为什么我们的软件不及印度

centos-stream-9上安装nvidia驱动和cuda-toolkit 阅读详情
大部分业内人士对印度的印象可以用4个字来概括:软件大国。说印度是软件大国,其依据是因为在印度,软件和信息服务行业的产值已经高达120亿美元,和其1990年产值5000万美元相比,增长了24倍。

况且印度的软件对于印度希望发展的外向型经济模式做出了卓越的贡献:目前印度软件已经出口到全球105个国家和地区,出口额超过印度全国出口总额的20%。据权威机构调查,1999年全球软件的销售额是1500亿美元,其中印度公司占16.7%,仅次于美国公司的78%。

大量资料表明软件是印度这个发展中国家的支柱产业之一。

IDC预测,到2008年,印度软件业产值将达到850亿美元,其中出口就要达到500亿美元。

这种既超速增长又是外向型的产业自然受到外国人尤其是中国人的广泛关注。于是,印度软件业的风吹草动吸引了大量的中国眼球。

这个问题,在国内已经讨论N遍了,都是我看得多,也没有去过印度,但今天有机会让我从一个不大相识的印度人口中知道差别何在。其实这次机会也说明了印度开始真正地进军中国的软件市场了。

昨天晚上,因为加班,很晚才从公司回家。匆匆忙忙地走路,已经11点多钟,看来是没有大巴坐到家,地铁也还没有开通,只能坐中巴回家。跟平时一样,我都是等着一辆又一辆中巴过去,等来等去,就是没有到我家那里的中巴。日益发达的深圳交通,其实是很差的,每天马路堵车,已经是天天见,时时见了。等了好久,才来了一辆。赶紧上车后,就看到一个皮肤有点不一样的人坐在后面,我就在他身边坐下来。他皮肤有点黑,正在打着电话,我听不懂他在说什么,我想肯定是老外。

在北环路上已经没有什么车,因此我们坐的中巴跑得特别快,就像深圳记者报道的一样,就像坐过山车。不一会就来到布吉关口,这段路特堵车,已经是全中国出了名的。如果说它是第二名,肯定没有别的地说敢说是第一。不久,就看到我们车走的路逆车道上发生了交通事故,看到好几辆消防车和很多人在围观。导致那里堵车,堵到很远的地方。这时,我身边的老外,就开始好奇地问我,说那里出什么事情。这时,我才知道这个老外还会说中国话的,虽然说得有点生硬,但还是可以。就因为车祸,我们就聊了起来。他好奇地问我,为什么那么多人在那里观看。我说是好奇心,中国人就喜欢这样。他说这样要不得。后来我就问他来自那里,我用了一句很简单的中学英语来问的,因为我的英语不行:)。后来他让我猜他,我先说是马来西亚,他说不对。叫我再猜,后来看到他那种皮肤,又在近来看到有报道印度很多软件公司已经在深圳成立办事处,接着猜印度人,结果给猜中了。知道他是印度人后,我心中最关心肯定是软件,因为我也在做软件,一直想解开心中的谜,那就是为什么我们的软件不及印度。我问他来深圳做什么呢,他说是他们替韩国很多工厂开发MCU软件,卖到中国来的。不久,就看到他拿出一个NOKIA的USB数据线来给我看看,说这个就是他们开发的产品。我仔细看了一下,就是一个USB数据线,估计他们就是开发USB固件程序。他说PC上的软件就用VB开发,里面的程序就是C写的。后来,我问他为什么你印度的软件比中国好呢?他说主要原因是印度英语好,比如他们看开发资料时,一分钟可以看明白,而我们要看三分钟,这里就差别了三倍了。我听到这个答案后,也有点吃惊的,后来仔细想来,也真是主要原因。因为全部开发资料都是英语居多,让我们去看英语,一定要四级以上,那就是说至少也得大专以上才可以看明白。如果再专业一点的英语更加看不懂了,或者说要费很多时间才看懂。

后来也从他那里知道印度也有很多不如我们好的地方,主要是基础设施,比如交通,电力等。他说像广深线的高速列车只用1个小时10分就跑160公里,在印度至少也要5个小时。看到车外边到处是灯光时,他说印度很多地方没有电。谈谈着,我就很快就下车了。

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) 立即下载

相关推荐

使用IDF和VSCode构建ESP32的开发环境

本文主要介绍构建使用IDF和VS-CODE 工具构建ESP32的开发环境的详细步骤,还应用IDF和VS CODE创建ESP32的项目文件,并实现编译和下载功能。

mftang的博客 6821

深度解析:印度软件产业为何如此发达

在全球范围内,无论是发达国家,还是发展中国家,都形成了若干规模不等、各具特色的软件产业聚集地,如美国的硅谷、日本九州的硅岛、印度班加罗尔的软件园等等。这些产业聚集地已经成为全球经济格局的重要组成部分,其中,印度的软件业聚集情况颇具借鉴意义。   印度是IT人才的硅谷。在美国,超过18%的微软员工,16%的IBM员工,17%的网络人才和超过10%的医生,21%的护士曾经在印度接受过教育。美国的百...

爱.NET 7169

深入解析PVT corner:从wcl到ml的芯片设计关键考量

本文深入解析了芯片设计中的PVT corner概念,重点探讨了从传统WC到先进工艺下WCL、ML等关键工艺角。文章详细阐述了温度反转效应如何使低温WCL成为最严苛的时序场景,并提供了基于先进工艺的实战签核策略与多角多模分析流程,确保芯片在极端工艺、电压、温度下的稳健性。

tree8的博客 529

由案例看印度的软件版权保护

本文介绍印度德里高等法院2021年审理的一起软件侵权案件,反映了印度软件保护的一个侧面,其中的细节值得中国借鉴。根据版权人的申请,在疑似侵权人Spartan Engineering Industries Pvt缺席的情况下,法院根据版权人单方提供的侵权数据库报告而颁发了软件使用禁令。...

fofcaptain的专栏 1077

机械臂的运动学分析-工业机器人

机械臂的运动学是研究机械臂各连杆坐标系之间的运动关系,是对机械臂进行运动控制的基础。本章分析了所设计的六自由度机械臂的运动学。理论上六自由度机械臂的工作空间是一个近似球形区域,能够覆盖机械臂所在的位置,但由于机械臂关节的运动范围受到限制,机械臂末端会存在一些不能到达的工作死区,使得机械臂的工作范围和灵活性受到限制。理论上六自由度机械臂的工作空间是一个近似球形区域,能够覆盖机械臂所在的位置,但由于机械臂关节的运动范围受到限制,机械臂末端会存在一些不能到达的工作死区,使得机械臂的工作范围和灵活性受到限制。

qq_59137727的博客 6650

CentOS 9 Stream 上安装 MySQL 8.0+

根据提示进行设置,包括设置新的 root 密码、禁用远程 root 登录等。MySQL 在首次安装时会生成一个临时密码。这样就完成了 MySQL 8.0.37 的安装。这将安装最新的 MySQL 8.0 版本。

小强不是坑 1681

印度的软件神话真不能打破吗?

前几天在报纸上看到一个报道,一个美国的专家预测中国将发展成制造业霸主,而印度将成为未来的软件巨无霸。现在国内也有好多舆论觉得印度神话很难打破。虽然印度的软件现在是有很多值得我们学习的地方,但印度对我们来说真是一个不可超越的神话吗?作为一个软件人,我不太认同这种观点。 从差距的起源讲,80年代美国等国外软件企业开始大量发包,其对象主要是劳动力廉价的中国和印度。但是出于各...

dinongxu8804的博客 237

Pytorch入门实战(2)-使用BP神经网络实现MNIST手写数字识别

上一篇:Pytorch入门实战(1) - 实现线性回归 涉及知识点 Pytorch nn.Module的基本使用 Pytorch nn.Linear的基本用法 PytorchVision Transforms的基本使用 Pytorch中DataLoader的基本用法 Pytorch详解NLLLoss和CrossEntropyLoss 如何确定神经网络的层数和隐藏层神经元数量 本文内容 本文将会使用BP神经网络(就是最普通的神经网络)实现一个MNIST手写数据集的实现。话不多说,直接开始。 首先先导入需要的包

iioSnail的博客 6619

印度行——印度软件公司的印象

最近为了给一家印度软件公司做CMMI评估前准备,去了一趟印度。本篇文章阐述了这次到印度的一些所见所闻。

u011250455的专栏 2757

PCL Trimmed ICP实现点云精配准【2025最新版】

博客长期更新,本文最新更新时间为:2025年6月25日。抄袭狗记得来抄最新代码哦,抄都抄成错的,不够丢人钱。

点云侠的博客 37万+

QT-Creator安装教程(windows)

本文介绍了Qt的下载安装步骤:1)通过镜像源下载安装包;2)运行exe文件时使用命令行参数指定镜像地址;3)在安装过程中选择路径和自定义安装组件,包含QT5和QT6版本的详细安装说明;4)安装后可继续添加扩展包或卸载组件。重点提示了QT6必须勾选的关键组件,并提供了组件管理的操作方法。

qq_53545309的博客 3114

印度软件外包发展简记

 印度位于南亚次大陆地区,国土面积为297万平方公里,仅为中国的31%,但其国家的人口已经达到11亿。虽然1950年独立之后成为英联邦成员,但印度的经济发展并没有取得比较突出的成绩,但与之形成对比的,是印度近些年高速发展的软件产业。据印度全国软件及服务公司协会相关人士介绍说,印度软件和信息服务行业的产值目前已经高达120亿美元,而在1990年的时候,这个行业的产值还只有5000万美元。现在印度的软

编辑空间 6545

【ESD专题】从原理上分析TVS管PCB Layout的经验法则

我们常常会听到的一些经验法则,按这些经验法则去做,一般也不会有什么问题,但是到底是为什么呢? 没有从原理上分析和证明的时候,往往在Layout之后还要担心实际测试结果怎么样。或是在实际测试出问题后,根本无法进行分析,难道说修改一个版本就好了?那要从哪里修改呢?也无从下手呀。...

一点硬件 1447

为什么国外客户愿意把软件交给印度人来做?

因为在硅谷的投资经历,我直接会见过大量在硅印度人的创业公司。在班加罗尔的很多印度软件代工企业,印度的软件外包做得不错,但为什么能做好,媒体上人们分析的原因基本都是不靠谱的。 通过了解印度人的教育结构、以及我直接管理过的印度人做事方式,我充分理解了印度人软件外包做得这么好真正原因所在——是他们远远强于中国人的沟通方式,而不是他们的语言能力。 当年任中兴印度公司CEO不久,我与两个印度员...

daru9708的博客 1224

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

印度软件外包凭什么比中国强

http://maowoo.spaces.live.com/blog/cns!9527268F2811D191!147.entry印度软件外包凭什么比中国强全世界都在说印度的软件产业如何发达,管理水平如何高。我也是抱着学习的态度来到印度。 不得不说,第一印象是印度还很落后。我到的城市,班加罗尔(bangalore),印度的IT重镇,机场很简陋,比国内的一些火车站差多了。

猫呜的java世界 2895

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")

印度身上中国软件能学什么

    2004年北京市高新技术产业可以说色彩缤纷,热点不断。无论是从联想的奥运会TOP赞助和收购IBM PC业务,到诺基亚“三地四厂”整合最终在北京落地;无论是中芯国际12英寸IC集成电路建成投产,到京东方第五代TFT薄面显示器顺利投产;无论是TD-SDMA标准产业联盟日趋成熟,IT产业冲破1000亿大关,到北京软件产业达500亿规模;应该说北京市高新技术产业充满了非常强的活力。  

软体疯子专栏 1953

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

扯淡印度软件

       严格意义上来讲,阿蒙只不过是中国软件业这个大染锅里一个在挣扎着的程序员,贴金来说也可以是一个创业者,因此俺没去过印度是非常容易理解的事情,之所以在此扯淡印度,主要是因为刚阅读了2006年5月份的《信息周刊》中的一个系列文章《走进印度》,有那么一点点感想,也有那么一点点梦想,感想与梦想在这个信息爆炸的时代里是珍贵的并值得收藏的。     老百姓喜欢说:没吃过猪肉,也见过猪跑,对于印

蒙圣光博客 3216

软件外包圣地?凭什么是印度?

提及印度,你对其直观的印象有哪些?除了是人口大国,你是否了解印度的科技能力? 事实上,放眼如今的科技圈,我们发现,各大巨头家的印度籍高管占比颇重,如微软的 CEO萨蒂亚·纳德拉(Satya Nadella)、Google CEO 桑德·皮查伊(Sundar Pichai)、诺基亚 CEO 拉吉夫·苏里(Rajeev Suri)均来自印度,那么印度的研发能力究竟如何?其为何会被称之为软件外包...

程序人生的博客 3974

看看印度的软件外包?

印度60%的软件出口销往美国,23%销往欧洲。日本、澳洲和西亚的市场也在扩大,尤其日本市场发展势头良好。南非,拉美和中国的市场也在开拓之中。转著名的顾问公司麦金塞(McKinsey)上个月预测,印度软件业和相关服务业到2008年营业额将达到870亿美元,其中出口占500亿美元。更有专家预测,印度目前每年值40亿美元的软件出口额,将在今后数年内突破1000亿美元大关。印度是世界上仅次于美国的

化繁为简:为先,为专,为强 5135

印度软件业的发展能给中国软件行业什么样的启示和借鉴

印度的软件行业通过外包模式在全球获得了巨大的成功,其经验为中国软件行业提供了多个重要的启示,包括全球化视野、人才培养、产品研发、政策支持、质量控制和文化适应等方面。虽然两国的市场环境有所不同,但中国软件行业可以从印度的成功经验中汲取养分,同时根据本国的实际情况进行创新和调整,从而实现更高质量、更具竞争力的发展。印度的软件公司能够与欧美、日本等国家的客户进行无缝合作,这在很大程度上依赖于印度技术人员的语言能力、跨文化沟通技巧和灵活的工作方式。印度之所以能够成为全球IT外包的领导者,离不开其强大的技术人才库。

qq_34068440的博客 1576

印度软件,告诉我们什么?(转)

        人们知道,印度并不富,而且难题颇多:全国10亿人有4亿是文盲,城乡差别很大,贫富差 异悬殊……但问题的蹊跷之处在于:这样一个并百经济强手的国度,竟然能产生令世界称奇 的信息产业!  这种不协调难免叫我们疑窦丛生:古老的文明与新潮的软件如何并存?一个连高速公路都没 有的国家如何建设"信息高速公路"?这也成了我们在印度走一路问一路、常提常新的问题。  软件出口:书写印度"新神话"  用

Johnson技术天地 2085

印度人是怎样开发软件的?

我在工作中,接触到印度软件公司开发出来的软件:整个体系架构非常清晰,按照我们的要求实现了全部功能,而且相当稳定。但是打开具体的代码一看,拖沓冗长,水平不咋样。我们自己的一些程序员就有怪话了,说他们水平真低。但是,印度人能够把软件整体把握得很好,能够完成软件,并得到相当好的设计文档。而中国人在那里琢磨数据结构、算法,界面人员就还没编码就想着是Outlook式的还是VisualStudio...

daru9708的博客 355

西安软件园:我们的对手在印度

西安软件园:我们的对手在印度   本报记者綦久竑 位于西安高新区的西安软件园正在成为一块旺地,每周都会吸引一些投资机构和海外公司前来淘金。目前,包括美国通用电气、日本富士通、NEC和丰田汽车等在内的知名跨国公司都已经在此设立研发基地或商务据点。而软件园自己也声称,他们的中期目标是要和印度软件企业在国际市场上一争短长。   软件公司升级程序:股改、引资、上市   由于拥有西安交通大学、西安电子科技大

hktl的专栏 1712

印度软件和中国软件工程师_印度的软件公司类型

印度软件和中国软件工程师The demand of software is all time increasing that has been quite instrumental in a vast success of the software companies and the industry in India. Actually, export of software from Indi...

culing2941的博客 973
上一篇: 如何用正确的方法来写出质量好的软件的75条体会
下一篇: 优秀行业网站建设5必备(上)
普通网友
博客等级 码龄22年 1万+粉丝 3156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