科学历史也可以写的如此精彩 ——《量子物理史话:上帝掷骰子吗》读后感

【数据挖掘】遗传算法原理浅析:什么是遗传算法?遗传算法的工作原理是什么? 遗传算法(Genetic Algorithm,GA),是进化算法的框架和核心。 各种进化算法有什么异同? - 及时物语的回答 - 知乎 https://www.zhihu.com/question/39152390/answer/901070749 阅读详情

 

  第一次看到《量子物理史话:上帝掷骰子吗》这本书,是网上的电子版本。和大多数消遣书一样,不关心也记不得作者。读了开头和简介后,让我生出一种熟悉感,只想借用当年明月写《明朝那些事儿》的初衷说:科学历史也可以写的如此精彩!前前后后、断断续续读了很多遍后,总想推荐给熟悉的人读,于是开始认识作者曹天元,至此才知道这是一本很有影响力的科普佳作,并先后获得过几个奖项:第三届“吴大猷科普奖”(2006),“科学时报读书杯”最佳科普创作奖(2005),国家图书馆文津图书奖(2007)。

     自从大学里学习过《大学物理》后,物理、化学的知识和理论就从我的世界里淡出了,存在的只是些新闻中的名词和人名,例如量子论、霍金等。现在这些名词和人名通过曹天元的讲述都鲜活的站到了我的眼前,这本书仿佛一部时光机器,带领我穿梭在量子物理的神奇旅途中。从普朗克提出量子论,到爱因斯坦的光量子理论,再到波尔引用普朗克常数提出的波尔模型, 再到海德堡的根据粒子理论的能量矩阵(matrix),再到薛定谔根据德布洛意相波而产生的可以通过常规公式推导的波动公式。一段段历史,一个个人物,一次次推翻过去重塑未来的历程,一个又一个新奇的理论,量子论历史上破烂壮阔的画卷和异彩纷呈的辩论场景一一在我们面前展示。除了讲述回顾量子理论的基本历史背景,本书还将引导我们向着未来探险,去逐一摸索体会量子论面前的不同发展道路,也许会闯入人迹罕至的未知境地,和先行者们一起开疆扩土;也许会踏上荆棘遍地的死亡峡谷,和勇士们一起挥洒汗水;也许会步入鸟语花香的人间乐园,和成功者一起庆祝新的胜利。这些旅程让人惊叹的不仅仅是沿途那令人目不暇接的绚丽风景,更是来自于人内心深处的思索和启示以及为求知而孜孜不倦的努力和执着——这是科学深植在每个人心中不可抗拒的原动力。

量子力学,正如作者所说,自创立一百多年来,对普通大众来说都是陌生而神秘的,因为这是一个为了解释任何人都无法亲见而疯狂的微观世界而涌现出的各类奇思异想。量子论是一个极为奇妙的理论:从单纯物理角度来说,它在科学家中间引起了最为激烈的争议和关注;从实用角度来说,它给现在的社会带来了巨大的变化和进步;而从科学历史角度来说,从它创立就得到了极为彻底的研究。但是,对普通大众来说,它是带着神秘光环的高高在上的神,它的的基本观点和假说至今也没有渗透到大众的意识中去。现在,作者通过上帝的手,将普通大众带到了量子力学的世界,让大众通过作者的眼睛窥探到了量子理论大师们的生活和思想。

    之所以能做到这点,因为作者认识到:历史,说到底还是人的历史啊,是人的推动,才有科学的发展!读者能理解并感兴趣的只有人的故事。因此,作者把整个物理体系推翻和重建,并以量子理论大师们的故事为主线,以时间为轴,开始了丝丝入扣的讲故事环节。在这点上,本书和《明朝那些事儿》的叙事风格颇为雷同,都是以一个说书人的角色为主线,用比较活泼生动、浅显易懂的语言,去讲述别人认为晦涩难懂的东西。并将量子理论和生活道理都融合到了这些故事里。读者要做的就是搬个板凳坐到树下,听故事并思考、想象、提问。所以这本书适合任何有中学基本物理概念的读者。只是不同的读者可能思考和体会的是不同的道理,一个科研工作者的读后感可能是:任何科研都必须站在巨人的肩膀上;科研需要一些狂热,或者说偏执,只有在某个方向特别偏执,你才会愿意耗尽你的一切人生。而一个取得巨大成就的成功人士可能会从爱因斯坦一生对量子理论的态度体会出:任何伟人都可能犯错,所以自信但是不要自大,虚心的接受挑战和批评,可能会更加促使自己的理论成熟和完善。

    当然了,这本书只能让你对量子力学和其历史有一个初步的认识和了解。如果要更深入的话,还是要去读更专业的论著或论文。

 

Silvaco TCAD | 从极化效应到高频开关:GaN HEMT仿真设计与性能验证 本文深入探讨了使用Silvaco TCAD进行GaN HEMT仿真设计与性能验证的关键技术。从极化效应到高频开关特性,详细解析了2DEG形成机制、器件结构设计优化及高频特性仿真技巧,帮助工程师提升GaN HEMT的性能与可靠性。通过实战案例展示了如何通过仿真优化击穿电压和导通电阻,实现开关品质因数的显著提升。 阅读详情

相关推荐

亿图图示(edrawmax中文版) v10.1.7pjb

edrawmax中文名叫做亿图图示,是一款非常棒的综合图形图表设计软件,既能实现流程图、架构图、工程图、思维导图等数百种专业领域图形图表的绘制,又能提供一个白板进行头脑风暴和任意编排,轻松实现数据和创意的可视化呈现。软件支持Windows、Mac、Linux及网络版,一端创作,多端同步,从而为跨端办公绘图提供新的解决方案,还兼容常用文档类的办公软件格式,包括图片、Office、PDF、Visio、Html、SVG等,尽可能的在文件格式这块满足用户多方面需求。软件支持创建260多种图表类型,拥有超过12500

qq_43293214的博客 1万+

《上帝掷骰子吗》《时间的形状:相对论史话》读后感

《上帝掷骰子吗》 不要抱残守缺,科学在不断的质疑和推翻之中前进;以往的知识和经验不管多么伟大都有可能是不全面甚至是错误的;一个人不管多么有名知识多么丰富,他也有不了解的事物和错误的看法 《时间的形状:相对论史话》 没有《上帝掷骰子吗:量子物理史话》好看,没有那种跌宕起伏的剧情,说是史话,却没讲太多历史,导致太短不够看,而且估计是作者的太想让书看起来更生动,明明很深奥的内容,让我有种在读儿童读...

weixin_34303897的博客 335

水文模型大合集---SWAT模型、VIC模型、HEC-HMS模型、HSPF模型、FVCOM模型、Delft3D模型、HYPE模型.......

1.1 面源污染概要1.2 SWAT模型及应用1.3 SWAT模型原理1.4 SWAT模型输入文件1.5 ArcGIS与SWAT关系。

jwwkyjspt的博客 4359

《上帝掷骰子吗:量子物理史话》读后感

我们需要加强基础理论学习,即使做不到深入,也要了解一二。这不是出于面子工程,也不是国家大义,只要是工科出身、从事技术、为每一项技术进步而雀跃的人,都该具备一定的量子物理素养。我们的基础教育,只教授了牛顿力学和基础的枣糕模型之类的朴素量子物理史观,我们的高等教育,大多忽视基础理论的研究。造成的最直接的后果,就是世界工厂的地位,技术创新?在哪里?没看到。看完这本,继续看《自然哲学之数学原理》,虽然现在

adamsmith的专栏 2884

模糊控制 (Fuzzy Control) 算法详解及案例分析

模糊控制是一种基于模糊逻辑的控制策略,其核心思想是通过模糊规则和模糊推理实现对复杂系统的控制。模糊控制不依赖于精确的数学模型,而是通过模拟人类的决策过程来处理不确定性和非线性问题。

闲人编程的博客 3657

Android14 SystemUI如何实现下拉菜单栏高斯模糊背景效果(类似于毛玻璃效果)

我们都知道,从Android12起,下拉菜单栏控制中心都是黑色的,看起来非常不美观,而且国内的手机系统UI都做的比较美观,大部分的下拉菜单UI背景都是实现了高斯模糊效果,所以客户也会要求实现类似于这样的效果。在以前的Android项目中,实现下拉菜单栏的模糊背景就是通过截图的方式进行替换背景,而这种方式下拉菜单背景极易替换不了,就算是在各个地方都适配,还是有概率在复杂场景或者一些测试手法下出现背景是黑的情况,并且这种方式还比较影响性能,毕竟每次都要去截图一次,多做了额外的事。

热衷于Android Framework和系统APP的修改经验分享 1793

量子物理史话(上帝掷骰子吗)----读书笔记(一)

薛定谔的猫,这个实验是量子物理中一个著名的实验。把一只猫和一个放射性粒子放入一个黑匣子中,当你再一次打开黑匣子的时候,猫可能死也可能活,这个状态是你在打开黑匣子的瞬间发生的。 因为放射性粒子在这个过程中有50%的可能发生放射性变化→猫死,50%不发生变化→猫活。但在你没打开这个箱子的时候,粒子的变化与否 是同时共存的,以概率波函数的形式存在,即此时的猫也是生死两个状态共存的,在你打...

Ocean的机器学习之路 2828

如何使用 Python 爬取 58 同城招聘信息

职位名称:招聘的岗位名称,如“前端开发”、“数据分析师”等。公司名称:招聘公司的名称。薪资待遇:职位的薪资范围,通常以“面议”、“10k-20k”这样的形式表示。工作地点:公司所在的城市及具体地址。公司福利:例如五险一金、带薪年假、绩效奖金等。发布时间:职位信息的发布时间。一个典型的招聘页面 URL 格式通常如下:在这个页面上,职位信息会分页展示,爬虫需要模拟翻页,获取多个页面的招聘信息。

2201_76125261的博客 1291

上帝掷骰子吗?量子物理史话——读书笔记

简介 这是一本让人一口气读完的书。 如果说《明朝那些事》是用小说的格调来阐述明朝历史的书,那么《上帝掷骰子吗?量子物理史话》则是一本用讲故事的方式来重现量子物理的发家历程。 前者用调侃的语气描述了明朝的达官贵族,后者则用轻松的笔调展现了物理大家们对自然世界的探索之路。 读这本书前,还在犹豫一件事:量子物理与我们的日常生活相去甚远,且自己对量子物理不甚了解,能看懂么? 事实证明,作者曹天元做到了,...

guotianqing的博客 4342

系统安全性评估 (SSA) 详细解析

系统安全性评估(SSA)是一种自下而上的验证过程,目的是确保系统设计中的每个功能、子系统、硬件和软件的实现,符合早期通过 FHA 和 PSSA 设定的安全性需求。它通过对已实现的系统进行系统性综合评价,检验各项设计和安装是否符合预期的安全性目标,最终支持飞机的适航认证。飞行控制系统是飞机安全性设计的核心子系统之一,负责控制飞机的姿态和方向。为了确保飞行控制系统能够在各种飞行条件下保持安全运行,SSA 被用于验证该系统的设计是否满足 FHA 中设定的安全性目标。

qq_41854911的博客 1651

matlab 点云均值、中值、高斯滤波【2024最新版】

点云均值滤波、中值滤波、高斯滤波的matlab自带函数实现。博客长期更新,本文最近一次更新时间为:2024年11月9日。

点云侠的博客 5259

读量子物理史话

量子物理史话是类似时间简史一样的科普读物,最适合我这种爱看故事,不爱看公式的人看了,写得很不错。 从初中开物理课开始就比较喜欢学习物理,可能它贴近自然,揭示了很多自然原理的缘故吧。 孩子小,好奇心比较重,总是幻想揭示自然的奥秘,弄懂一些现象后的本质。不像现在,负担重,要想的事情多,整天做梦发财。 读到最后,光到底是波还是粒子还是没有讨论清楚。最后的结论就只好说,光既是波又是粒子。 在量子世界里人...

btprince 782

银河麒麟操作系统最佳实践专栏介绍

本专栏聚焦国产银河麒麟操作系统(桌面版/服务器版)的实战应用,提供系统安装、配置优化、应用部署、故障排查等实用指南。内容基于真实操作场景,涵盖Linux通用技术(如RAID配置、环境变量管理)、服务器系统专项(如数据库迁移、驱动安装、安全加固)及桌面系统技巧(如PXE安装、镜像封装)。面向IT运维、开发者和国产化转型人员,突出实战性和差异化,帮助用户规避常见问题,提升系统管理效率。所有教程均配有详细步骤和截图,确保可操作性,并持续更新适配新版系统。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 532

量子物理史话,很好看

To see a world in a grain of sand. *从一粒沙看见世界 And a heaven in a wild flower *从一朵花知道天宸 Hold infinity in the palm of your hand *用一只手把握无限 And eternity in an hour *用一刹那留住永恒...

daimojingdeyu 482

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

读 《上帝掷骰子吗》 第一章 有感

看完之后感觉牛顿的成就原来并不像我们想象中的那么伟大,甚至还有些卑劣(他对胡可的嘲讽以及否认他对自己成就起到的帮助作用,主要领域涉及力学和光学方面)。其实这个想法很早就有了,大约是在上高中的时候,那时候只是隐约的感觉牛顿在力学上的成就其实很大部分原因是来源于伽利略。但是那时候我们还沉浸在牛顿的苹果、捡石子的小孩和煮手表的故事中不能自拔。不会相信这是假的,不容许这样的事情是假的。总之,...

梅花14的博客 765

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

科研创新书籍推荐与读后感

科研创新书籍推荐与读后感 先列出此次强烈推荐给科研人员读的书: 《像外行一样思考,像专家一样实践》 《上帝掷骰子》 《数学之美》 《浪潮之巅》 《像外行一样思考,想内行一样实践》 这本书非常适合做科研的同学阅读,是世界上最大的机器人研究所的卡耐基·梅隆大学金出武雄教授撰写,我认为这本书最大的成功之处在于除了讲科研和创新的方法,还关注到了科研人员的思想和精神的方方面面,读后有醍醐灌顶、快乐幸福的感觉。 本书的主旨是建议科研人员在构想idea时,最好暂时模糊自己固有的知识界限,把自己当做本领域的外

qq_28796453的博客 1419

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")

妈妈的生日

从记忆开始好象很少意识到妈妈的生日,可妈妈的确在一天天的变老......

mudboy的专栏 6584

购房经历(合集)

购房经历(合集)原文参见http://blog.youkuaiyun.com/mudboy的随想部分 

mudboy的专栏 4102

迅雷(XUNLEI)的工作原理揭密(续)---突出重围

本文是 迅雷(XUNLEI)的工作原理揭密(续)---为何遭封杀及如何应对  一文预告的成文,由于最近较忙,很难有时间将自己的想法很好的整理出来,难免题目也就前后不一致了。这编文章基本不涉及技术,权当作是我对搜索领域的一编随笔。 不难想象,类似迅雷的企业在开始时比较容易起来,但一旦做大,则难免树大招风,被各种有利害关系的人拿来说事。其中最大的莫过到版权问题的纠葛,下面是一些场景:1、对

mudboy的专栏 3931

我的家乡-客家小山村

索引(原图见:http://photo.163.com/photos/bjcfr/124385692/): 部分:    http://blog.youkuaiyun.com/mudboy/Gallery/303967.aspx

mudboy的专栏 1834

家乡的枇杷-----仅以此文献给老担心我吃不好东西的父母

家乡的枇杷-----仅以此文献给老担心我吃不好东西的父母现在交通运输这么发达,按理说家乡有的好东西北京也会有卖,在北京这么长时间了,但实际并不是想象的那样,很多东西其实很难找到,即使找到了,也不是家乡的味道,大多是所谓经过处理的”优良品种“,或是其它看起来更优良的品种。枇杷就是一个例子。其实小时候并没觉得枇杷有什么特别的,所以离家那么久也没有想起过它,只有在去两年发现眉州东坡酒楼竟然有枇杷卖,

mudboy的专栏 1651

如果我要...(开发版)

如果我要做一个项目,我会首选考虑跨平台的解决方案,我不想让自己绑定在某一种硬件或OS上如果要开发B/S,WEB框架我会首先选用STRUTS,其次是JSF,SPRING MVC也可以一试IOC/AOP,我会用SPRINGO/R:HIBERNATE和IBATIS开发服务器,我会选择TOMCAT或JBOSS轻量级数据库我会用HSQLDB或DERBY,当然,ACCESS也不错开发工

mudboy的专栏 1609

爷爷

爷爷去世已经整一年了,心理有很多话想写出来,却无从下手,更多的只是快乐中混着伤感的回味,爷爷是2007年7月上旬去世的,享年89岁,在86岁前,爷爷几乎没什么大毛病,每天五点多起来做早操,天气好出去转转,听听收音机,看看电视和书(虽说80岁左右时有一只眼睛因白内障看不见了,但另一只眼睛一直很好,不过为了保护另一只眼睛,看电视的时间少了),爸妈不在家时,还自己做饭洗衣,每年回到家,爷爷总是亲自带我到

mudboy的专栏 1599

冗余之美

        最近接到一个项目设计工作,这个项目曾经做过一期,但只上线了十几个客户端就出了很多难以克服的问题:数据同步问题(项目有客户端数据库以支持离线操作),查询效率问题,占用网络带宽太大的问题等等,不得已只好重做了,今天说冗余之美,也根这个项目有一点的关系。      在分析查询效率时,发现该查询的确复杂,连接了好向张表,而且在SELECT里还涉及大量计算,一个SQL语句长达数KB,忽略

mudboy的专栏 1449

怀念奶奶

怀念奶奶今天,妹妹发短信给我,说禾溪埠的奶奶前天去世了,虽说早有预感,毕竟几年来身体都不太好,但我仍感到非常悲痛和失落。我的亲奶奶是在我读高一时去世的,去世后几天就是中秋节,但奶奶没能看到那年的满月,也许很多人都有我相似的经历,小时候对奶奶的依恋甚至超过父母,我的中考作文是关于奶奶的,至今我仍常在梦里见到奶奶,见到她不再受病痛的折磨,和大家一起说笑,在梦里,我贪婪享受着那种喜悦,可到现实,

mudboy的专栏 1421

项目投产小记

项目投产小记项目虽然还没完,但还是忍不住想说一些。项目名,我们暂且叫它A,在此之前,用户正在使用一个系统叫B,B是基于DOS用FOXPRO开发的,但您可别小瞧了它,B无论在人性化设计,操作方便性,业务覆盖,性能和稳定性上都算得上是很不错的系统。B系统从最初版本到现在已整整经历了十年的时间,替换B系统并不是它在使用上,业务等方面有什么问题,主要还是基于未来发展的考虑,B是基于DOS的,因此,B客

mudboy的专栏 1256
上一篇: AXIS2使用问题解决点滴
下一篇: Websphere 7小版本不同导致的JAXP兼容性问题
mudboy
博客等级 码龄25年 15粉丝 84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