黑龙教

黑龙江省能源产业建设动态及运营产量趋势研究报告2021版 黑龙江省能源产业建设动态及运营产量趋势研究报告2021版 HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS--HS-- 【修订日期】:2021年11月 【搜索鸿晟信合研究院查看官网更多内容!】 第一章 2019-2021年能源产业发展综述 1.1 能源简述 1.1.1 能源的定义 1.1.2 能源的分类 1.1.3 传统能源 1.1.4 新能源 1.2 2019-2021年国际能源市场运行态势 1.2.1 全球能源格局发展状况简析 1.2.2 国际能源市... 阅读详情

 

    日本的红太阳的12宫,是黑色系,主体是黑龙,黑鸦,黑牛等12种动物。。。。。。。。。。。。。。。

 

    黑龙是红太阳最厉害的一个守护神,这种龙并非传统的地球上的龙,而是一种宇宙中的龙,黑龙的繁殖方式是

    寄生繁殖,产卵在其它动物体内,和传统的龙产蛋不一样。。。。

 

    地球上有很多黑龙的巢穴,大的黑龙的身体会晶体化,变成黑铁晶体,非常厉害,黑龙刚刚出生的时候,必须寻找

    寄主,否则无法生存

 

    红太阳的主神与月亮的女神有关,是基因工程的产物。。。。。。

    从远古的历史中考察,红太阳的黑色系守护神并非自然产生的动物神灵,是基因工程的产物。。。。

 

    黑龙教是日本势力最大的组织,势力遍布全球。。。。。

如何用Arduino和HX711压力传感器制作一个简易电子秤(含OLED显示) 本文详细介绍了如何使用Arduino、HX711压力传感器和OLED显示屏制作一个简易电子秤。从硬件连接到软件编程,提供了分步教程,包括核心元件功能解析、接线方法、库安装、模块测试以及关键的校准流程。项目实践性强,适合创客和DIY爱好者学习嵌入式系统与传感器应用。 阅读详情

相关推荐

头歌MySQL数据库实训答案 有目录

头歌java实训答案集数据库部分一条一条的写,可鼠标手动粘贴,除特定命令外未分大小写。 第1关:创建数据库 第2关创建表 第3关:使用主键约束 第4关:外键约束 第5关:添加常用约束 MySQL数据库 - 数据库和表的基本操作(一) 第1关:查看表结构与修改表名 第2关:修改字段名与字段数据类型 第3关:添加与删除字段 第4关:修改字段的排列位置 第5关:删除表的外键约束 MySQL数据库 - 数据库和表的基本操作(二) 第1关:插入数据 第2关:更新数据 第3关:删除数据 MySQL数据库 - 单表查询(

m0_67401761的博客 4万+

程序员如何从技术上“开挂”魔卡手游? | 技术头条

作者 | 孙景卫 责编| 郭 芮 如何在短时间内成为Python工程师? https://edu.youkuaiyun.com/topic/python115?utm_source=csdn_bw 最近流行玩《魔卡幻想》,作为一名手游测试人员,于是申请了一个号码,取名“大头包子”。闯关、打塔,打了一个多月,只有一张五星黑龙,很是悲催。于是花了40两银子在某宝上买了一个天使开局,附送了...

优快云资讯 2512

从USB 2.0到USB 3.x:Synopsys SVT USB VIP配置避坑与接口选择指南

本文详细解析了从USB 2.0到USB 3.x的Synopsys SVT USB VIP配置要点,涵盖协议版本选择、物理接口匹配及UVM层次化架构实现。重点介绍了layering sequence的配置技巧和常见问题解决方案,帮助验证工程师高效避坑并优化验证流程。

weixin_42653691的博客 240

360剑灵洪门崛起服务器维护,剑灵洪门崛起————【维护】8月1日更新维护公告...

亲爱的玩家:大家好!为了更新游戏内容,提升游戏体验,7k7k《剑灵洪门崛起》将于8月1日7:00-8:00对所有服务器进行更新维护,维护期间无法登陆游戏,维护时间预计1小时。如果在维护期间无法完成维护相关事宜,开机时间将继续顺延,如果提前解决问题,也将提前开放服务器。请各位玩家相互转告,并留意游戏开放时间。对于停机期间给您带来的不便,敬请见谅。7k7k《剑灵洪门崛起》运营团队感谢所有玩家的支持和配...

weixin_33349121的博客 362

23.网工入门篇--------介绍一下园区网典型组网架构及案例实践

园区网典型组网架构主要分为小型、中型、大型三种类型,以下是详细介绍及相关案例实践:

qq_31450765的博客 967

Endnote 导入参考文献的时候,格式错误太多了。et.al错误,国标GBT7714在endnote中的详细配置教程,适用于本科,硕士论文文献插入的模板

EndNote插入文献常遇到以下错误主要如下: 等、et al不分; 英文作者全名大写; 期刊名字使用了缩写(图片里没有体现;卷号、期号缺失时出现乱码,多了半个括号;页码范围略去了相同部分;没有悬挂缩进,本文全部解决,全网最细

sakura的博客 3万+

剑灵建元区服务器位置,剑灵建元成道地图外貌_剑灵建元成道新地图场景介绍_牛游戏网...

剑灵韩服前不久透露了即将要推出新地图建元成道,相信大家都很好奇新地图是什么样子吧,下面就一起来看看小编的第一手消息吧。韩服新宠物:点击了解即将推出的新时装:点击了解新地图名字与入口:新地图部分场景图(首先给大家一张新职业GIF图)注:以下翻译不代表最终结果天命宫有权有势的人聚集的地方,以令周边国家所称道的巨大规模财力为荣。压倒性高耸的天命宫城墙被人称为无法从外部入侵的“铜墙铁壁” 。??是怨声道义...

weixin_33223705的博客 299

ESP-SR实战:从零搭建智能语音唤醒与命令识别系统

本文详细介绍了如何利用乐鑫ESP-SR框架,从零开始搭建一个完整的离线智能语音交互系统。内容涵盖硬件选型(推荐ESP32-S3与数字麦克风)、开发环境配置(ESP-IDF与ESP-ADF),并深入解析了AFE声学前端、WakeNet唤醒词检测和MultiNet命令词识别三大核心模块的工作原理与实战配置。通过具体的代码示例和调试技巧,指导开发者快速实现高识别率的语音唤醒与命令控制功能。

weixin_29161785的博客 302

2023年黑龙江省职业院校技能大赛(高职组)“软件测试”赛项竞赛规程

1、任务描述根据功能测试情况,按照《A5-功能测试总结报告模版》完成功能测试总结报告文档。2、任务要求功能测试总结报告文档应包括以下内容:(1)测试概述:编写目的、项目背景。(2)测试参考文档。(3)项目组成员。(4)测试设计介绍:测试环境与配置、测试用例设计方法、测试方法。(5)用例汇总:用例汇总。(6)测试进度:测试进度回顾、功能测试回顾。(7)Bug汇总:Bug汇总。(8)测试结论。3、任务成果XX-A5-功能测试总结报告.doc(XX代表工位号)

weixin_44117248的博客 705

ZYNQ-Video out IP与Video Timing Controller IP协同工作模式解析

本文深入解析了ZYNQ平台上Video out IP与Video Timing Controller IP的协同工作模式,详细介绍了它们的架构、工作原理及配置要点。通过AXI4-Stream接口实现高效视频数据传输,并结合HDMI输出系统设计实践,为开发者提供了实用的调试技巧和性能优化建议。

redis7keeper的博客 637

【STM32】从零构建串口IAP框架:BootLoader与App双向跳转实战解析

本文详细解析了STM32串口IAP框架的构建,重点阐述了BootLoader与App双向跳转的实战原理与实现步骤。内容涵盖Flash分区规划、中断向量表重定向、通信协议设计及固件升级流程,并针对跳转失败、程序跑飞等常见问题提供了解决方案,帮助开发者掌握产品级远程升级的核心技术。

wind6的博客 840

一云多用 集约赋能:黑龙江东方学院打造高效能云平台 支撑多元化教学创新

云桌面平台为设计院系高负载图形应用提供灵活的云端GPU资源支撑,保障了各类教学软件的稳定、流畅运行。为省级一流本科课程中的线上线下混合式教学提供关键技术支撑,确保师生在课堂内外均能获得稳定、一致的专业软件使用体验,有效保障混合式教学模式改革的顺利实施。面对全校46个本科专业在实践教学中产生的差异化、高性能算力需求,传统分散建设的机房与工作站模式面临资源调配不均、运维管理复杂、教学连续性受限等挑战。以“一云多用”平台,整合全校算力资源,为46个本科专业的多元化教学创新提供集约化、高效率的数字基座。

luojiezong的博客 435

DSP篇--C6678功能调试系列之EDMA3调试

EDMA主要用于数据的搬运,发送、接收,其搬运数据的形式有;AB模式,ABC模式以及ping-pong模式。 EDMA3分初始化、参数配置、以及中断配置。其中中断配置则需要注意的内容主要有:挂载的TC通道,对应的触发事件,以及中断的使能。

nanke_yh的博客 1720

黑龙江财经学院领导带队莅临志行合力考察调研助推校企深度合作

是目前国内商品分期业务的领创者,信用卡电销领域的头部企业。此次考察交流,有效促进了学校与企业间的相互了解,并就企业人事负责人走进学校、学生进入企业顶岗锻炼等事宜达成了良好共识,为深化校企合作、产教融合的长效机制打下了坚实基础,助推学校人才培养质量迈上新台阶,助力地方经济社会发展迈上新高度,上海志行合力网络技术有限公司将继续为学生素质提升、技术创新提供服务,有效促进校企深度合作,共同打造校企合作平台。张宇霆主管简要介绍了公司平台,公司规模,表达了公司对互联网电销岗位的人才需求,并现场PPT宣讲了宁波职场。

m0_64293676的博客 119

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)

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

【保姆级】教师资格证介绍,教资考什么,应该准备什么,5分钟快速浏览(包含报考流程)

教资相关

weixin_46050242的博客 708

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")

深入推进智慧教育信息化建设,麒麟信安参展黑龙江省教育数字化工作推进会议

随着智慧校园建设的持续推进,麒麟信安不断深入教育行业业务场景,麒麟信安教育信创云融合“一云多芯”“三V一体”等先进技术,收获了业界的高度认可,为浙江省委党校、某师范大学、晋城市红星小学、某省高等护理专科学院等各大高校、职校、中小学等院校带来便捷的终端管理、高效的课堂教学、安全的办公体验,深度赋能智慧校园建设。数智推动教育转型发展,校企合作共赢美好未来!针对高教、职教、普教的各类智慧教育场景,麒麟信安可提供可靠的产品和解决方案以及强大的技术支撑,联合高校共创共赢,为教育行业信息化转型持续贡献力量!

weixin_49546901的博客 482

黑龙江省大学计算机学校排名2015,2015黑龙江省大学排行榜 哈工大第一

谁是黑龙江省第一高校?谁是黑龙江省最佳大学?为了满足我国两岸四地高考考生及家长了解黑龙江省高校的办学水平和办学实力,艾瑞深中国校友会网最新发布2015黑龙江省最佳大学排行榜、2015黑龙江省最佳民办大学排行榜和2015黑龙江省最佳独立学院排行榜等,旨在为即将参加2015年全国高考及考研考生、外国留学生填报志愿挑选黑龙江省大学提供权威参考指南。其中,在2015中国大学排行榜700强中,黑龙江省有1所...

weixin_31856441的博客 703

黑龙江省计算机三本学校,2017黑龙江三本大学排名及分数线_黑龙江三本大学排名名单...

黑龙江省有着悠久的历史,也是我国工业的发源地之一,那么黑龙江三本大学有哪些,排名又是怎么样?下面学习啦小编分享了2017黑龙江三本大学排名及分数线,供你参考。更多热门的全国大学排名欢迎往下点击☟☟☟2017黑龙江三本大学排名排名学校名称所在地录取批次1黑龙江财经学院黑龙江本科三批2黑龙江东方学院黑龙江本科三批3黑龙江工商学院黑龙江本科三批4黑龙江外国语学院黑龙江本科三批5哈尔滨华德学院黑龙江本科三...

weixin_29109553的博客 684

黑龙江省计算机三本学校,黑龙江省的公办三表大学有哪些?

黑龙江省的公办三表大学有哪些?以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!黑龙江省的公办三表大学有哪些?东北林业大学东北农业大学黑龙江大学黑龙江科技学院东北石油大学齐齐哈尔大学黑龙江八一农垦大学 黑龙江哈尔滨医科大学黑龙江中医药大学牡丹江医学院哈尔滨师范大学牡丹江师范学院大庆师范学院绥化学院哈尔滨商业大学哈尔滨体育学...

weixin_39997037的博客 733

黑龙江等保测评

黑龙江等保测评是指根据《中华人民共和国网络安全法》及《信息安全等级保护管理办法》等相关法律法规,对信息系统安全保护能力进行评估和验证的过程。它旨在确保重要信息系统能够达到相应的安全保护级别,有效防范各种安全威胁,保障国家安全、社会秩序以及公共利益不受侵害。

2301_79955948的博客 1017

【数据分享】《黑龙江省统计年鉴》2000-2023

随着数字化时代的深入发展,数据已成为洞察社会经济发展脉络的重要资源。作为中国最北端的省份,黑龙江省在过往的二十多年里经历了翻天覆地的变化。而《黑龙江省统计年鉴》,这部记录着该省经济与社会发展数据的编年史,为我们提供了一个观察和分析这些变化的窗口。今天,就让我们一同走进这部数据宝库,解锁2000至2023年间的发展密码。首先,我们从宏观经济指标出发。《黑龙江省统计年鉴》显示,自2000年以来,黑龙江的经济总量稳步上升。特别是在GDP增长率这一关键指标上,我们看到了从初期的缓慢增长到后期逐渐加速的趋势。

qq_39719713的博客 1699

黑龙江省2021高考成绩排名查询,2021年黑龙江省高考报名人数、录取分数线及黑龙江省最好大学排名统计[图]...

自2016年起黑龙江省高考报名人数逐年下滑,2019年开始恢复增长,2020年黑龙江省高考报名人数达21.1万人,较2019年增加了0.7万人,同比增长3.43%。2015-2020年黑龙江省高考报名人数统计资料来源:黑龙江省教育考试院、智研咨询整理2020年黑龙江省高考本科一批理科录取分数线为455分,较2019年减少了22分;文科录取分数线为483分,较2019年减少了17分。2014-202...

weixin_29554335的博客 1255

2024黑龙江专升本考试时间是多少

0101 电力系统继电保护技术 3 17 自动化、通信工程、电子信息工程、电气工程及其自动化、农业电气化与自动化。0103 电子信息工程技术 3 17 自动化、通信工程、电子信息工程、电气工程及其自动化、农业电气化与自动化。0101 热工自动化技术 3 17 自动化、通信工程、电子信息工程、电气工程及其自动化、农业电气化与自动化。0101 供用电技术 3 17 自动化、通信工程、电子信息工程、电气工程及其自动化、农业电气化与自动化。专升本包括统招专升本、自考专升本、成考专升本和国家开放大学专升本。

u011191174的博客 1152

黑龙江水系

        作为一个程序员,一直很是“不正经”,专业技术书籍看的不多,倒喜欢经常看一些“课外书”。前段时间刚断断续续看完了《丝绸之路:一部全新的世界史》,感觉受益颇多——从一本历史书中,学到了很多地理知识……         最近在看袁庭栋的《大决战:辽沈战役》,看到其中的“三下江南”战役中的‘江’是指“第二松花江”,作为一个从小在黑龙江省长大的人,对于松花江、嫩江、黑龙江等算是耳熟能详,但...

zcphoenix的专栏 2955

黑龙江省2021高考成绩排名查询,2020年黑龙江高考成绩位次排名及一分一段表查询...

2020年黑龙江高考成绩公布后,大家是不是很想知道,自己的成绩在哪个层次,全省能够排第几?黑龙江高考一分一段表将给你明确的答案,并且能够让你直观看到:高考1分干掉千人的真相!2020年《黑龙江高考成绩一分一段表》是由省招办(考试院)公布的全省每一高考分数的考生分布统计表。通过这个表,考生不仅知道各批次的分数线,同时还能了解自己在全省考生中的排位,更有利于考生对自己进行合理的定位。1、黑龙江高考成绩...

weixin_28366053的博客 1023

日行山路三万步,从黑龙潭到青空岭

从海拔520米的爱之谷到海拔1314米的青空岭,可以直接坐索道,但无论是试图考验爱情的青年男女,还是专注于爬山的我(这样的独狼),都是要走山路的。这里还有一个景点,就是前面爱之谷介绍里说的1314森林音乐栈道,我替你们去过了,走到尽头就是这个,路上只有森林中的木台阶,没有音乐。》)之后,恶补了不少有关蛇的知识,知道这种无毒的王锦蛇号称“百蛇之王”,有“一里菜花蛇,十里无毒蛇”之说,所以我敢大胆地跟拍它。对于我来说,走到这里只是热身:爬升不高,难度不大,扣除拍照赏景的时间,3公里的山路也就用了45分钟。

weixin_45474911的博客 933

黑龙江省2021高考成绩排名查询,2021黑龙江高考成绩排名顺序查询,黑龙江省高考全省排名怎么查...

青春无悔,就该热气腾腾地爱,你不负时光,时光必不负你。2020年黑龙江高考成绩公布后,很多高考考生咨询我们黑龙江高考成绩排名顺序如何查询,自己在全省的排名如何计算。本文高考升学网整理了一些关于2020年黑龙江高考成绩排名顺序的查询方法,一起来了解。一、2020黑龙江高考成绩排名顺序查询黑龙江高考成绩公布时考生除了可以查询到自己的总分和单科分数,还能查询到个人的位次和排名。高考位次是通过2020年黑...

weixin_32974061的博客 775
上一篇: 复眼计划第三期
下一篇: 巨蟹座的光芒
comsci
博客等级 码龄22年 412粉丝 397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