北机印象

记2018年北理计算机夏令营+机试 个人情况: 2015级 山东大学 成绩排名13/294, 综合排名11/294,四六级552/476 竞赛 包括英特尔杯三等奖,数字媒体科技作品竞赛三等奖,和山东省大学生软件大赛一等奖 科研 没有论文,但跟着老师做过科研助手,写过一个比较大的项目 因为实验室有学长保研到北理,他推荐我尝试报名一下北理,在这之前我甚至没有考虑过北京,咳咳。 四五月左右联系老师的时候,我比... 阅读详情

坦白说,真是不愿意北信和北机合并成北京信息科技大学。但是,不确定如果没有合并的话,会调剂到哪个学校,或许是15所吧,去的话也未必就比呆在这里好多少。

在北机也有几个星期了,说说感觉:

1、上研不用交学费和住宿费,用补助抵了,颇不错。说起来也是调到这里的重要原因吧。强烈建议实力较弱的学校学习这一条。

2、住宿:男生宿舍楼是新盖的16层,15/16住的研究生,高峰期电梯巨堵,不太爽。高处有点风大,风景到也还可以。就是下一趟楼不太方便,忘带东西的话,嘿嘿。大概爬过4次楼梯,有点累,本来想坚持爬楼梯做为锻炼,没坚持住。

3、食堂:菜好像有点贵,味道嘛,吃过几回,只记得冬瓜丸子颇和我的胃口,其他的没有什么感觉,填饱肚子而已。三楼的套餐感觉比较值。几个买点心的地方,有烧饼夹鸡蛋、馅饼、鸡蛋灌饼等。感觉,鸡蛋灌饼的味道比较好,很脆,酱的味道也不错,加肠的话味道更好,而且至多5毛钱。早上的烧饼夹鸡蛋,感觉可能有昨天剩下的。全天供应豆浆,味道普通。

4、操场:居然有一个塑胶跑道人工草皮的操场,真是舍得花钱。人工草皮感觉有点滑,第一次上场就滑倒了,一个星期了,手腕还疼。每天中午都有人踢大场,穿着还算正规,只是水平比较一般,包括裁判的水平,居然没有边裁。4个星期了,看到两个进球是同一场的两个点球。

5、图书馆:藏书不多,不过同一本书居然有好几本,好书借的人也不多,想看基本上能查得到的都可以借到。布局相当不合理,图书馆1-5层是借阅区,只能从南边楼梯上下,北边的门不开,影响中借阅区中没有厕所,最近的厕所,如果不想出楼的话,就得从南边楼上下来到一层,在从北边走楼梯或者电梯到六层才可以找到厕所,同时,再去借阅区的话,是不能从六楼南边楼梯下到五楼的,得原路返回(当然,也可能是我没弄明白,毕竟只去过一次)。还有,一楼设有存包处,没有人看管,也没有锁,真让人不放心。

6、关于布局,整个学校的布局都很够呛,除了图书馆,再比如说操场,足球场在最外边,而篮球场、羽毛球场等比较小的场地,在足球场的南边,只有一个入口,还在远离宿舍楼的西边,从宿舍楼过去的话,得一直走到足球场的最南侧才行,这样至少也得多走100多米才能打上篮球,还好我不打篮球的。不过,踢足球的也好不到哪去,唯一的一个门开在远离宿舍楼的西边,球场正中的位置。

7、教学楼:好像没啥好说的,烂,呵呵,其实里边的桌椅还满新的。有两个教学楼,上课主要在一教。二教好像都是阶梯大教室,不过布局也巨烂,不踢也罢。等有了DC再贴图吧。

8、终于要讲最重要的部分啦,当然是老师啦,难道还能是学生?老师,有几个还是不错的,能力不错,上课水平也不错,和北信的好老师有一拼;不好的,也和北信差不多。

9、学生:感觉好多北京生似的,电梯老能遇到那种说话很拽的那种,我是很看不起这种人的了。mm大都挺pp的。外教说了:There are no ugly girls, only some prettier than others.(有语法错误?每次写英文长句都挺担心的)

印象笔记01:初识印象笔记 印象笔记由北京印象笔记科技有限公司出品,从建立之初就致力于做用户的“第二大脑”。mac和Windows界面相似,在此不做区分。自2023年起,印象笔记更新了界面的布局功能,即可以自定义布局。一般而言,界面包括功能菜单(左上角)、功能目录(左侧)、笔记目录(默认在左侧,我的自定义到了上方)和正文区域四个部分。例如“查看”功能,可以修改视图为卡片视图、扩展卡片视图、摘要视图等等。此外点击侧边栏选项可以定义左侧功能栏显示的部分。而最上方则可以自定义工作栏。 阅读详情

相关推荐

印象笔记 - Markdown 入门指南

其常用的标记符号不超过十个,相对于更为复杂的 HTML 标记语言来说,Markdown 十分的轻量,学习成本也不需要太多,且一旦熟悉这种语法规则,会有沉浸式编辑的效果。而且Windows下不支持绝对路径,只支持相对路径。支持丰富的主流 Markdown 语法:支持文字相关样式、序号列表、任务列表、表格、TOC 目录、多种图表、数学公式、流程图、时序图、甘特图等;将本地图片文件嵌入到笔记中,笔记大小会随着嵌入和删除本地图片而改变,嵌入本地图片后,在笔记编辑模式下,显示成一个一长串字符的图片文件名。

guoqx的专栏 3483

印象助手:让你不被印象笔记绑架

印象助手,是一个帮你导出印象笔记的工具。

1423

印象笔记使用技巧

为了更直观地了解印象笔记的操作步骤,以下是带有详细操作说明的使用指南,并提供相关操作的描述性示例。

年糕的博客 2827

印象笔记04: 如何将印象笔记超级会员价值最大化利用?

我不知道有没有人一开始接触印象笔记觉得非常好。奈何只能两个设备同步,局限太多。而会员活动比较优惠——就开了会员。而且我开了十年……。只能开发一下看看怎么最大化利用会员价值了。自己搜了一圈,发现没有人干这个事情,那我做吧,我思考一下如何最大化利用。

深竹清风的博客 1843

印象笔记09——印象AI与网页版

智能分析文件上传文件、智能提炼关键信息AI创作辅助智能内容生产与优化智能创建思维导图一键自动创建智能导图智能创建大纲笔记一键自动创建大纲笔记智能创建待办清单一键自动创建待办清单智能创建清单任务一键自动创建待办任务知识星图构建知识图谱,展示第二大脑双向链接双向链接,笔记互联互通智能标签笔记本内容自动生成标签智能摘要笔记本内容自动生成摘要智能推荐推荐笔记相关内容图片转文字图片中内容转文字信息名片扫描识别纸质名片,整理对应格式智能搜索检查笔记文档图片PDF。

深竹清风的博客 716

安装印象笔记

Ubuntu18.04版本 安装相关包 注意: add-apt-repository 是由 python-software-properties 这个工具包提供的 所以要先安装python-software-properties 才能使用 add-apt-repository 否则会显示“command not found” 安装方法:apt-get install python-software...

May的博客 1092

印象笔记 Markdown使用指南

好脑袋不如烂笔头,一款好的笔记软件,能够给大脑一个非常有效的补充。

持之以恒 1万+

【AI】印象笔记中的印象AI功能使用分享

学习分享印象笔记中的印象AI功能

dave496206的博客 1907

印象笔记快捷键大全

文章目录1、全局快捷键2、应用内快捷键3、笔记编辑快捷键4、笔记列表快捷键5、笔记侧栏快捷键 1、全局快捷键 全局快捷键表示你可以使用这些全系统快捷键 Ctrl + ALT +N:切换到印象笔记,并跳转至一条新笔记 Win +PrintScreen :开启捕捉屏幕 Esc:取消捕捉屏幕 Win + A :剪辑选取 Win + shift +F:在印象笔记中查找 Ctrl + Alt +V:将粘贴板...

任我行的博客 1万+

企业微信/飞书/钉钉扫码连WiFi保姆级教程(附访客授权技巧)

本文提供了一份企业微信、飞书、钉钉扫码连接WiFi的实战部署教程。通过集成标准Radius协议与OAuth 2.0,企业可实现基于身份的无密码网络认证,并详细介绍了访客授权、权限分级等精细化管理技巧,有效提升无线网络的安全性与员工体验。

t4y5u6i7o的博客 1199

rv1126平台spi屏调试

st7789v2 i2c调试

zuoanyouzhuan_的博客 2039

印象笔记用法_我是如何使用印象笔记的?

Pirong读完需要5分钟速读仅需 2 分钟引子我有一个微信好友,研究知识管理的。最近,他计划写一本关于印象笔记的电子书,需要找人访谈。我有幸接受了他的访谈。这篇文章,是该访谈的部分内容。印象笔记是啥先来说一下印象笔记是什么。简单来说,它是一款笔记软件。PC、手机都可以用。这次访谈,问题如下:以下开始答题……什么时候入坑印象笔记?时间太久,已经很难想起。可能是 2014 年,在 Mact...

weixin_33895652的博客 844

大模型-internvl高通qnn运行源码解读

模型链接:https://huggingface.co/OpenGVLab/InternVL2-2B论文官方简要说明 https://internvl.github.io/blog/2024-07-02-InternVL-2.0中文解读 https://zhuanlan.zhihu.com/p/702946079在线demo https://internvl.opengvlab.com/

点滴的岁月 1835

如何迁移印象笔记

印象笔记(Evernote)于今年 1 月被 Bending Spoons 正式收购,2 月 17 日 129 名有员工被裁掉。公司发言人称这是艰难而必要的决定,公司多年来未盈利,从长期看是不可维持的。本周印象笔记的剩余员工全部被裁。Bending Spoons 接手了印象笔记的运营,它还提高了订阅价格,称需要新的收入来支付新功能的开发费用,但它如何在没有印象笔记原员工的情况下开发新功能?

lansetudou的博客 5061

Gröbner基方法入门第I部分:项序和约化

Gröbner基方法入门第I部分:项序和约化 理想的准素分解与矩阵分解是计算代数的核心问题,它们在计算机代数、计算代数几何、代数编码和密码学、多维系统理论等学科都有非常重要的理论意义与应用价值.Gröbner基理论是研究理想的准素分解与矩阵素分解的重要工具之一.更简单地概括:Gröbner基方法是从任意一个多项式理想的一组给定生成元,计算另一组性质良好的生成元,并称为该理想的Gröbner基.它能用来判定任意多项式是否属于该理想. Gröbner基的代数算法是Buchberger在1960年代开发的,并

MinCong Luo的博客 4272

ali140滑块

ali 140滑块采用补环境的方式进行逆向,需要的文件主要为这两个,其中collina.js是最主要的环境校验和参数加密的逻辑,这两个文件放本地进行补环境。然后挂上代理,先保证能够正常运行代码,补了些许后能够正常运行了,我们打印最主要的加密函数看看:n值就是得到:挂上代理看看鼠标事件,不管加密逻辑,关心入参即可:收集一些鼠标事件传进记录的函数。其余就是处理一些环境值,一些resetSA的逻辑就行。截图记录:

bboysteed的博客 1681

印象笔记的使用技巧总结

一,前言 我已经用了两年的印象笔记了,存储了将近950篇的笔记内容,以下是我在使用印象笔记当中所使用的技巧希望大家有所收获。 二,编写格式 在印象笔记中,我采取的是这种编写格式,主题在加粗,而次级题目用1,2,3表示出来,这个在一般情况下是够用的。但如果编写的层级过多,那就不好用了。 那个时候,建议使用1,1.1,1.1.1这种表示形式表达层次关系 快捷键 在这里,我只说我常用的快捷键...

qq_43851684的博客 1万+

STM32-DAC定时器触发三角波生成【频率与幅度精准控制】

本文详细介绍了STM32 DAC定时器触发三角波生成的原理与实现方法,涵盖硬件配置、频率与幅度精准控制技巧及代码实现。通过定时器触发DAC模块,可灵活调节三角波的频率和幅度,适用于信号发生器等高精度应用场景。

weixin_29161785的博客 455

VsCode同步印象笔记

VsCode同步印象笔记 作为一个印象笔记重度患者,最近在想如果在其他编译器上导入.md格式的文件,发现导入不了,最后网上搜了一波资料,发现VsCode同步印象笔记这个工具不错,遂实践了一波。 注册印象笔记账号,这个是必须的 作为一个重度患者,这个账号早就有了,此处省略 开通印象笔记Developer token 进入印象笔记帮助中心,拉到最底下寻求客服帮助 把需要填的东西填一下 ...

whbk101的博客 2401

世界模型(World Models)进展全景调研(截至 2025-08)

A5) 2019-07(待核验) | C-SWM:Contrastive Structured World Models(Kipf et al.)A6) 2019-07(待核验) | SLAC:Stochastic Latent Actor-Critic(Lee et al.)A3) 2015-12(背景注记,待核验) | Embed to Control(E2C,Watter et al.)Nature 2020)Repro/Code:werner-duvaud/muzero-general(社区)

u013250861的博客 489

14、深入解析Sigma - Delta调制算法:从原理到应用

本博客深入解析了Sigma-Delta调制(SDM)算法的原理与应用,特别是在Super Audio CD(SA-CD)音频编码中的作用。文章探讨了传统SDM的局限性,并介绍了一系列改进型前瞻式SDM技术,如Trellis Sigma-Delta调制、高效网格Sigma-Delta调制和修剪树Sigma-Delta调制。这些技术通过降低计算复杂度和提升信号转换质量,在音频处理和无损数据压缩领域展现出巨大潜力。此外,博客还对不同SDM技术进行了性能比较,并分析了如何实现最大信噪比(SNR),为未来音频技术和数

tgb34567890的博客 425

印象笔记编辑pdf_关于印象笔记、Notability、GoodNotes、MarginNote 3的使用场景

前一段时间趁着Notability打折,一口气把GoodNotes、Marginnote3全部都入了,加上一直用的印象笔记,几款效率工具算是齐了。工具有了,该怎么使用还是要提前规划好的。区分场景,使用起来也会有条不紊。使用设备:iPad air 3,apple pencil使用软件:印象笔记、notability、GoodNotes 5、Marginnote3软件都是当前(2020.3.22)最新...

weixin_39975683的博客 3874

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")

科学量化AI对品牌产品印象 首个AI印象(AII)指数发布

100款SUV的2025年一季度 AII评分均值为78.85分,略高于2024年的AII评分均值78.16分,SUV市场也是2025年汽车市场竞争非常激烈的领域,从整体评分上看,100款SUV在2025年一季度的AII评分,相比2024年评分,提升的有68款,平均提升AII评分1.42分。100款轿车2025年一季度的AII评分均值为78.17分,略低于2024年的AII评分均值79.45分,轿车是2025年汽车市场竞争最为激烈的细分领域,所以市场价格波动较大,新车对于市场的冲击也是存在的。

KJSOO的博客 1328

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

印象笔记编辑pdf_印象笔记03:七个印象笔记的野生用法

文 / Quasimodo 首发于一周进步印象笔记作为一个老牌的电子笔记软件,不断添加新功能,带给我新的使用体验和提高我的学习效率。作为一个老用户我曾经写过关于它的两篇文章,都是在谈及它的基本功能和日常使用时注意事项。如果不记得的话,传送门在此:《印象笔记01:软件认识与入门管理》《印象笔记02:日常灵感收集神器》接下来,我将带领大家了解一下印象笔记的野生用法吧。01. 置顶笔记想要将...

weixin_39574720的博客 1733

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

上一篇: 又逃课了
下一篇: 《神雕侠侣》古墓派玉女功养生修炼
devonzzb
博客等级 码龄25年 7粉丝 20原创
评论 2
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