work两周有感。

银行级机器学习部署:从模型上线到系统性风控的工程实践 机器学习模型部署不是代码打包上线的技术动作,而是面向高可用、低延迟、强合规生产环境的系统性工程。其核心在于应对数据漂移、特征失效、跨系统依赖断裂等不确定性风险,关键技术包括可解释模型选型、特征时效性分级、幂等重试与有感知降级、全链路时间统一及决策审计日志。在金融场景中,模型必须满足监管可追溯、业务可干预、故障可自愈三大刚性要求。本文聚焦银行级ML系统落地中的真实挑战与工程解法,覆盖部署集成、性能压测、漂移监控、合规验证与治理审计全链路。 阅读详情
      不知不觉在公司干活已经半个月了,虽然我对这里的工作方式还是有抵触情绪,但是自我感觉渐渐融入到团队生活里了。说实话,我对做外包的公司的映象一向不是很好,感觉这些公司没什么技术就是到老外那儿蹭饭吃的,甚至一些非理工科出身并且不懂开发的也可以参与外包开发。这段时间下来仍然没有改变我的这种映象,也可能是我对技术比较敏感才会产生错觉吧。不过,公司还是有一些技术上比较出色的人在主持大局,我也从他们那儿学到了很多。
       这次做了一个比较正式的项目,才算第一次比较熟悉了软件开发的周期以及很多细节的环节。做为一个开发人员,要编写的不仅仅是程序,还包括很多文档,填写很多报表等等,甚至有时候大部分时间都在这上面。虽然作为底层人员觉得这些比较琐碎,但是这些工作无疑方便了高层开发人员和项目经理的工作。
        另外,现在才感觉到中国的人力资源实在是太便宜了。外方在外包出来时做了很多冗余的设计,或者有一些是他们为了减轻自己的思考而做的过度设计。如果放在他们本国,这些人绝对不敢这么做,因为冗余带来的成本太高了。但是,放在中国就不一样了,因为我们都是廉价劳动力,虽然在国内我们自诩为白领。
       如果对软件管理有所了解,应该知道,在开发进度落后时如果一味地往项目里增加人手,可能只会使项目的工期再延长,并且成本增高。这次我也感受到了这一点。我就是后来补充进去的人员,自己感到大部分时间都在理解和学习以前的设计,和别人交流又浪费了别人很多的时间。不过还好,这个项目本来工期就不是很紧,是提前完成的,但是我的到来显然有点搅混水的嫌疑。
        软件开发是一个和复杂很难控制的过程,所以严格的管理是必要的,但是管理一定要人性化,因为这毕竟不是砌砖,鞭子抽得很一点就干得快一点。这是脑力劳动,开发人员的心情都可以直接作用于开发过程。
         以后还会参加更多得项目,提升自己的HP,不过我的性格还是不想来外包公司了:)
【信息科学与工程学】【管理科学】第五十一篇 舆论营销工程驱动人性综合模型框架03 ——企业内部舆论工程01 高管合法性(P-101)↓ 提供压力与合法性中层传导(P-202) → 合谋时触发镇压(S-202)↓ 输出规训要求员工规训(C-305) → 高异议时触发镇压(S-305)↓ 产生抵抗信号抵抗行为(R系列) → 触发相应镇压(S系列)↓ 增加系统风险风险累积(E-501) → 预警并调节所有控制模型。 阅读详情

相关推荐

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

AI浪潮下硅谷巨变:人才、组织、行业判断全改写!

2021年12月,本科毕业后,马培元进入号称“美版知乎”的Quora,后转到AI聊天机器人聚合平台Poe,担任资深AI工程师。毕业后四年多,他行动总比AI行业共识早,在“agent”定义未明时团队就已立项,Anthropic无名时成了Claude最早深度用户,他还是团队首个AI认证工程师等,并将工程团队变成AI Native团队。2024年,Poe的“agent”项目挑中马培元,因其既做过AI,也做过全栈开发和iOS,而组里其他人多是传统背景,不懂前端代码。身处AI浪潮中,你感受到的最大变化是?

IT界那些事儿 51

XIAO ESP32S3 Sense摄像头与麦克风实战:从硬件连接到AI语音视觉项目

本文详细介绍了如何使用Seeed Studio XIAO ESP32S3 Sense开发板进行AI语音视觉项目开发。从硬件连接到Arduino环境搭建,再到摄像头拍照、视频流传输、麦克风录音等实战操作,最后引导读者探索基于TensorFlow Lite Micro的语音唤醒和SenseCraft AI的图像识别等AI应用,为物联网和边缘AI项目提供了完整的入门指南。

xray4的博客 1027

AI浪潮下硅谷巨变:人才、组织、行业判断全改写,新商机在哪?

面试结构也变了,在线笔试 + work trial成新组合,work trial是短“试用期面试”,有的3小时,有的5小时,最长一两天,比如直接给代码库让用工具包括AI解决实际问题,做完展示思路和成果,接近真实工作。2024年,Poe的“agent”项目挑中马培元,因他既做过AI,也做全栈开发和iOS,而组里其他人多是传统背景,不懂前端代码,agent需要前端界面能力,公司AI提示词工程人员离职后,他也能补上。很多公司做AI产品,但员工没建立AI工作流,也需要及时分享AI发现和提效技巧的人。

IT界那些事儿 26

cs188Inference in Bayes Nets(贝叶斯网络的推理)

cs188Inference in Bayes Nets贝叶斯网络的推理Question1(3 points):Bayes Net StructureQuestion2(1 points):Bayes Net ProbabilitiesQuestion 3(5 points):Join FactorsQuestion4(4 points):EliminateQuestion5(4 points):NormalizeQuestion 6(4 points):Variable EliminationQuesti

weixin_46582817的博客 1675

Hi3516CV610 YOLOv8模型转换与部署实战:从源码到板端推理全流程解析

本文详细解析了将YOLOv8模型部署到Hi3516CV610开发板的全流程。内容涵盖从Ubuntu环境搭建、模型获取与验证,到关键的PyTorch模型转换为ONNX格式,并利用海思工具链量化生成板端可执行的.wk文件。最后,指导开发者编写板端C程序,完成视频流处理、NNIE推理及结果后处理,并提供了部署调试与性能优化的实用技巧。

weixin_29215815的博客 271

csdn的blog让人很失望

       我对对csdn的blog的不满已经很长时间了,经常性的出错导致无法访问已经让我忍无可忍。国内那么多blog提供商,为什么偏偏就职业搞技术的csdn会是这样呢?况且维护一个blog并不是很难的事啊。csdn一直以国内最大的技术社区而著称,很多朋友都在此交流经验,互相学习。自从csdn提供blog服务以来,blog也成为csdn的重要组成部分。而现在,事实却让我很失望。如果长期的不能正常

天地会青木堂 1758

决策规划算法四:Piecewise Jerk Path Optimizer

一,问题分析 路径规划的本质目的:规划出一条安全(无碰撞),舒适(平滑),符合车辆运动学的轨迹。 如下图所示,决策算法开辟凸空间后,路径规划算法用数值优化的方法搜索出一条最优路径,即将问题转化为二次规划的问题,采用二次规划的求解器进行求解。 二次规划问题的求解顺序: 1,确定优化变量 2,确定目标函数 3,确定约束条件 4,将目标函数和约束条件变形为二次规划的标准形式 5,用二次规划求解器进行求解,获得优化变量的序列,使得目标函数取得最小值。 注:路径的最终表达式为:,..

肥嘟嘟的左卫门 8562

新的一年我要更加努力了!

    今天已经是2005年的第五天了,本来想在元旦的时候总结自己的2004,然后期待一下新的一年,一直拖到今天才有时间。    2004对我很重要。我终于大学毕业了。真的很难相信,高考都仿佛是昨天,而现在我都毕业了。同学都各奔前程,未来对大家都是未知数。不知下次相聚的时候会是什么样呢。    2004年,我终于考自己的努力考上了研究生,现在成为家里学历最高的人了。已经过去的这学期研究生生活并不像

天地会青木堂 1588

Freemarker整合poi导出带有图片的Excel教程

Freemarker整合poi导出带有图片的Excel教程 https://blog.youkuaiyun.com/x541211190/article/details/105675771根据此人博客可完成此功能,但原文中有一处错误需要纠正,当单元格合并时,计算起始单元格有错误。 源代码: /** * 构造合并单元格集合 * * @param createRowIndex: * @param cellRangeAddresses: * @param startIndex: * @param c

weixin_39403349的博客 1004

车辆TBOX科普 第7次 TBOX技术深度解析:硬件架构与核心组件详解

摘要: TBOX(车载远程信息处理单元)是智能网联汽车的核心组件,承担数据采集、通信连接与安全交互等关键功能。其硬件架构以主控单元为核心,采用ARM架构处理器(如NXP i.MX系列)实现高效能低功耗处理,搭配DDR4/LPDDR5内存保障性能,eMMC/UFS存储确保数据可靠性。设计中需平衡车规级可靠性(AEC-Q100)、EMC兼容性及成本控制,同时集成通信、定位与安全模块。未来趋势聚焦异构计算、先进制程及功能安全(ASIL-D)与信息安全融合,推动TBOX向边缘计算节点演进。该技术是汽车智能化转型的重

IT深耕十余载,大道之简 866

今天在书店碰见候捷老师了:)

      候捷老师这次到南京来只有两天时间,听说下午有读者见面会,于是很兴奋地跑到新街口去。本以为会像某某歌星一样人山人海,所以没准备让他签名什么的,只是想看一看而已。没想到到了新华书店计算机专柜却发现空荡荡的,正在纳闷,以为没这回事,却发现一个熟悉的面孔,原来真是候老师。兴奋之余,却有些遗憾,感到搞技术的为什么这么冷场呢?难道搞技术的真的没地位吗?候老师在计算机图书界可是数一数二的人气人物啊。

天地会青木堂 1476

Video Diffusion Models:基于扩散模型的视频生成

Diffusion Models专栏文章汇总:入门与实战 前言:扩散模型已经被广泛运用到图像生成、image-to-image转换、时间序列生成、3D点云生成、文本生成、音频生成等领域,谷歌研究院最新的研究成果成功将diffusion models运用到视频生成领域。 目录 模型结构 分解时空体系联合训练 梯度条件法 恐怖的实验结果 论文和代码 个人启发 个人疑问? 模型结构 在前面的博文中,我详细介绍了为什么绝大部分的diffusion models都使用Unet结构.

沉迷单车的追风少年 6672

杂感

今天在网上看到一篇报道题为《我国约30%成年人由父母供养》。文章提到:目前我国很多人成年以后因为各种各样的原因没有工作,依靠父母生活。其中很大一部分甚至还悠然自得,认为这是天经地义的。文章还分析了这个群体的构成,其中有的人是大学毕业后挑剔而找不到工作,有的是不适应压力而放弃工作,有的幻想创业但是确没有实质性的进展等等。无论什么原因,这类人的共性大致都是无法适应社会,也就是文中所说的尚未“断奶”。如

天地会青木堂 1341

HFSS实战项目——GPS北斗双模微带天线

本文设计了一款方形圆极化微带天线应用于北斗B1和GPSL1频段,满足高增益、低VSWR、适当方向图等要求。设计中心频率为1568MHz,介质板采用厚度h=1.6mm的Arlon AD450(tm)板,相对介电常数为4.5,采用探针馈电。

2401_87464239的博客 1770

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")

明天上班了。

        明天就要被派到公司做项目了,不过是拣别人的残羹。已经快做完的项目了,我只是去帮着测试测试。上周去体验了一下公司的气氛,感到很不适应。习惯了实验室里轻松自由的环境,大家遇到什么问题都可以讨论,没有等级区别,无论是师兄师姐,还是大小“老板”,都是很和睦的。而公司里则井井有条,秩序井然。其实与其说是井井有条,不如说是死气层层。老大说一句话,下边都得惟命是从。是啊,这毕竟是做外包得公司,并

天地会青木堂 1307

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

身体不是革命的本钱

        前段时间大病了一场,虽然现在恢复很多了,但是还是心有余悸。从小到大从没得过大病,于是这像是一次virus warning一样,让我头一回感到不能再这样随意地对待自己地身体了。        最近好像常有很多年轻有为的人英年早逝。很可惜,但也很无奈。现在的社会竞争压力都非常大,而且大家都不愿碌碌无为,所以即使拼命也要出人头地。在这样的环境下,大家都以身体好为自豪,因为这样就有更多的资

天地会青木堂 1231

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

今天我过节:)

        四月一日,又是一年一度的传统佳节愚人节了。同学开玩笑的对我说:节日快乐。尽管是开个玩笑,不过大家对愚人这个词好像持的是贬义的态度。一个愚人,首先会被别人耻笑,并且在今天这个社会,愚人也是毫无竞争力的。所以,谁又愿意去做这样一个“愚人”呢。        这使我想起了阿甘,一个虚构的电影角色。阿甘是一个傻子,一个智商尚未达到读正常小学水平的傻子。但是阿甘的成绩可能你我都无法达到。他不

天地会青木堂 1114

变天

      在经历了数天的寒冷,今天终于开始升温了。这一次据说是百年来的第一次,本来还是二十几度春光明媚,骤然不到一夜时间陡降二十多度,下起了大雪。人们描述事物时喜欢在不确定时说“天知道”,而现在看来,或许天都不知道出了什么问题。      对于南京这种变化无常的天气,尽管已习以为常,但是每次变化时又都会不停地抱怨。的确,人们除了吃饭之外可能最关心的就是天气了,甚至说天气可以决定世界的很多方面。到

天地会青木堂 1094

第38章:ResNet+CBAM改进模型实战生活垃圾12分类

本文基于PyTorch实现ResNet+CBAM注意力模型,针对复杂场景下垃圾分类图像的遮挡、光照变化等问题,通过在ResNet各残差层后嵌入CBAM模块,实现通道与空间双重注意力增强,提升特征聚焦能力。项目包含数据预处理、迁移学习冻结策略、余弦退火优化、批量推理等全流程代码,支持12类垃圾识别,4600+图像数据集,开箱即用,完整记录训练日志与评估指标,显著提升模型在真实环境下的分类精度与鲁棒性。

Henry的博客 404

从零开始的C++生活——第十讲——02

在内存中,可以近似理解成,将d这个对象中的父类分别放在d所开辟的空间中,由于先继承Base1,所以p1和p3相等,p2则是不等,倘若换一下继承的顺序,就是p1与p2相等p3不等。看着挺好的对吧,作为助手,我即是学校里的博士生,又作为讲师给本科生代课,所以继承两个类,是的,多继承是没问题的,但是多继承又会导致一个菱形继承的问题。加上虚继承后,数据冗余的问题得到解决,_name此时只有一份,二义性的问题自然得到解决,虽然这个监视窗口中看起来像是三份的样子,但其实是一份。看到了吧,编译器自己也不知道指向哪个。

dshswra的博客 79

从“买商品”到“买生活”,李佳琦直播间双11热卖背后的消费迁移

这款新品就源于直播间观察到的需求真空,招商人员基于用户反馈,提前一年和品牌沟通开发了磨毛材质,弥补了中间厚度的空缺。消费者在社交平台分享的旅游线路对比心得,直接推动李佳琦直播间与品牌共同打磨产品,在横店影视城酒店景区套餐附赠当下最火的短剧拍摄体验,新疆线路加赠当地特产品牌的奶酪包等,为消费者提供更完整深度的旅游体验。此外,消费者对家居环境的投资持续上升,李佳琦直播间KTC闺蜜机销量同比增长68%,Uwant除螨仪增长40%,从观影到清洁,家电消费的增长点沿着居家生活的细分场景逐一铺开。

TMT_XQ的博客 219

设计模式与生活㉒:暖气热不热,得一间一间摸过去

今天,北京正式供暖第一天。醒的时候快九点。窗帘缝里那条光比昨天宽了些。前几天试供暖,暖气只是温吞吞的,夜里也没响动。大概九点半,暖气管里开始响。咕噜,咕噜。像有人在很远的地方倒水,水顺着管子,一层一层往上走。过了一会儿再摸,客厅那组暖气片的下沿烫了,上沿还是温的。朋友圈里一半在晒家里的温湿度计,一半在骂不热。物业群里发了一条:今天正式供热,管道里憋着气,不热的自己放放气。翻出一把一字螺丝刀,又扯了块抹布垫在暖气片下面,从客厅开始。嘶——一股气出来,带着锈水的味。

工一木子 195

从零开始的C++生活——第十讲——01

先讲构造,不知道你是否观察到了,上面写的基类和派生类的例子,我都没有写构造函数,在派生类中,我们可以把成员视为三部分,内置类型、自定义类型、基类类型,针对这三者,在派生类默认生成的默认构造方法中,对于内置类型不确定,对于自定义类型调用自定义类型的构造方法,针对父类类型,自动调用父类的默认构造,但如果父类没有默认构造,就需要我们在初始化列表显式调用其构造方法。因此这里不论怎么写,他都是先初始化基类类型。所以,初始化并销毁一个派生类对象调用函数的顺序是先基类构造,再子类构造,再子类析构,最后父类析构。

dshswra的博客 219

私有云时代来临:AI NAS如何重塑你的数字生活?

本地化AI Agent应用的开发能力 :产品的迭代不能太超前,所谓“只能跨一步,不能跨两步”,关键在于是否能准确的捕捉到消费者对AI的需求与AI可实现的能力的临界点,从而为消费者提供更好的体验。

m0_73175542的博客 175
上一篇: 明天上班了。
下一篇: csdn的blog让人很失望
makeitandy
博客等级 码龄25年 2粉丝 20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