错失(一)

新手必看!Stata工具变量分析中的三大陷阱:如何正确解读LM统计量、CDW检验和Hansen J值 本文深度解析Stata工具变量分析中的三大核心检验:不可识别检验、弱IV检验和过度识别检验,帮助新手避开常见陷阱。详细解读LM统计量、CDW检验和Hansen J值的正确使用方法,提供实战案例和Stata操作指南,确保研究结论的可靠性。 阅读详情

(一)

       就是这样的。好多事,好多人总是在你不经意间慢慢地向你靠拢。又在你不经意间像空气一样慢慢地从你的指缝间流走,消失得无影无踪,像天上飘过的云彩,不留下一点痕迹。

       编完了程序,已是凌晨三点,外面一片漆黑。似乎整个城市都沉静在睡梦中,可他并无睡意,他像一个刚学弹琴的小孩一样,在goole上 东敲敲,西敲敲,也许只有这样才能打发掉时间。因为他不知道离开了网络还有什么能打发掉他的时间,他似乎对其它的东西也不感兴趣,比如睡觉,有时他甚至怀疑自己不是人,因为哪有人不爱睡觉的。而他就是这样,他觉得睡觉是一件既无聊又浪费时间的事情,因此他自称为“另类动物”。

      “寂寞墙微花”像一个幽灵在他的视线里跳动,他的思维停了一下,眼里有小小的火光在闪烁,他迅速点击。页面婉约,唯美,简洁。他想这一定出自女孩之手,而且是一个有着青草气息,和海水味道的女孩。页面上都是原创文学,他随手点了几篇,文字很悠美,简洁而不单调。在一个写给harry的文章中有这样几句话:“你是我现在最好的朋友,对你我是真心真意的,我也相信你是这样对我的。我知道你有一颗善良的心,可是不同的生活方式使我只能和你做最好的朋友,或许也只有这样,我们才会永远拥有美好的记忆。愿你幸福!

        不知道为什么,看完这段文字后,他的心冷不丁地抽动了一下。他起身,从窗台上烟盒里抽出一根烟,半躺在柔软的布艺沙发里,微闭着双眼,白色的烟雾从他的嘴里慢慢地飘出,在空中形成一个又一个的圈。
他想起了琪琪。那是个让人捉摸不透的女孩。也是他到目前为止唯一爱恋过的女孩。
那时他们在同一家公司上班,她的办公室就在他的对面。他只要稍一抬头就会透过明亮的玻璃大门看到坐在对面的她。他看到里面的烟雾,也像现在这样一团一团的,在空中飘忽成一个又一个白色的圈。大多数时候她是忧郁的,因为他不曾在她脸上看见过一丝笑容。他们也几乎没说过一句话,可他就是这样毫无理由的爱上了她,他想爱情也许是不需要理由的。

      “我们一起走,好吗?我有伞。”下雨的黄昏,他终于忍不住,站在她的对面,直视着她,那是一张精致的脸,像景德镇的陶瓷,细腻而白嫩。他突然有一种冲动,想把她轻轻的捧在手心,静静地看个够。
他知道她一定又没带伞,无数次的下雨天,他站在这十八层玻璃前,看着她在楼下的街道上慢慢地跑着,雨沿着她长长的头发直泻而下。
她没有说话,只是用眼神瞟了他一下,冷酷至极。拿起风衣,径直地走上电梯,踏入雨中。他麻木地跟在她的身后,像一棵移动的树。雨越下越大,突然他迅速向前走去,扔掉雨伞,从身后一把抱住她。她没有挣扎,停住了脚步,慢慢地转过身,抬头,睁大眼睛看着他,亮晶晶的水珠沿着她饱满的额头慢慢的往下流。他抱紧她:“不要这样折磨自已好不好,我可以照顾你”,他声音沙哑,这是他第一次在一个女人面前哭泣。
       许久后她再次抬头,泪水布满她的眼眶。她微微踮起脚跟,纤细的双手勾住他的脖子,在他的脸颊上轻轻地吻了一下。然后就挣脱他的怀抱,毅然地扭过头,一个人冲进在雨中,他透过泪水看着她的背影渐渐从眼前消失,没有再追,他知道追了也没用。他想至少这样能留住一些美好的回忆,以后他再也没见过那个叫琪琪的女孩。

面试题-手撕NMS(非极大值抑制) 非极大值抑制(Non-Maximum Suppression,NMS)是一种常用于目标检测和计算机视觉中的算法,用于去除重叠的边界框,保留最可能是真实目标的边界框。其核心就是对一组检测框,找出其中属于同一个类别且分数最高的那个框,然后把和这个框的IOU值大于阈值的那些框都删掉。 阅读详情

相关推荐

VS Code + Codex 在 WSL 中使用的正确姿势

Codex 登录只能在本地完成。文件仍可通过 UNC 路径访问 WSL → 本地 Codex 就能照常工作。避免在 WSL 内重复安装/登录 Codex 扩展。

yangguangwuyue的博客 9851

- Bigtable(一):错失百亿的Friendster

你好,我是程序贵哥。过去两周,我们一起看完了GFS和MapReduce的论文。相信这个时候的你一定自信满满,有一种“我上我也行”的感觉。的确,GFS和MapReduce通过非常简单的设计,帮助我们解决了海量数据的存储、顺序写入,以及分布式批量处理的问题。不过我们也要看到,GFS和MapReduce的局限性也很大。在GFS里,数据写入只对顺序写入有比较弱的一致性保障。而对于数据读取,虽然GFS支持随机读取,但是考虑到当时Google用的是孱弱的5400转的机械硬盘,实际上是支撑不了真正的高并发地读取的。

qq_33240556的博客 566

【UE 反射】反射的原理是什么?如何使用机制?

静态类型检查确保了类型的早期一致性和高效的代码执行,但减少了灵活性。动态类型检查提供了更大的灵活性,但增加了运行时的开销和潜在的错误。反射作为一种动态特性,无论是在静态类型语言还是动态类型语言中,都提供了强大的运行时类型操作能力,但也伴随着性能和安全性方面的权衡。通过理解这些联系,开发者可以在不同的编程语言和应用场景中选择适合的类型检查方式和反射机制,以实现所需的动态行为和灵活性,同时保证性能和安全性。

hhw_hhw的博客 6034

英特尔的挽歌:看错一部错失几十年一遇的机会

1.2万员工将不得不离开英特尔,这一数量占英特尔全部员工的比例超过10%,然而,这一切的发生并没有理由,也不需要理由。20年前雄霸全球芯片产业的科技巨头英特尔并没有亏损,相反,2016年第一季度财报显示,英特尔的商业利润仍然在增长,可英特尔仍然选择裁员,而经营性裁员通常在商业领域意味着,英特尔将对现有业务结构进行一定的改组或者升级。 20年前,整个中国的...

weixin_34363171的博客 111

持续集成介绍及Jenkins自动化测试部署

学习持续集成及jenkins的自动化测试部署

ouihsiad的博客 4577

成功解决 OllamaError: status code 400, message: model ‘llama3.2:latest‘ not found 报错

本文针对Ollama更新后出现的OllamaError: status code 400, message: model 'llama3.2:latest' not found报错,分析了其根本原因——2026年1月Ollama将Llama 3.2模型命名从llama3.2:latest改为meta-llama/Llama-3.2:7b-instruct等新格式。解决方案包括:1)使用新模型名称;2)升级Ollama SDK;3)查询确认本地可用模型;4)批量更新旧项目脚本。通过正确适配新命名规则,

博客 1398

“犹豫成本”,这一最不容小觑的成本支出,会让你错失很多!

所以,当你面对一个项目时,就如同面临抛硬币的抉择,必须在正面与反面之间做出选择。若选择反面,那就干脆利落,莫要回头,更不要四处去探听他人获利几何,因为这与你毫无瓜葛。最为忌讳的便是犹豫不决、左右摇摆,既想有所作为又畏首畏尾,这种状态最为可悲,不过是徒然耗费自己的光阴,去见证他人的成功罢了。众所周知,在一个项目中,于不同的时间点选择入场,最终所收获的结果会截然不同。简单讲一下很简单,先引流,引到你之后,让你按照他们提供的链接,拍下他们之前就鉴定好的假货。好了,以上就是今天的分享,希望对你有所启发!

a22723147的博客 248

机器人学(三):手眼标定

主要讲了eye-to-hand的手眼标定求解算法,包括AX=XB和AX=YB两种情况,包含SVD法、Tsai-Lenz法、最小二乘法等,从原理到解法再到算法代码实现,包括matlab代码、C++代码、库的使用等,简单明了,容易在实际项目中进行应用

行者无疆的博客 2554

中国脑计划颠覆性创新之路一,中国不应在新科学革命前夜错失机会

每一次人类社会的重大技术变革都会导致新领域的科学革命,大航海时代使人类看到了生物的多样性和孤立生态系统对生物的影响。无论是达尔文还是华莱士都是跟随远航的船队才发现了生物的进化现象。 大工业革命使人类无论在力量的使用还是观察能力都获得的极大的提高。为此后100年开始的物理学大突破,奠定了技术基础。这些突破包括牛顿的万有引力,爱因斯坦的相对论,和众多科学家创建的量子力学大厦,这些突破都与”力“和”观

互联网进化论-刘锋 878

在 SAP 中实现“租赁资产”管理,核心是把 IFRS16/ASC842 等新租赁准则的要求落地到系统

摘要:本文详细介绍了在SAP S/4HANA系统中实现IFRS16/ASC842租赁准则的具体操作流程。主要内容包括:1) 系统前置配置,如激活租赁会计组件、定义租赁类型和会计科目;2) 租赁合同创建与主数据维护;3) 初始确认的会计处理;4) 日常折旧计提和租金支付流程;5) 合同变更与终止管理。通过RE-FX-LM模块与固定资产模块的集成,系统可自动生成使用权资产和租赁负债,支持从合同创建到报表披露的全生命周期管理,确保符合新租赁准则要求。

金牌架构师 988

实现画布拖拽算子排布,通过flink实现算子编排计算,如何实现?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 1072

末流211学长,手握SCI一作,却因六级错失入营机会,从失败中汲取教训,最终上岸C9!

专家提问,第一个老师问了一下我感兴趣的研究方向,看我论文做的不是这个方向的,为啥选这个方向?涉及到的三个问题,就第三个还听说过,问的GoogLeNet的inception,随便说了几句。入营173+108人,生源大部分为211、部分为本校,小部分为985,很多人放弃参加。线代、概率、数据结构、操作系统、计算机网络、计算机组成原理、数据库、机器学习、深度学习。英文问答,不是常规的英文问题,面我的老师给的问题好像是。PPT中介绍自己的专业学习背景、荣誉称号、论文、专利、项目、竞赛以及感兴趣的研究方向等。

Baoyan_cs的博客 1447

【干货】SAP特殊库存:Q库存(项目库存)全解析,搞懂ETO模式的核心!

在 SAP 系统中,

我小时候很黑的博客 912

数学一年级应用题_小学一年级数学应用题100道

孩子觉得难的原因。今天整理了小学阶段典型的50道...20人。34 学校举办语文、数学双科...,参加数学竞赛的有38人,一科也没参加的有5人。双2018-12-19 08:47小学六年级数学应用题100题下载:2018-07-17 11:40加减法,后算乘除法时别忘记写括号。例 某小学...的比值叫做利率。利息=本金×利率×时间来源:小学知识...应用题(1) 简单应用题:只含有一种基本201...

weixin_35971708的博客 947

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

某985大学,竟然这样“保护一志愿”?

一般来说,大部分学校的一志愿考研复试和调剂都是分开进行的,一志愿复试先进行,如果复试后录取人数不足,那么再进行调剂的复试。尤其是对于985大学,一般报录比都是好多倍,一志愿的同学都特别多...

计算机与软件考研 627

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

大四可以正式入职吗_三方协议一签,就不是应届生了吗?高校毕业生注意,别错失身份...

三方协议一签,就不是应届生了吗?很多大三大四以及签订过三方协议的学生们都会对自己是否是应届毕业生产生疑惑,在这里我们就需要了解清楚应届毕业生和三方协议的关系。应届生和三方协议之间的关系首先来说,三方协议并不代表劳动合同,仅仅是三方签订的就业意向,一定程度上对劳动关系没有法律的约束,但是很多学生在毕业后立即和用人单位签订了劳动合同就不再算为应届生了。三方协议的三方是指:毕业生、学校和用人单位,学校经...

weixin_39935777的博客 2896

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")

任务框架quartz的misfire的理解

     quartz,java世界里面的任务管理容器。 至于为什么会有misfire这个概念,我想可以重这三个方面来进行说明: 1 所有的线程都在忙于更高优先级的任务 2 任务本身CRASH了 3 代码的BUG,导置错误的设置了JOB 基于这3种原因,其实也是现实世界中的常理。没有任何事情,都能保证100%运行OK。quartz提出了misfire的理论,让任务在错过之后,还能正常...

iteye_14646的博客 794

2023数学建模国赛C题赛后总结

只拿到了广西区的省一。这次比赛,我的指导老师是学院随机分配的,他居然是教物理的,而我是学计算机的,而且我还做的c题。我的天,我当时确实很绝望,但是我又对自己的实力很有自信。第十五队就是我们队,最终的结果其实比我预期的要好,但是明明已经推送国奖了,最后又给我淘汰了,我是真的难受。我们学校的数模比赛负责老师也专门给我打了电话,我跟那个老师也不熟,但是我在备赛期间一直找老师换队友,老师心里大概了解我的情况。知道我们的队伍主要是我在做事,老师也是安慰了我一会,然后在我的要求下,给我换了其他专业对口的辅导老师。

炼丹上岸 1387

CES Asia 2025最后席位锁定:犹豫的代价,可能是一整年的市场先机

而犹豫,则可能意味着又要等待一整年,甚至错失一个竞争周期。从资源对接角度看,展会期间15家全球顶级采购团的集中采购需求、百家风投机构的投资意向,都具有极强的时效性。往届数据显示,展会后1个月内达成的合作占全年总量的40%,且这些合作多源于展会现场的直接对接,后续跟进的成功率显著降低。CES Asia 2025的黄金展位与高级别参会名额即将售罄,最后的席位正被快速锁定,对于仍在观望的企业而言,犹豫的代价可能是错失一整年的市场先机与核心资源,这种“错过即损失”的紧迫感在科技产业快速发展的背景下愈发凸显。

CESAsia的博客 281

痕

刚刚偶然看到我校退役的高二学长的 \(blog\) ,突然很是感慨。他明明很强,搞信竞学校、家长支持,自己喜欢,还有一群志同道合的好朋友们一起泡机房做题。明明前途一片光明,生活充实而美好,怎么就省选 \(rk19\) 错失省队了呢(当然,人家文化课也很强,不怕的 \(orz\)) 其实,我还是想到了自己吧。 总还是相信那个美丽的幻想——奋斗了就会成功。不管我的经历或别人的经历怎样一次次让这个幻想破...

weixin_30363817的博客 95

比尔·盖茨承认犯下 4000 亿美元大错:误给 Google 推出 Android 机会!

作者 | 素年清时 责编 | 伍杏玲 出品 | 程序人生(ID:coder_life) 近日在Village Global举办的座谈会上,比尔·盖茨(Bill Gates)承认犯下最大的错误就是给了谷歌推出Android的机会。他说,微软获胜本来是自然而然的事情,但是他搞砸了,这一错误使得他和微软承担了4000亿美元的损失。 说到这里,我就要带大家扒一扒IT行业几十年前的往事,谈一...

优快云资讯 5204

先按快门,想要的风格拍完再选?华为新机Mate 80系列&Mate X7的“一拍多得”,让照片不再留遗憾

拍摄技巧:普通拍照模式下,当场景检测到有人像、猫狗时会自动触发,所拍出来的照片可以在图库里切换虚拟光圈效果,并可以在图库编辑页编辑切换对焦点、虚化强度。你可以随意拍摄,在图库里后选照片进行“动感摇拍”的效果切换:算法自动识别主体,重塑背景动感拉丝,一按就有速度,一拍就是大片。让虚化不再是拍照前的准备,而是拍照后的自由。华为新机的这个“一拍多得”,让照片不再留遗憾 看到心动的风景,或者遇上值得记录的事件时,却因为选错拍照模式、没设置对拍摄参数,导致拍出来的效果不尽如人意,错过美好而感到遗憾?

bineans的博客 857

Batting Practice LightOJ - 1408

After being all out for 58 and 78 in two matches in the most prestigious tournament in the world, the coach of a certain national cricket team was very upset. He decided to make the batsmen practice a...

dsaghjkye的博客 255

运营效率飙升!5 时段自动发圈,多微信一屏全搞定

手里管着多个微信账号,切换来切换去回复消息,手忙脚乱还容易遗漏;客户咨询遇到难题,转接沟通时还要让客户重复描述,体验感大打折扣?一键就能求援团队资深坐席,关键是客户无需重复描述问题,服务衔接零缝隙。问题解决更快,客户满意度自然蹭蹭涨,口碑维护更轻松。所有账号的消息都汇集在一个界面,不管是客户咨询、好友消息,都能直接在这里统一回复。提前把朋友圈内容编辑好,根据运营需求设定5个目标推广时段,系统会自动精准发布。微信管理系统来解决,帮你解放双手、提升效率,客户体验也能拉满!三、坐席协作无缝衔接,客户体验拉满。

syllgl的博客 118

费曼致学生真野光一

这是理查德·费曼回复学生真野光一的一封信,附英文原版。   费曼致学生真野光一(Koichi Mano)       真野是获诺贝尔奖的科学家费曼从前的学生,也曾经是朝永振一郎的学生。他写信来道贺。费曼回了信,问他近况如何。他回信说:“正在研究同调理论应用于电磁波在扰动的大气中的传播……是一个很卑微、末节的题目。”     亲爱的光一:     我非常高兴知道你的消息,也知道你...

weixin_33674976的博客 260
上一篇: 错失【原创】 --- 序
下一篇: 错失(二)
differ1
博客等级 码龄25年 0粉丝 25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