深入探讨Chat GPT,难道只有这2点用途?

深度解读 ChatGPT基本原理 另外一点就是,Transformer架构它还可以通过堆叠多个层来构建深度学习模型,所以它也是一种深度学习模型,它能够堆叠,所以它就能够不断的来扩大规模,进一步提高模型的性能,现在最新的研究表示,模型越大,它就越有可能出现更多的涌现能力(不知道什么能力就突然被解锁了),就好比今天这个模型还不能对话,随着模型的参数越来越大,层数越来越多的时候,它突然可能就拥有了和你流畅对话的能力,这是一个很不可思议的事情。而GPT它的目标就是文本生成,所以对于聊天机器人或者问答系统来说,它就有比较天然的优势了。 阅读详情

作为一种先进的人工智能技术,Chat GPT(Generative Pre-trained Transformer)是近年来在自然语言处理领域中备受关注的重要技术之一。在本文中,我们将探讨Chat GPT的定义、应用和未来发展前景。

一、 Chat GPT 的定义

Chat GPT是一种基于自然语言处理技术的语言模型。它的核心是一个由多个Transformer编码器和解码器组成的神经网络。这个神经网络能够根据训练数据自动学习语言的规律,并能够生成自然流畅的文本。它的主要特点是能够自动理解和生成人类语言,从而实现智能对话的能力,因此被广泛应用于智能客服、机器人对话等领域。

二、 Chat GPT 的应用

  1. 智能客服

Chat GPT的一个主要应用是在智能客服中。传统的客服系统往往会给用户带来痛苦,原因是其缺乏人性化的交互方式。而Chat GPT则能够通过自然语言处理技术,将用户的问题转化为计算机可识别的表达形式,从而进行智能应答。这使得用户可以像与人类交流一样与系统进行交互,提高了用户的体验。

2.机器人对话

Chat GPT的另一个应用是在机器人对话中。随着机器人技术的不断进步,人们对机器人的交互和沟通也提出了更高的要求。Chat GPT能够帮助机器人更好地理解和回答人类的问题,从而实现更加自然流畅的对话。这对于提高机器人的人性化程度和人机交互效果至关重要。

三、 Chat GPT 的未来发展前景

Chat GPT在智能客服、机器人对话等领域的应用前景广阔。未来,随着人工智能技术的不断进步和应用场景的不断拓展,Chat GPT还有很大的发展空间。其中,人机交互是Chat GPT需要持续优化的领域之一。Chat GPT需要不断学习和理解人类语言,以提高自身的对话质量和效率。

总之,Chat GPT是一种非常有前景的技术,它在智能客服和机器人对话等领域的应用已经取得了很好的效果。未来,Chat GPT将在人工智能技术的推进下,不断优化和发展,成为更好的人机交互工具。

ChatGPT-聊天生成预训练转换器 ChatGPT的介绍ChatGPT的介绍ChatGPT全称为“chat Generative Pre-trained Transformer”,翻译成中文就是生成型预训练变换模型。它是美国公司OpenAl在2022年11月30日发布研发的聊天机器人程序,能用于问答、文本摘要生成、机器翻译、分类、代码生成和对话Al。「l是一款人工智能技术驱动的自然语言处理工具。ChatGPT具有同类产品具备的一些特性,例如对话能力,能够在同一个会话期间内回答上下文相关的后续问题。 阅读详情

相关推荐

这可能是全网最全的ChatGPT功能梳理

这可能是全网最全的ChatGPT功能梳理 自GPT-5推出,ChatGPT更新了许多功能,来看看你的订阅费用有哪些还没有用上

2401_83298924的博客 2999

突然爆火的ChatGPT是什么?该如何使用?

带你实现征服ChatGPT,真是泰库辣!!!

weixin_52223673的博客 2万+

4.9 Playground Chat:实践 GPT 大模型提示工程

提示工程(PromptEngineering)是通过精心设计输入文本(即“提示”)来引导GPT模型生成期望的输出的过程。GPT模型是基于大量数据训练而成的语言模型,理解并生成自然语言。提示工程的核心在于如何构造问题、任务描述和输入格式,从而激发GPT生成符合要求的响应。随着GPT模型的不断升级,尤其是从GPT-3到GPT-4的发展,提示的精确度对模型的表现有着至关重要的影响。通过优化提示,开发者能够获得更具相关性、准确性和创造性的输出,提升GPT模型在实际应用中的价值。

yonggeit的博客 3157

聊天新纪元:什么是ChatGPT以及如何使用ChatGPT

本文详细介绍了 ChatGPT 的原理、功能和应用场景,包括客户支持、虚拟助手、内容生成、编程支持等多个领域。文章还提供了如何通过 SDK 和 REST API 调用 ChatGPT 的方法,以及使用技巧和最佳实践,帮助您更好地利用 ChatGPT 的强大功能。

dougsu的博客 4754

NL2SQL进阶系列(3):Data-Copilot、Chat2DB、Vanna Text2SQL优化框架开源应用实践详解[Text2SQL]

NL2SQL进阶系列(3):Data-Copilot、Chat2DB、Vanna Text2SQL优化框架开源应用实践详解[Text2SQL]

丨汀、的博客 5424

人工智能革命:从CHAT-GPT到生成式AI的全面探索

人工智能(AI)作为新时代技术革新的标志,其新范式正重塑着传统行业并创造出新的业务模式。近年来,AI的发展已经从理论研究的象牙塔中走出来,逐步深入到了日常生活和各个行业之中。CHAT-GPT是一个基于深度学习的自然语言处理模型,其发展得益于近年来人工智能领域特别是自然语言处理技术的飞速进步。在发展背景方面,它基于大规模语言数据的训练,能够理解和生成接近人类水平的自然语言文本。

weixin_34163588的博客 1567

人工智能新范式:从CHAT-GPT到生成式AI

人工智能新范式:从CHAT-GPT到生成式AI 去发现同类优质开源项目:https://gitcode.com/ 资源文件介绍 本仓库提供了一个名为“人工智能-从CHAT-GPT到生成式AI(Generative AI):人工智能新范式,重新定义生产力.rar”的资源文件下载。该文件详细探讨了人工智能领域从CHAT-GPT到生成式AI(Generative AI)的演变过程,以及这一新范式如何重新...

gitblog_09743的博客 694

从Chat-GPT探索生成式人工智能AIGC产业机遇与应用场景

生成式人工智能(Artificial Intelligence Generated Content,简称AIGC)是一种利用机器学习模型自动生成内容的技术。其基础原理是通过算法从大规模数据中学习语言、视觉或音频信息的模式,从而无需人类直接编写代码即可创作文本、图像或音乐等。AIGC定义为一套自动化工具,能够模拟人类创作过程,提供高质量的原创内容。

weixin_31315007的博客 1185

解锁ChatGPT:从GPT-2实践入手解密ChatGPT

本文旨在深入解析ChatGPT的工作原理,分享基于GPT-2的中文应用实践,并探讨通过技术优化来提升中文处理能力。通过剖析技术细节,本文将展示这一前沿技术如何革新AI交互方式,实现智能化应用。

忆_恒心的博客 1626

形位公差标注的常见误区与优化策略

本文深入解析机械设计中形位公差标注的常见误区与优化策略,特别针对NX2406用户提供实用技巧。从标注冗余、基准选择到公差值设定等五大误区入手,结合工程图实例展示如何提升标注精度与效率,帮助工程师避免常见错误,优化设计流程,确保零件功能实现与制造可行性。

info6的博客 246

SpringBoot3 + Vben5.0实战:从零搭建企业级管理后台(附完整代码)

本文详细介绍了如何从零开始,使用SpringBoot3与Vben5.0技术栈搭建现代化企业级管理后台。通过对比分析,阐述了该组合在开发效率、性能(如虚拟线程)和权限模型(RBAC)方面的优势,并提供了从项目初始化、核心功能开发到部署运维的完整实战指南,帮助开发者快速构建高性能、易维护的后台系统。

weixin_29306317的博客 172

智能医疗新篇章:Chat-GPT在医疗领域的探索

智能医疗新篇章:Chat-GPT在医疗领域的探索 去发现同类优质开源项目:https://gitcode.com/ 一、项目的核心功能/场景 Chat-GPT提供24小时在线医疗咨询,辅助疾病诊断,普及医学知识,以及医学研究辅助。 二、项目介绍 在科技飞速发展的今天,人工智能(AI)正逐步渗透到医疗领域,带来了前所未有的变革。本文将深入探讨一个令人振奋的项目——Chat-GPT在医疗领域的应用。作...

gitblog_06749的博客 467

从Mule ESB到Apache Camel:手把手教你设计一个轻量级企业集成框架的‘心脏’

本文深入探讨了从Mule ESB到Apache Camel的轻量级企业集成框架设计实践,对比了两者在协议支持、消息处理能力和部署灵活性等方面的差异。通过实际代码示例和性能优化技巧,帮助开发者构建高效的核心模块,适用于现代微服务架构下的系统集成需求。

weixin_28738165的博客 376

全球人工智能AI行业系列报告2:从Chat_GPT看生成式人工智能AIGC产业机遇与落地场景

全球人工智能AI行业系列报告2:从Chat_GPT看生成式人工智能AIGC产业机遇与落地场景 去发现同类优质开源项目:https://gitcode.com/ 资源文件介绍 本仓库提供了一份名为“全球人工智能AI行业系列报告2:从Chat_GPT看生成式人工智能AIGC产业机遇与落地场景.pdf”的资源文件下载。该报告深入探讨了生成式人工智能(AIGC)在当前AI行业中的重要性,特别是以Chat_...

gitblog_06611的博客 403

车载以太网测试技术解析

在智能汽车与HiL测试领域,高效解析与模拟车载网络通信是开发验证的关键。ZD-Converter 2000以媒体/介质转换器、嗅探器、拦截器、仿真器四合一的颠覆性设计,成为工程师应对复杂车载以太网测试的瑞士军刀。它支持双路车载/标准以太网智能转换、实时通信嗅探、硬件级数据拦截及ECU通信模拟,更通过串口命令实现全参数远程配置,赋能自动化测试流程。本文将深度解析其核心功能与实战应用场景。

Triv2025的博客 1143

SigmaStudio进阶技巧:如何用ADAU1701实现60段EQ与防啸叫算法

本文深入探讨了如何在ADAU1701 DSP芯片上实现专业级音频处理系统。通过精密的资源规划与架构设计,详细讲解了构建高达60段参数均衡器(EQ)的有效方法,并集成了移频与自适应陷波双策略的智能防啸叫算法。内容涵盖从SigmaStudio工程优化、算法模块组合到系统联调实战的全流程,旨在帮助中高级开发者充分利用ADAU1701性能,打造稳定、高效的音频处理解决方案。

weixin_28256233的博客 388

探索生成式人工智能的未来:Chat_GPT引领AIGC产业新机遇

探索生成式人工智能的未来:Chat_GPT引领AIGC产业新机遇 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在人工智能(AI)领域,生成式人工智能(AIGC)正迅速成为推动行业发展的关键力量。本项目提供了一份名为“全球人工智能AI行业系列报告2:从Chat_GPT看生成式人工智能AIGC产业机遇与落地场景.pdf”的资源文件,深入探讨了生成式人工智能在当前AI行业...

gitblog_06627的博客 666

AI工具 | 每个打工人必备的15款人工智能超级工具

不过,还是有一些靠谱的人工智能平台,它们可不只是营销噱头。有些AI公司正试图改变游戏规则。人工智能工具让人们能够更聪明地工作,而不是更辛苦地劳作。如果你想知道未来有什么,那就来看看这10款人工智能工具吧,它们将彻底改变我们的工作方式。

Vampire_2017的博客 5万+

GPT-2 XL参数设置详解

在深度学习领域,模型参数的合理设置是决定模型性能的关键因素之一。GPT-2 XL,作为GPT-2系列中的1.5B参数版本,其参数配置直接影响着生成的文本质量和模型的泛化能力。本文将深入探讨GPT-2 XL的参数设置,解析各个参数的功能、取值范围及其对模型性能的影响,并提供参数调优的方法和案例分析。 ## 参数概览 GPT-2 XL模型的参数众多,其中一些关键参数对模型的性能起着决定性作用。以下...

gitblog_02496的博客 736

在claude code中使用glm模型出现Unable to connect to Anthropic services的解决方案

本文主要介绍了在claude code中使用glm模型出现Unable to connect to Anthropic services的解决方案,希望能对使用claude code的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 13万+

Python 爬虫教程:财经新闻实时抓取(最新资讯 + 关键词提取)

在当今信息爆炸的时代,财经新闻的实时获取对于投资者、研究人员以及普通大众来说都具有重要的价值。通过 Python 爬虫技术,我们可以高效地抓取财经新闻,并提取其中的关键信息,以便更好地进行数据分析和决策支持。本文将详细介绍如何使用 Python 编写一个财经新闻实时抓取系统,并结合关键词提取技术,帮助读者快速掌握 Python 爬虫的核心技能。

yansideyucsdn的博客 1051

说起来很简单,做起来很复杂:解密Chat GPT背后的原理与技术

比如,当你说“我喜欢读书,因为它让我放松”,Transformer架构能够理解“喜欢读书”与“放松”之间的联系,并生成符合语境的回答。今天,我们就一起来揭开这个智能助手的技术秘密,探讨ChatGPT的工作原理,从最初的简单模型,到如今强大、流畅的交互能力,了解它背后那些令人惊叹的技术细节。其实,ChatGPT并不是真的“理解”我们,它背后是一个复杂的深度学习模型,通过大量的数据训练和无数次的推算来生成答案。当你输入问题时,ChatGPT的回答并不是一次生成的,而是逐词、逐句预测出来的。

M006688的博客 3164

jre9下载 jdk9

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

InternLM2-20B-Chat vs GPT-4:开源模型如何在数学推理与代码生成中突围

InternLM2-20B-Chat作为HuggingFace镜像/MindSpore-Lab下的开源大语言模型,正以其独特的技术优势在数学推理与代码生成领域与GPT-4展开竞争。本文将深入探讨这款开源模型如何突破重围,为开发者和研究者提供高效且经济的AI解决方案。 ## 🌟 开源模型的崛起:InternLM2-20B-Chat核心优势 在AI大模型快速发展的今天,开源模型凭借其透明性和可定

gitblog_00275的博客 304

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

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")

Chat2DB DevOps:研发效能提升与实践

在当今数据驱动的时代,数据库开发团队面临着前所未有的挑战:多数据库环境管理、SQL编写效率低下、团队协作困难、部署流程复杂。传统的数据库开发工具往往功能单一,无法满足现代敏捷开发的需求。Chat2DB作为一款智能的通用SQL客户端,通过集成AI能力和DevOps理念,为数据库开发团队提供了全新的解决方案。 本文将深入探讨如何利用Chat2DB构建高效的数据库开发DevOps流程,从代码编写到部署...

gitblog_00727的博客 1100

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。

Chat2DB部署实战:5种高效方案深度对比与技术选型指南

Chat2DB作为一款AI驱动的智能SQL客户端和数据库管理工具,为开发者、DBA和数据分析师提供了统一的数据库操作界面和智能SQL生成能力。在本文中,我们将深入探讨Chat2DB的5种部署方案,从原生客户端到容器化编排,为您提供全面的技术选型指南和最佳实践。 ## 技术价值定位与核心优势 Chat2DB的核心价值在于整合了传统数据库管理工具与现代AI技术,支持MySQL、PostgreSQL

gitblog_00182的博客 750
上一篇: 17. 最小化可变性
下一篇: 如何创建一个不可变的Java类?
JAVA程序哥
博客等级 码龄11年 102粉丝 115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

JAVA程序哥

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