中大印象(MM篇)

       天气是越来越热,美女也就随之越来越养眼。

        很快就要毕业了,这最后的学生生涯总是让人有些舍不得。

        中大位处南方,当然是南国美女居多,自己也宛如南方的女子般,秀气,静谧。校园男女比例       很平均,这一点让我们走在校园里会少点野兽的味道。

        地道的广东女孩确实有不少不太符合汉民族传统审美观的,但她们的深目消颊同样不乏灵秀出     众 者。多有宽阔的额头,有人还说广州的女孩屁股比较翘,这点我倒不能苟同,因为太多人都太    瘦 了。最 为出众的仍然当属她们的眼睛,羡慕她们有一双大大的眼睛,如此这般还不成,还要特    意用     眼线加深, 这一点在年轻的女孩之中随处可见。

        这是一个繁忙的城市,也是一个休闲的城市,岭南文化有其独特的魅力,除了我不习惯这里的    早餐。这里缺少一份严谨,多了一份潇洒,这里的女生也就多了一份与世俗接触的妖媚与艳丽。    可是我仍然可以见到很多清新脱俗的女子,在校园之中,如东门旁荷花池的荷花。可能这只是我    傻傻看不清而已,但学校已是社会工地的最后的一份保留地。

        这里的人喜欢运动,因为他们在经济发展的同时深刻意识到身体十分重要。喜欢毽球,羽毛球,都玩得十分出色,我曾经在白云山看到把毽球当作羽毛球来踢的运动形式,不得不惊诧于他们的技术与身体协调能力。校园里面的运动场每天都有很多人,非常多人喜欢跑步,女孩很多,漂亮女孩很多,你知道合身的运动装其实是特别性感的。,戴着耳机,在运动场上慢步跑着,那种视觉效应,i like。可惜我喜欢夜里在珠江边跑,

        运动鞋--球鞋,发现原来是有钱人的装备,我等这种没钱者才会认为皮鞋高档, :x 。街道上的年轻学生多是校服,球鞋,真的很不解这么喜欢穿校服,不过因为嫩吧,年轻女孩穿起来也挺有意思,她们的发型也多是前面刘海分一边,后面头发随便一盘,并不精致,可挺配合她们的清瘦身材。说起身材,多数女孩都不高,那穿衣服怎么打扮好呢,裤子很松,裤腰很低,故意不突出腿部,甚至这样会使腿部显得更短,依靠低腰来连带其对臀部的提示作用。但我觉得这样穿起来很不干练。

        其实校园里面如上面这样的并不多,没什么怪异的打扮,可能大家的素质比较高,气质好,之所以感觉好吧。学五食堂的美女特别多,春晖园就差太多了,也怪那边住的女的少。南区的美景再配美女很不错,有时就能看到有模特专门在那拍照。

        一不小心发现写了不少了,也没多少人看,暂且写到这里,贴个照片来图解一下吧,有机会去照几张相。

        注:图片引用自逸仙时空贴图版,好像或多或少我已经构成了侵犯肖像权罪了。
Jetson Orin NX系统克隆术:如何快速备份与还原你的开发环境(附完整命令行) 本文详细介绍了Jetson Orin NX系统克隆的完整流程,这是一种超越简单备份的完整镜像方案。通过命令行操作,可实现开发环境(包括引导程序、内核、根文件系统及所有配置)的快速备份与还原,确保批量部署时环境的完全一致性与高效性,尤其适合机器人、边缘AI等项目的团队协作。 阅读详情

相关推荐

【阅读文献笔记】FoundationStereo: Zero-Shot Stereo Matching

提出首个零样本泛化立体匹配基础模型设计 STA 模块融合单目先验提出 AHCF 模块增强代价滤波构建 100 万合成数据集 FSD + 自净化流程。

qq_46460379的博客 1257

记一些印象深刻的 Bug

一、iOS 加载超大尺寸图片 Crash 的调研及解决方案 1.1、问题描述 前段时间遇到一个工单,客户反馈,只要进入订单列表界面 1~2 秒,客户端就会 Crash,订单列表界面示意如下: 1.2、问题分析 由于是客户投诉的 Bug,没有 Debug 信息,先猜测各种情况,数组越界/后台传 nil 值/内存泄露/ KVO 赋未定义值等等;然而经过仔细分析模拟逐个排除了上述可能,仍查找不到 Cr...

weixin_34409357的博客 1万+

聚类教程:cisTopic——来自单细胞表观基因组学数据的顺式调控主题的概率建模

之前运行这步的时候报错了如下: 后来发现原因是Ubuntu自动把R包更新到4.2版本,但是Rstudio版本没有更新,更新Rstudio即可,更新Rstudio的教程看此教程:。

watermel__的博客 1051

中大印象(图书馆篇)

        中大的主干道特别有韵味,这也是这个学校的最美的地方所在,图书馆就隐藏在平行的两条逸仙路的一边,高高的隐在一边,以至于我第一次来的时候匆匆走过就没有发现。         高高的几十级台阶把你引向那环境优雅,不光外部环境,内部环境也是相当的好,虽然我对其藏书现在颇为诟病。图书馆的前面有几棵学校里少见的凤凰木,反正树长的比较高,不是阔叶植物。门正对的应该是惺亭,挂着一口大钟,那里是学...

We are here to be creators 222

window下迁移SVN仓库到新的windows服务器

window下迁移SVN仓库到新的windows服务器

Bertram的博客 4691

浅谈MOS管的发热原因和解决办法

解读一下开关管发热原因,解决方案和开关损耗测试。

qq_45508321的博客 1万+

中大印象

因为充当司机的缘故,周末两天往中大跑了两次。离开校园好久了,对于这里的宁静和安详已经有些模糊,这回,又让我找到了这种感觉,甚至都有了重返校园的念头。因为路线不熟,周六我们起了个大早,六点钟就爬了起来。早上的空气还有些凉意,路上的车也不多,速度很快,虽然是第一次去,但从Google地图上早已把路线看得很清楚,连GPS都没有用,便顺利地找到了中大的南门。进入南门,扑面而来的是满目的绿色和浓阴蔽

程序呓语 999

数字IC面试核心:从MUX基础到Glitch-Free时钟切换电路深度剖析

本文深入剖析数字IC设计中的MUX基础原理及其在Glitch-Free时钟切换电路中的应用。从二选一MUX的门级实现到时钟切换中的毛刺问题,详细讲解了同步切换机制和工程优化技巧,帮助工程师掌握高速时钟电路设计的核心要点。

weixin_42629815的博客 323

怎样追MM

<br />最近没干些正经事,一天时间多半在睡觉和看电视剧,自我慰藉为轻松和放纵自己一段时间。但我也越来越体会到内心的真正放下才是真正的放松。看来还是要为以后上班做些必要的准备。<br /> <br />刚才休闲看了一篇关于如何追MM的文章,感觉对自己有用,决定记录下来,以备以后以身试法。到现在还没女朋友呢,看来是要学习下这个秘籍了。<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br />引导语:有一女生说,任何一个女孩子在被人追的时候,心理都是很复杂的

liuyangsyouxiang的专栏 771

记一次完整的RPG Maker MV游戏逆向过程(思路一)

了解RPG Maker MV的文件建构 上一篇文章,我们已经成功在PC上运行了游戏,那我们如何对游戏进行逆向呢? 首先要了解正常的RPG Maker MV制作的游戏应该具有哪些文件,以及他的结构 那如何了解他的结构呢,很简单,我们只需要用RPG Maker MV创建一个默认工程,来看看一个游戏的最简结构是怎么样的 创建新项目 项目创建完成 查看项目目录结构 是不是和之前解包出来的很像呢? 通...

Ciiiiiing的博客 1万+

RK3588平台-ES8388音频驱动调试与设备树配置实战

本文详细解析了在RK3588平台上调试ES8388音频驱动的实战过程。内容涵盖Linux音频驱动的三层架构(Machine、Platform、Codec),并重点提供了设备树(DTS)的完整配置示例,包括I2C节点、声卡节点及音频路由设置。文章还分享了驱动加载验证、amixer调试命令以及常见问题(如无声、变调)的排查思路,旨在帮助开发者快速完成RK3588与ES8388的音频系统集成。

mango的博客 806

汽车之家html5,【图】汽车之家口碑排行(8):中大型轿车篇_汽车之家

[汽车之家 新闻] 进入2014年以来,国内轿车市场的增长速度有所减缓,在微型车这一细分市场甚至出现了负增长的现象,但是中大型车的销量仍然在“高歌猛进”,成为2014年轿车市场增长最快的车型。本期,我们便将目光聚焦在目前市场表现不错的5款中大型车上,这几款车分别为奥迪A6L、宝马5系、奔驰E级、雷克萨斯ES、凯迪拉克XTS。这五款车在不同方面的用户口碑表现如何?是否会出乎您的意料?那就让我们走进...

weixin_28729205的博客 341

【Py/Java/C++/C/JS/Go六种语言OD独家2024E卷真题】20天拿下华为OD笔试之【固定滑窗】2024E-考勤信息【欧弟算法】全网注释最详细分类最全的华为OD真题题解

可上练习华子OD、大厂真题绿色聊天软件戳oj1441了解算法冲刺训练(备注【优快云】否则不通过)

weixin_48157259的博客 618

印象刘三姐,视觉盛宴-很艺术很壮观

印象刘三姐,视觉盛宴-很艺术很壮观前不久去看了印象刘三姐,震撼很久,对印象刘三姐的描述,不是文字和图片可以表述出来的。那种壮观和震撼,要身临现场才能感觉。而我记录的,是关于一些旅途的小细节~我们一行20多人,在下午4:30分乘坐桂林国旅的印象专线车从桂林出发的。大巴车不算太新,但是很舒服,在车上我还小睡了一会。车行大概一个半小时到阳朔,因为是专线车,没有在阳朔县城停留,而是直接开到景区

饭饭的专栏 1306

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")

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

[MM32生态]【EV Board (MM32L0136C7P)测评】+板子印象

7、sdk的获取也是比较少见的,需要通过注册再官网下载,除此之外sdk不全,像内部flash的操作历程是没有的、sdk的注释部分也是错的,比如串口例程中明明是串口2,注释是串口1。1、没有板载调试器,目前市面上官方出的板子像ST、雅特力、国名技术等基本都板载了调试器的,像cmsis-dap就是比较好的调试器了;4、主芯片是低功耗设计的,但是确选用了非低功耗的ido,另外外设的供电也没法单独控制,这可能是这块板子最大的**肋;6、CN4、CN5、CN6这三个接口,选用的座子,作为评估板,也是比较少见的。

ic2121的博客 365

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

印象中最温柔的MM

记得那次下去看她,傍晚我要回厦门了。她看我衣服歪了,非常认真很仔细地帮我整理,我感觉很幸福,她那种样子好迷人。

路漫漫... 940

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

一个MM教你追女孩

再发一遍-一个MM教你追女孩 标题:再发一遍-一个MM教你追女孩 类别:灌水时间 主贴内容|| || 一、应该给mm留下什么样的第一印象(时间:刚开始接触mm) || ||   1、我认为最关键的,是要让mm看到你的上进心。 ||   男人的最大魅力在于事业有成,年轻人工作时间不长谈不上“有成”,这时候你 || 就要让mm觉得你是个有上进心的人。 || || ||   别的可以胡说八道,但这个

1715

(OLD) 女生写的如何追MM

 女生写的如何追MM 发信站: 两全其美网 (Mon Oct 24 15:13:51 2005), 本站(lqqm.net) ─────────────────────────────────────── 作者 yrhh           时间 Wed Oct  5 20:23:14 2005                             ─────────────

cutepig的专栏 569

图片底下配的文字叫什么_云烟(黑金刚印象)中支,云烟中支黑金刚印象图片口感评测,黑金刚印象中支云烟,中支云烟黑色烟支叫什么?...

黑是一种很强大的色彩,寓意低调神秘,优雅权威。“金刚”的字面意思是坚固,武侠小说里常有“金刚不坏之身”的说法;而佛教中的金刚则多用来比喻无坚不摧的智慧。这次,这款昵称为“黑金刚”的云烟(黑金刚印象),也颠覆了我的审美。 云烟(黑金刚印象) 产品类型:烤烟...

weixin_31262911的博客 5056

如何打造深受用户喜爱的产品?印象笔记有妙招

申耀的科技观察读懂科技,赢取未来!“小明,一会儿记得把会议纪要给大家分享一下。”“现在在地铁上,先把昨天大家的创意梳理一下。”“这篇文章写得够深刻,收藏了有时间学习一下。...

申耀的科技观察 355

女生写的如何追mm

喜欢就表白,很简单,不过你不止喜欢那就穷追不舍,这样也会感动滴!!是我,我就会感动 用心 我是女生,看到有的男生想追自己喜欢的女孩子又不敢追,还想人家倒追她,我很反感. 从一个女生的角度,我比较了解女孩子的心理。女孩子大多不会主动出击,去追求自己喜欢的男孩,除了确实太喜欢了或者是那种比较有个性的勇敢的女孩子。所以,如果你很喜欢一个女孩子,并且认为她对你也有点意思,那就主动点,别跟她搞拉锯战,

MatthewMao 1161

一二计划(Day 7)垃圾佬的MM

题目描述 垃圾佬突然有了一个想法,他将他脑海中的所有MM的名字列成一排,并给她们编号1,2,3…n,然后给所有的MM都打了一个印象分P1,P2,P3…Pn(印象分都为整数)。这时候,垃圾佬想一次性选择多个MM出来,要满足以下要求: 选择的MM的编号必须是连续的。 这些MM的印象分的平均数为非负数。 最最最重要的一点,垃圾佬想要选出的MM的个数越多越好。 垃圾佬想知道他最多可以选出多少个MM。 输入 第一行一个数字T,代表有T组数据(T<=10) 接来下有T组数据。 对于每一组数据,第一行有一个数N,代

ahhahss的博客 116

思归印象

中国区MVP的Leader  Grace 曾经对MVP做过一个调查,其中一项:你最佩服的人是谁?我的答案是:思归原因很简单,在我可以接触的人中,思归在优快云论坛对网友的帮助是最持之以恒的。帮助别人并不难,难的是一直做下去。从优快云论坛开始火爆算起(2000年中)优快云总专家榜第一名,如果我没记错依次应该是:kxy(当时是优快云公司软件部的经理,后来优快云不再做软件了,离开了优快云)Ma

蝈蝈俊.net 3345

上海MM没人要的10大理由(转)

上海MM没人要的10大理由1、▼——傲。话说在中国范围内,北京人管北京以外的地方叫“地方”;香港管香港以外的地方叫“内地”;广东管广东以外的地方叫“北方”(海南以前属广东,特说明)。上海最绝,管上海以外的所有地方叫“乡下”。城里人历来看不起乡下人,可想而之,上海mm,尤其是有点姿色的,在乡下人面前眼睛盖是不屑一看的,而尾巴嘛,盖是翘得比金茂大厦还要高的。对这样的mm,你还要娶吗? 2、▼——懒。上

张富平的专栏----软件工程师的摇篮 1239

某mm写的如何追mm(绝对专业)

一、应该给mm留下什么样的第一印象(时间:刚开始接触mm)  1、我认为最关键的,是要让mm看到你的上进心。  男人的最大魅力在于事业有成,年轻人工作时间不长谈不上“有成”,这时候你就要让mm觉得你是个有上进心的人。  别的可以胡说八道,但这个问题不能含糊,你一定要告诉mm,你对未来充满信心,你不满足于现状,并且你已经有了长远的计划,总之你的未来不是梦。  2、要显得有信心、有责任心  不要像个小

rinso_2005的专栏 854

提升效率的印象笔记(Evernote)使用技巧:解锁你的知识管理与生产力潜能

印象笔记作为一款功能强大的笔记应用,不仅能够帮助你高效地管理日常任务、学习资料和创意灵感,还能通过其强大的组织工具和灵活的扩展性,成为你个人知识管理和生产力提升的重要工具。通过本文介绍的使用技巧和方法,相信你已经对如何更好地利用印象笔记有了更深入的了解。然而,真正的效率提升还需要结合个人的实际情况和需求进行不断的尝试和调整。希望你在使用印象笔记的过程中能够找到最适合自己的方式,让知识管理变得更加轻松和高效。

m0_70066267的博客 1622
上一篇: 女友的电子相册(DIY)
下一篇: 猴子大象法则
highsky_2002
博客等级 码龄22年 1粉丝 24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