加入东软培训。。。

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.4k累计阅读 1.5k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄18年

关注

最新推荐文章于 2026-10-01 11:20:26 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

今天终于决定参加东软培训了，放假前就在考虑参加这个培训，开学来了就有点犹豫了，暑假两个月在家干点家务、睡点觉，基本上没动过javaweb方面的东西，前面学的点滴东西都忘了。再加上考虑要接本（大专学历太低了）怕耽误，家里也很想我继续上学，同时自己身体太弱了，不适合高强度的培训，再加上这么高的培训费。。？？想的太多也没什么意思，自己学习在自控力和方向上很难把握，学的也慢，两手抓更好，，培训总比没参加过培训的要好多了，再加上是学校和东软的合作，培训费便宜了很多，也能接受，东软的培训还是可以的，，既然选择了就只顾风雨兼程-------------------

为自己努力，奋斗就一定会有收获。。。。。

-----------------------------------------------------------------------------------------------

(2010.6.20)后记：

已经参加工作两个月多点了，感谢徐老师，感谢东软培训。总之什么事情都需要自己努力来奋斗才出结果的，外因和内因的良好结合才是王道。

用最初的心做永远的事……

收录于

life■voice■idea

当前文章被收录于：

life■voice■idea

34 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#工作

东软招聘笔试题东软考试题。有时候简单，有时候难些，多看看有必要。如果会日语好像会有优势！立即下载

相关推荐

我给东软JAVA培训学生的建议简历模板

给东软培训学生的简历模版.doc /*不压缩上传不了，只好压了它*/ 博文链接：https://gold105.iteye.com/blog/148297

第四期东软Java培训—我的Java培训岁月2009

2008年12月底(即第三期东软Java培训末期)，新任院长安排我接手东软软件工程师培训，我从2007春一直参与这个项目，我有北京公司的开发经验，我通晓东软全套的Java和.net技术体系，直到此时才可以按照自己的方式做事，此前我经历了风雨。。。 第四期东软Java培训20090918—20100107，我付出了很多很多，也得到了很多很多。这是我第一次完整主导东...

Java北京传承.行者 499

东软实训

NULL 博文链接：https://200806.iteye.com/blog/1147231

在东软正式培训的第一周

今天才有空上网，没想到我前篇灰心丧气的日志，有那么多朋友给我鼓励，在这里十分感谢，心存感激。这一周正式培训感觉的一个字就是：累。安排的课程相当的紧，早上一般都是6点50起床（还是比较晚的），然后赶7点50的班车，中间要走10多分钟的路，到公司就8点20左右。其实也没正式上课，第一天，安排的是东软的成长历程，如何定位自己在东软的企业人的身份，第二天企业文化，观看了士兵

蚂蚁的专栏 2174

东软JAVA内部资料2

东软内部员工JAVA314培训资料,包括部分代码

NFT图片批量合成及稀有度计算工具

一、制作背景 -当前NFT作品制作的大多方式都是使用部件拼接的形式，然后从大量的可能性结果取优；二、解决问题拼接合成的组合数量十分巨大，手工合成费时费力；合成中对各个部件的使用次数不容易控制，部位出现的概率对作品的稀有度及评分影响较大；对于生成的作品各个部位的信息(包括来源和使用率)统计繁琐，不利于对作品的介绍中体现；三、程序功能介绍 1、功能自定义部位稀有度批量合成NFT作品步骤一：创建各个合成部件文件夹，将图片放到文件夹内步骤二：软件上设置各个部件对于的图片文件夹及出现的概率步骤二

Keeping111的博客 4639

东软，我把青春献给了你……

2004年8月22日，我从厦门的项目现场回到西安，23日上班报到，找领导谈话，然后休假，是2003年没有休完的3天年假，休假前我对领导说在这三天我将作出我的决定。2004年8月27日，阴雨蒙蒙的中午，我离开了东软，离开的时候我特意在打卡机上打下了最后一次考勤并带走了那张考勤卡。记得当初写《我的东软五年》的时候还问过自己是否会写《我的东软十年》？而今，从1998年7月正是入司算起刚刚六年，我还是

鹿寒的专栏 2万+

【BLE系列-第六篇】GATT解析：属性、特征、描述符的逻辑关系

本文系统介绍了BLE协议中的ATT和GATT机制。ATT以"属性"为基本数据单元，包含UUID、Handle、权限和Value四个要素。GATT则在ATT基础上构建了服务、特征和描述符的层次结构：服务（UUID:0x2800/0x2801）通过声明属性标识，特征声明（UUID:0x2803）指向特征值（UUID:0x2Axx或自定义），描述符（UUID:0x2900~0x290F）提供附加信息。GATT复用ATT发现机制，通过定义特定UUID语义实现服务发现和特征管理。这种设计使BLE设

qq_43399763的博客 1930

东软，我爱不起

东软，软件界的黄埔军校！在大学的时候，我就被这响当当的名字所吸引！也许有一天，我和它在一起会很快乐！作为在校学生，没有生活的压力。作为刚毕业的有志青年，学习充实自己成为当务之急！那时的我觉得东软会很适合我，我也会喜欢上东软，爱上东软！虽然刚开始我们没有太多的面包！东软给我的见面礼是那舒适的班车，是那司机大叔热情的微笑！那时，东软在我心中的好影像加十分！我知道东软很热情。而半个小时

sucreat的专栏 1691

保姆级教程：Unity编辑器汉化全流程（从下载到配置避坑指南）

本文提供Unity编辑器汉化的保姆级教程，涵盖从下载中文语言包到配置避坑的全流程。详细解析版本适配、文件系统交互及编辑器底层配置逻辑，帮助开发者高效完成汉化，解决常见报错问题，提升工作效率。

weixin_30825581的博客 158

无需Root！用VirtualXposed+JustTrustMe在安卓高版本上抓包拼多多API数据

本文详细介绍了在安卓高版本设备上无需Root权限即可抓取拼多多API数据的完整方案，通过VirtualXposed与JustTrustMe组合技术，有效绕过SSL Pinning限制。文章涵盖工具准备、环境配置、应用处理及实战分析，特别针对PDD应用的混合通信策略提供了专业解决方案，适合开发者进行竞品分析和数据采集。

weixin_28678151的博客 455

东软睿道python培训

“金九银十”的校园秋季招聘刚刚过去,东软教育旗下技能实训业务——东软睿道的老师们陆续收到了学员反馈的就业捷报。刘同学就是其中的一员。刘同学来自潍坊学院,2021年7月来到东软睿道进行JAVA课程系统学习,刚入班时面对满满的课程安排,内心有些担忧,但经过几天的学习适应,老师风趣幽默的授课风格、耐心细致的指导让他树立了信心,经过四个月的学习,他成功拿到了中油龙慧的offer,成为了一名JAVA开发工程师,年薪10w+,他说:“来东软睿道学习是我最正确的一次选择,也是大学四年中最充实的几...

weixin_63757190的博客 234

9.27华为OD机试真题新系统 - 均衡调度 (Java/Py/C/C++/Js/Go)

9.26华为OD机试真题新系统 - 均衡调度 (Java/Py/C/C++/Js/Go)

算法大师！ 521

东软 python 培训

weixin_63757190的博客 200

C# WinForm上位机：从串口调试工具到智能温控系统（Modbus RTU协议实战+完整源码）

做工业上位机开发时，我们常从串口调试工具入手：验证设备通信、查看数据帧，但面对实际场景（比如温控、电机控制），单纯的“收发数据”远远不够——需要解析工业标准协议（如Modbus RTU）、实时监控关键指标、实现自动化控制逻辑，还要有稳定的UI交互和数据记录。串口调试工具能收发数据，但看不懂Modbus RTU帧（地址、功能码、寄存器、CRC校验）；想控制温控设备（如加热器、风扇），但不知道如何通过Modbus写入控制指令；手动调节目标温度时，温度波动大，需要PID算法实现精准控温，但不会集成；

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 1305

【软考高级架构】论文范文16——论分布式缓存架构设计及其应用

随着互联网业务的快速发展，高并发访问和海量数据处理对系统响应时间提出了极高要求，传统基于磁盘的数据库存储已难以满足毫秒级的性能需求。分布式缓存作为一种高性能、可扩展的数据存储中间件，能够有效减轻后端数据库压力、加速热点数据访问、提升系统吞吐量，已成为高并发系统架构中的核心组件。本文以笔者主导的某大型电商平台秒杀系统建设项目为案例，围绕分布式缓存架构设计展开论述。笔者担任系统架构师，主导了缓存选型、数据分片策略、缓存一致性方案、高可用架构及缓存穿透/雪崩/击穿防护机制的设计与落地。

qq837993702的博客 164

东软培训Python怎么样

weixin_63757190的博客 670

基于uniapp实现自定义日历页面、年份月份选择、动态日历渲染、日期标记及备忘录、无组件依赖、多端兼容

基于UniApp框架下自定义日历组件的完整实现方案，涵盖基础日历渲染、年月选择器集成、动态数据标记等核心功能。提供完整代码段，帮助开发者快速构建高性能、高定制化的日历模块，适用于日程管理、预订系统等场景。

商务合作 / 项目定制 / 学习交流。个人vx：lovely_wml 1万+

我的东软三年

坐在班车上，我不禁想起了三年前初到沈阳的日子……05年3月，我们一行16人离开学校到东软实习，每个人都是拖着一个破旧的箱子和一个装着行李的编织袋，一看就是从乡下来的愣头青。600亩的软件园当时让我看傻了眼，一想到将来会在这里工作就兴奋异常。实习的工作主要是实施和培训，还记得辽宁外语大学的一个老师在我临走时拉着我一个劲的感谢，嘱咐我以后一定要再来玩，哈哈，成功的一次战役！也是那时第一次看到了

幽弓的狂想曲 2307

Probability and Statistics - 4th edition

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...

我的东软五年

2003年的年初，我被评为东软的优秀员工，欣喜之余，突然意识到自己很快便要在东软度过第五个年头了，心情一下子便觉得感慨交加。脑海中顿时回忆起这些年来的点点滴滴，心中有个声音在说“该写一些东西了”，但随后繁忙的工作重新将自己的思绪拉回了现实，这个想法的火花便被深深的埋藏在自己的内心深处了。小的时候其实一直就喜欢看书，进而发展为写文章，记得小学的时候还曾经被学校推荐参加作文比赛。那篇文章我到现在还记忆

鹿寒的专栏 1万+

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。

在东软实习的日子

好久没有写点东西了，原因很多了。。。来沈阳东软已经半个月了，今天公司刚刚发给邮件帐号，很多外网都上不去，只能上些优快云，J2MEdev等技术类的网站，这样也好。这些天沈阳的天气还好，想想前段时间的暴风雪把我们挡在北京车站的事，真是好难捱啊！将近10天的始业教育让我更了解东软，感受东软的魅力和温暖，现在又开始为期一个月的部门技术培训，每天听7个小时的讲授，晚

宁静以致远,淡泊以明志 5205

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")

东软,内部员工离职述说

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.youkuaiyun.com/jiangjunshow也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！                怀着对软件的梦想，我来

hffyyff的博客 2万+

东软，我把青春献给了你…… [转载]

兔八哥的狗窝 5321

java+vue计算机毕设东软员工培训系统【开题+程序+论文+源码】

随着信息技术的飞速发展，企业对于员工培训的需求日益增强。东软集团作为国内领先的IT解决方案与服务提供商，拥有庞大的员工队伍和多元化的业务部门。面对日益激烈的市场竞争和技术迭代，东软需要不断提升员工的技能和知识水平，以确保其服务质量和市场竞争力。然而，传统的员工培训方式存在管理效率低下、培训资源分配不均等问题，难以满足东软当前的发展需求。因此，开发一套高效、便捷的员工培训系统，成为东软提升员工培训质量和效率的关键。