Uber Go 语言编程规范:nil 是一个有效的 slice

手把手教你用P-MOS管搭建双电源自动切换电路(含AO3401选型指南) 本文提供了一份基于P-MOS管AO3401构建高可靠双电源自动切换电路的实战指南。文章详细对比了继电器、理想二极管与MOS管方案的优劣,深入解析了AO3401的关键参数选型,并手把手指导了从原理图设计、PCB布局到上电调试的全过程,旨在帮助硬件工程师和创客以极低成本实现无缝、高效的电源冗余方案。 阅读详情

nil是一个长度为0的有效的slice。这意味着:

  • 您不应该显式地返回一个长度为0的slice,应该返回 nil。

 Bad 

if x == "" {
  return []int{}
}

Good

if x == "" {
  //要返回nil
  return nil
}
  • 要检查一个slice是否是空empty的,请始终使用len(s) == 0,而不是去检查是否为nil

Bad

func isEmpty(s []string) bool {
 // nil 的 slice 也是有效的
  return s == nil
}

Good

func isEmpty(s []string) bool {
  return len(s) == 0
}
  • slice的零值(用var声明的slice)无需make()就可以立即使用

Bad

nums := []int{}
// or, nums := make([]int)

if add1 {
  nums = append(nums, 1)
}

if add2 {
  nums = append(nums, 2)
}

Good

//用var声明的slice零值是有效的
var nums []int

if add1 {
  nums = append(nums, 1)
}

if add2 {
  nums = append(nums, 2)
}

请记住,虽然nil slice 是一个有效的切片,但nil切片并不等同于一个长度为0的已分配切片(一个是nil,另一个不是),在不同的场景下(如序列化),这两个切片的处理方式可能不同。

GEE开发之Landsat8计算MNDWI和数据分析 上一篇博客介绍了landsat8计算NDWI以及数据的获取,这次介绍MNDWI(改进的归一化差异水体指数)。 阅读详情

相关推荐

Aurix TC3XX Cache memory分析

Aurix Cache memory 分析

qwe0405080615的博客 4356

go 的slice

slice初始化的表达式和初始化数组的表大式的区别: slice字面上看去和数组字面量很像,都是用逗号分隔并用花括号括起来的一个元素序列, 但是slice没有指定长度。这种隐式区别的结果分别是创建具有固定的长度的数组和创建指定数组的slice。 和数组一样,slice也按照顺序指定元素,也可以通过索引来指定元素,或者两者结合。 和数组不同的是,slice无法做比较,因此不能用==来测试两个slice是否拥有相同的元素。 标准库里提供了bytes.Equal来做比较两个字节slice([]byte)。但是对其

myz_lemon的博客 376

别再只调电位器了!用单片机PWM控制LM317输出电压,精度和玩法都多了

本文探讨了如何利用单片机PWM控制LM317输出电压,替代传统的电位器调节方案。通过PWM信号的有源滤波和运放处理,实现了更高精度(±5mV)、更好温度稳定性(0.01%/°C)的数控稳压电源设计,支持远程控制和可编程曲线输出,为经典电路注入数字化智能。

weixin_29164497的博客 360

golang nil slice 和 empty slic 的区别 空切片

在开发的时候,会遇到对于nil slice和empty slice的问题,往往在声明了slice之后,在使用的时候却出现了问题。 以下是错误的用法,会报数组越界的错误,因为只是声明了slice,却没有给实例化的对象,这一点如果是c++的vector,便可以直接使用,但是golang 不行。 var slice []int slice[1] = 0 此时slice的值是nil,这种情况可以用...

whatday的专栏 2593

使用trae自动生成前后端分离的web应用程序

使用ai自动生成前后端分离的web应用程序

一介书生 2530

Codex App 远程 SSH 连接 autodl 配置全攻略

SSH 远程连接是开发中常用的技术,通过加密通道实现本地与远程服务器的安全通信。其原理基于非对称加密和密钥对认证,确保数据传输安全。在 AI 开发场景中,远程连接能充分利用云端 GPU 算力,同时保留本地编辑器的流畅体验。autodl 作为主流算力云平台,支持通过 SSH 接入实例,但 Codex App 等工具需额外配置。本文详细讲解如何获取 autodl 的 SSH 接入信息、配置密钥登录、填写 Codex App 远程连接参数,并解决连接拒绝、权限报错等常见问题,帮助开发者高效搭建远程开发环境。

weixin_28312391的博客 259

nil slice 和 空 slice

nil slice 和 空 slice 的处理是不一致. 通常错误的用法,会报数组越界的错误,因为只是声明了slice,却没有给实例化的对象。 var slice []int slice[1] = 0 此时slice的值是nil,这种情况可以用于需要返回slice的函数,当函数出现异常的时候,保证函数依然会有nil的返回值。 empty slice 是指slice不为nil,但是slice没有值,slice的底层的空间是空的,此时的定义如下: slice := make([]i...

1万+

YOLOv5 自定义模型 Android 部署完整指南

本文详细介绍了将YOLOv5模型部署到Android设备的完整流程,包含三个核心部分:首先验证官方模型测试,确保基础环境配置正确;随后进行模型转换,从PyTorch导出ONNX格式并优化,再转换为NCNN格式;最后在Android项目中集成自定义模型,包括文件替换、参数修改和代码适配。教程基于YOLOv5 6.1版本,使用NCNN框架进行移动端推理,涵盖了常见问题解决方案和关键配置要点,为开发者提供了从训练到部署的完整技术路线。

FJN110的博客 592

Uber Go 风格指南:为 Map 与 Slice 指定容器容量(Prefer Specifying Container Capacity)

在 Uber Go Style Guide 的 [Performance 性能篇](https://link.gitcode.com/i/0823c64837522fc2a821c1d65fd9e943) 中,"Prefer Specifying Container Capacity"(尽量指定容器容量)是一条专门面向热路径(hot path)的优化准则:在创建 map 与 slice 时,如果事

gitblog_00264的博客 696

【深度学习】Progressive Distillation for Fast Sampling of Diffusion Models

这种方法通过迭代地将一个需要较多步骤的模型(称为教师模型)蒸馏成一个需要较少步骤的学生模型,每次迭代都将采样步骤减半,直到达到所需的采样步骤数量。通过渐进式蒸馏,论文将原始需要8192步采样的模型成功蒸馏为只需4步采样就能取得接近的生成质量的新模型,大幅提高了扩散模型的推理效率。这篇论文提出了一种"渐进式蒸馏"(Progressive Distillation)的方法,来大幅降低用于生成对抗网络(GAN)的扩散模型(Diffusion Model)在推理阶段的采样步数,从而提高其推理效率。

q742971636的博客 1789

UEFI 基础教程 (零) - 目录

UEFI 基础教程 (十八) — UEFI Build Process简单分析。UEFI 基础教程 (十五) — 获取UEFI MemoryMap。UEFI 基础教程 (六)   —  PROTOCOL 简单使用。UEFI 基础教程 (十)   —  FileIO 简单使用。UEFI 基础教程 (一)   —  搭建UEFI开发环境。UEFI 基础教程 (九)   —  EVENT 简单使用。UEFI 基础教程 (七)   —  HOB 简单使用。UEFI 基础教程 (八)   —  PCD 简单使用。..

技术联盟 1538

Uber Go Style Guide 精读:Map 初始化的最佳实践(make 与字面量)

Map 是 Go 中最常用的容器类型之一,但其初始化方式却容易被忽视:使用 `var m map[K]V`、`m := map[K]V{}` 还是 `m := make(map[K]V)`,在可读性、安全性与性能上都有明显差别。本文以 [Uber Go Style Guide](https://link.gitcode.com/i/9d0b6bd30316a214c9f0d9cc155e543a)

gitblog_07082的博客 680

7、Python高光谱分析工具(PyHAT)简介

Python高光谱分析工具(PyHAT)是一个开源、跨平台的Python库及图形用户界面,用于行星光谱数据的可视化与分析。它支持多种高光谱传感器数据,如火星勘测轨道飞行器的CRISM、月船1号的M3以及SELENE Kaguya SP点光谱仪,提供预处理、衍生产品生成、统计学习和机器学习分析功能。PyHAT基于Pandas和NumPy构建,兼容Jupyter和QGIS环境,旨在解决现有光谱分析方法缺乏开源实现、难以探索性分析和算法分散的问题。其模块化架构涵盖数据输入/输出、通用光谱变换、测绘与点观测工具及高

aa123的博客 141

Uber Go 风格指南:用 `var` 声明零值结构体(Zero Value Structs)

本篇文章聚焦 Uber Go 风格指南中的一条核心初始化规范——当结构体声明中所有字段都被省略时,应使用 `var` 形式声明而非空结构体字面量。它属于 [src/SUMMARY.md](https://link.gitcode.com/i/5ebdc3eab91e6adb90bceaea4c73aaf0) 中 "Initializing Structs"(结构体初始化)小节的一环,与字段名初始化

gitblog_00901的博客 763

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

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")

Uber Go Style Guide:编译期接口合规验证(Verify Interface Compliance)实战指南

本指南讲解 Uber Go Style Guide 中一条关键规则:**在编译期验证类型是否实现指定接口**。通过 `var _ Interface = (*Type)(nil)` 这类断言语句,可以将接口契约检查从运行时提前到编译期,让接口违约在 `go build` 阶段直接报错。读完本文,你将掌握该断言的标准写法、适用场景、零值右值的选取规则,以及它与接口指针、接收者等相邻规则之间的关联。

gitblog_00992的博客 1122

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Uber Go Style Guide 变更演进解读:从 CHANGELOG 回溯官方 Go 编码规范的二十年沉淀

Uber Go Style Guide([style.md](https://link.gitcode.com/i/16c29bdb3073d8d29e68c1067401dd16))是 Uber 内部维护并对外开源的一份 Go 编码规范文档,本仓库同时保留了它的完整变更记录 [CHANGELOG.md](https://link.gitcode.com/i/83d280f43d618a39e56

gitblog_00914的博客 721

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Uber Go 风格指南:为什么你几乎从不需要“接口指针“(Pointers to Interfaces)

**导读**:本文基于 Uber Go Style Guide(本仓库 [style.md](https://link.gitcode.com/i/0ab39e2851d5eb39ad894844cc5ae7a0),源文件 [src/interface-pointer.md](https://link.gitcode.com/i/b5f8c37ef58b8def6617ee0fc755a903))

gitblog_00446的博客 307

Go 夜读第 63 期:Go 编码风格指南深度解读——从 CodeReviewComments 到 Uber Go Style 与 Go-advices

Go 语言虽然有 `gofmt` 统一格式化、`go vet` 做静态检查,但代码风格与工程规范依然需要团队级的最佳实践来约束。本文是 Go 夜读第 63 期(2019-10-17)对 `uber-go/guide` 风格指南与 `go-advices` 的阅读讨论整理,系统梳理官方 CodeReviewComments 的三十余条评审要点、Uber 风格指南的翻译热潮、Go-advices 的实

gitblog_00188的博客 174

Uber Go Style Guide:局部变量声明(Local Variable Declarations)的 `:=` 与 `var` 取舍

本文是 Uber Go Style Guide(本仓库 [style.md](https://link.gitcode.com/i/cfb8c438b981aa91eda5eaa2377cd3ef))中「局部变量声明」一节([src/var-decl.md](https://link.gitcode.com/i/57f7124915b2d44e235478e8f6c96fef))的深度解读。Ube

gitblog_00886的博客 442

对Uber Go Style Guide的理解和总结

1.不使用指向interface的指针 直接将接口作为值传递即可 传递过程中,底层数据仍然可以是指针 接口在底层的实质有两个字段:1.指向特定类型信息的指针 2.数据指针 2.接收器 ①使用值接收器的方法可以通过值或者指针调用 ②使用指针接收器的方法只能在指针或者可寻址值调用 type S struct { data string } func (s S) Read() string { return s.data } func (s *S) Write(str string) { s.da

llllleapfrog的博客 477

Uber Go 风格指南:初始化结构体时省略零值字段(Omit Zero Value Fields in Structs)

本文是 Uber Go 风格指南中“结构体初始化”系列规范之一,讲解在带字段名初始化结构体时,为何应省略零值字段、何时例外地需要显式写出零值,以及它与 `go vet` 强制字段名、`var` 零值声明、表驱动测试等相邻规则如何协同。读完本文,你将掌握一套可直接落地到日常 Go 编码与 Code Review 中的结构体初始化判定标准。 ## 规则一瞥:能省略就省略 当使用**字段名(keye

gitblog_00332的博客 406

Uber Go 风格指南:在边界处复制切片与 Map,隔离共享数据的意外修改

切片(slice)与 Map 在 Go 中都是引用语义的容器——它们内部持有指向底层数据的指针,赋值、传参、返回值时复制的是"句柄"而非数据本身。本篇基于 Uber Go Style Guide 中 [Copy Slices and Maps at Boundaries](https://link.gitcode.com/i/860e02fdabb29c8ae5fd342a422ec59b) 一节

gitblog_00734的博客 477

Uber Go Style Guide 实战:缩小变量与常量作用域(Reduce Scope of Variables)的工程实践

在 Go 工程中,变量与常量的作用域大小直接影响代码的可读性、可维护性与潜在 Bug 的暴露面。本文以 Uber Go Style Guide 中"Reduce Scope of Variables"章节(对应仓库文档 [src/var-scope.md](https://link.gitcode.com/i/d7a4b5d8671a74afabf4e4645bb0155e))为骨架,系统讲解缩小

gitblog_00603的博客 419

Uber Go 风格指南解读:为什么枚举要从 1 开始(Start Enums at One)

Go 语言中枚举的标准做法是"自定义类型 + `const` 常量组 + `iota`",但由于 Go 变量天然存在零值(zero value)语义,枚举值通常应从非零值起步。本篇指南源自本仓库 [src/enum-start.md](https://link.gitcode.com/i/7d8ed3f61cd9f18c4b7ae329fb2f07d8),将完整讲解这一约定背后的零值陷阱、`iot

gitblog_00599的博客 365

dsh-purge 核查:名为“红队评测插件“,实为模型越狱工具,为何我们拒绝安利

dsh-purge 不是红队评测插件,而是靠提示词注入改写宿主模型行为的越狱工具。本文不教安装与配置,只以仓库证据逐文件核对它实际做了什么、流到普通用户手里会发生什么。结论前置:本项目不进选题池。 ## 📦 表象层:"授权评测"的完整人设包 只看公开材料,这个仓库把自己包装成一个标准的安全评测插件。版本 1.1.78,900 多行双语发布记录,宿主版本从 0.1.7 一路适配到 0.2.1-

gitblog_00170的博客 658

AxonHub Go 开发规范全解:air 热重载、FX 依赖注入与 LLM 网关的编码约定

> 本文以 AxonHub 仓库中的 [Go 通用开发规则](https://link.gitcode.com/i/0a2e2fea07c00c5b3f6c22f90f8e4b96) 为骨架,结合 [Makefile](https://link.gitcode.com/i/8be0eb2f54140601671ad743440d53b2)、[.air.toml](https://link.gitc

gitblog_01006的博客 195
上一篇: Uber Go 语言编程规范:局部变量声明
下一篇: Uber Go 语言编程规范:缩小变量作用域范围
DreamCatcher
博客等级 码龄20年 23粉丝 151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

打赏作者

DreamCatcher

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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