货铺 1万+

拒绝“浅尝辄止”让考研知识深入人心

在当今竞争激烈的学术环境中,考研已成为许多学生追求更高学历的重要途径,面对浩瀚的知识海洋和繁重的复习任务,不少考生往往陷入“浅尝辄止”的困境,未能真正深入理解和掌握所学知识。“浅尝辄止”只会让我们在考研的道路上停滞不前,只有通过深入理解、系统学习和持续努力,才能最终实现我们的梦想——考上理想的大学研究生院!在这个充满机遇与挑战的时代里,让我们一起摒弃浮躁的心态,踏踏实实地走好每一步,为未来的美好人生奠定坚实的基础吧!

horse320的博客 926

【信号与系统实战解析】—— 拉普拉斯变换在电路分析中的关键应用

本文深入解析了拉普拉斯变换在电路分析中的关键应用。通过将时域微分方程转换为复频域的代数方程,系统化处理初始条件,并利用零极点图分析电路稳定性与频率响应。文章以RLC串联电路为例,详细演示了s域建模、性质运用及综合分析方法,为工程师提供了分析动态电路的强大工具与清晰视角。

weixin_29093017的博客 176

浮躁与静心

       看到一篇文章让我想起了“浮躁和静心”,而这些让我想起了我在昌平园生活。那是我的本科“黄金时代”。              其实,以前我一直都感觉自己是一个比较的浮躁的人,我深深的记得2002年来到北京的时候,我感觉了我一身的疲惫,不再可以容纳更多的东西。对什么都浅尝辄止。不过幸运的是:我还有一颗没有死去的心。这唯一的一点让我在昌平面壁4年苦心读书。逼着自己去做到很多的事情。

916

电赛MSP430F5529之超声波测距+OLED 显示(含主要代码)

目录 前言 一、超声波介绍 二、部分代码 三、总结 题外话: 前言 哎,又双叒叕,电赛延期了,看起来像是遥遥无期,但是肯定要考虑大局,大家就继续抓紧时间学习知识,巩固自己的知识,更进一步。好了,今天主要是继承上一篇博文(OLED显示)写的,主要是写超声波测距的(US-015) 一、超声波介绍 利用TI公司的MSP430F5529单片机+超声波模块+OLED 实现 这里主要是利用单片机定时器的捕获功能来捕获超声波高电平持续时间,再计算得到距离,最后再在OLED 屏幕上显示出来,上图

不说二话的自家人的博客 1万+

[Unity3D]水族馆游戏教程四

文章目录0.接上篇1.速度控制器2.修改FishAI3.修改后的效果4.总结 0.接上篇 上一篇,实现了鱼AI的随机游动、自动转向,并且学习了如何分析调试过程中遇到的报错。 本篇将继续优化鱼AI。 1.速度控制器 上一篇虽然实现了鱼的随机游动,但是可以看到,鱼在转向的时候,会显得很突然。因此先要解决这个问题。 我们的思路是,让鱼在刚转向的时候,速度由慢到快,等到游动到快要到达目标点的时候,速度减慢...

延澈左的专栏 1039

远离浮躁,重视基础。

    也许是大一上半学期过于清闲,也许是盲目的跟着别人学会创业的缘故,在这个短暂的假期里面我发现自己想了太多,总是以为自己已经成熟了,可是每每回首往事,都觉得自己有很多地方做的不好,做的需要改进,太多的事情做的时候太理想化,太欠考虑了,不能够认识自己现在是处于哪个阶段,是不是适合干那件事情。     我昨天晚上查我的成绩,发现自己的考试的不是太好,原来以为自己已经学的很好的计算机引论和c语言才考

CodeJungle'Blog 1190

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

互联网,程序员和浮躁

下午终于有一点时间和心情读了几篇blog文章,一篇转贴,一篇是关于外企在中力人力资源方面的问题。巧的是另外三篇竟然都是差不多的问题:关于程序员的理论和实践程序员的灯下黑:重知识轻技术工作7年了,到今天才明白一个道理!最差劲的程序想起了我在很久以前想写的一点东西,零零散散的在我的oneNote里面改了好几次(看了一下时间竟然是2006年1月6日16:04),一直也没有完整的写完,看了这几篇文章也不管...

weixin_30627381的博客 61

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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")

迷茫——原点——浮躁的我

或许是自己的心浮气躁,或许是自己见异思迁,每当看到一个新的东西都想去尝试一下,可到头来还是浅尝辄止,

ALLEN的个人博客 578

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

谁为浮躁而悲哀?

今天看了看国内的有关苹果的论坛,著名的有Maiyadi.com, Macx,chinamac,macfans,kenapple等等几个,其中热门要数黑苹果和软件(下载等)部分了,而一些小技巧方面更是热门中的热门,比如各种桌面主体,美化,黑苹果的驱动,网络电视,软件破解和下载,系统安装等等各种应用和技巧类的,都是被追捧的对象,只要你是发布这样的帖子,就被成为大师,其他人都自称学生。比如在maiy

激情成就梦想--关注移动互联网 1585

漫画 | 浮躁程序员的最终结局

本文经授权转载自程序员江湖至此,架构师小赵的故事就暂告一段落了。后记:在这个浮躁的年代,很多程序员都极其浮躁,没法静下心来。小赵身上也有我的影子,我刚毕业那几年也是像追星...

程序人生的博客 3185

老程序员的忠告:不要做浮躁的软件工程师

老程序员的忠告:不要做浮躁的软件工程师: 每天读一遍,思考一下:我是否浮躁?   1、不要看到别人的回复,第一句话就说:给个代码吧!你应该想想为什么。当你自己想出来再参考别人的提示,就会知道自己和别人思路的差异。   2、初学者请不要看太多的书,那会误人子弟的,先找一本好书系统的学习。很多人用了很久都是只对部分功能熟悉而已,不系统还是不够的。   3、看帮助。不要因为很难,而自己又是

养有道 349

不要做一个浮躁的程序员

1.不要看到别人的回复第一句话就说:给个代码吧!你应该想想为什么。当你自己想出来再参考别人的提示,你就知道自己和别人思路的差异。  2.初学者请不要看太多太多的书那会误人子弟的,先找本系统的学,很多人用了很久都是只对部分功能熟悉而已,不系统还是不够的。  3.看帮助,不要因为很难而自己是初学者所以就不看;帮助永远是最好的参考手册,虽然帮助的文字有时候很难看懂,总觉得不够直观。 

csdner999的专栏 495

中国程序员的缺点

晚上看了一篇文章:我眼中的中美印日四国程序员的特点  ,文中有段话总结了中国程序员的缺点,让我汗颜,原文如下:       ... ...      我认为国内程序员最大的问题还是所处的环境不利,导致相当一部分人比较浮躁和 急功近利。真正能够沉下心来钻研技术,热爱技术的是凤毛麟角

ThinkHY的专栏 1531

坚持方向,踏踏实实

再次发现自己学习东西没有一个恒定的目标,总是盲目的跟风赶时尚,有时候碰到别人做的好的就去尝试以至于手头学习的东西还没学会就撇下去尝试新东西,最后什么也没学精通,光学了个皮毛。这两天学习nRF24模块,本想好好彻底的学一番,看到开源的Arduino库文件就开始想将它转换成C实现,刚开始了一个头文件就发现C++的代码很好很强大,于是想着尝试用用C++来开发STM32程序,结果琢磨着开源IDE开发,在网

小鱼的马克堂 1017

舍弃浮躁, 50条重要的C++学习建议

1.把C++当成一门新的语言学习(和C没啥关系!真的); 2.看《Thinking In C++》,不要看《C++变成死相》(C++编程思想,翻译的非常差);3.看《The C++ Programming Language》(这本东西有影印板的)和《Inside The C++ Object Model》 ,不要因为他们很难而 我们自己是初学者所以就不看;4.不要被VC、BC...

weixin_33711641的博客 112

~~~~~~~~开始~~~~~~~~

      眼看着大二就要结束了,自己在计算机方面还是一事无成,看着和自己同进入工作室的同伴们技术日见提高,心里不觉有些乱乱的,仔细想想自己的水平,从大一开始学了好几种编程环境,每一种都是蜻蜓点水,没有一个可以拿来用,唉~~!每次想起来这个,我会安慰自己,我告诉自己没时间。可是我可以拿出大块时间去打cs,而我的编程技术并没有因为我的awp技术的提高而提高。我可以拿出整天的时间来看电影,可我却抽不出

Mercury_ice的专栏 938

如何学好Java 学Java请不要做浮躁的人

 1.不要看到别人的回复第一句话就说:给个代码吧!你应该想想为什么。当你自己想出来再参考别人的提示,你就知道自己和别人思路的差异。   2.初学者请不要看太多太多的书那会误人子弟的,先找本系统的学,很多人用了很久都是只对部分功能熟悉而已,不系统还是不够的。   3.看帮助,不要因为很难而自己是初学者所以就不看;帮助永远是最好的参考手册,虽然帮助的文字有时候很难看懂,总觉...

weixin_34148508的博客 86

学海无涯,活在当下

    一直以来,我的学习态度都很浮躁,和我的生肖一样“猴急”,看到新的东西,虽然暂时用不上,但是都会去找视频资料或者是搜一些相关的博客去学习。而我也一直发现有一个问题就是,刚看完确实感觉收获颇丰,可是过了一段时间后,就忘的差不多了,甚至别人提起来就只记得这么一个名词了,可是还是这样乐此不疲,总觉得已经大家都懂的东西我现在不好好去看到时候就会很low,可是自己却学了之后,即不自信,同时,感觉自己的...

强哥叨逼叨 442

今年冬天有点冷(3)

  V/:*{behavior:url(#default#VML);}O/:*{behavior:url(#default#VML);}W/:*{behavior:url(#default#VML);}.shape{behavior:url(#default#VML);} User

grazeCoder 727

学习C++ 的忠告 (转自ubuntu forums)

1.把C++当成一门新的语言学习(和C没啥关系!真的); 2.看《Thinking In C++》,不要看《C++编程思想》(C++编程思想,翻译的非常差 3.看《The C++ Programming Language》(这本东西有影印板的)和《Inside The C++ Object Model》 ,不要因为他们很难而 我们自己是初学者所以就不看; 4.不要被VC丶BCB丶...

iteye_9684的博客 122
上一篇: 走出颓废!
下一篇: Applet和Windows 2003过不去
complayer
博客等级 码龄25年 16粉丝 57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