用游戏点亮你的工作简历

C++校招简历实战项目精选:从HTTP服务器到游戏引擎的硬核技能提升 C++作为高性能系统编程的核心语言,其价值在于对计算机底层原理的深刻理解和工程实践能力。从内存管理、多线程并发到网络通信,掌握这些基础概念是构建复杂系统的前提。理解事件驱动模型、协议解析等原理,能够帮助开发者设计出高性能的后端服务。在技术价值层面,通过实现具体项目,可以将理论知识转化为解决实际问题的能力,例如构建高并发服务器或音视频处理工具。这些技能在后端开发、音视频处理、游戏引擎和嵌入式系统等应用场景中至关重要。本文精选了覆盖多个热门方向的C++实战项目,如基于Epoll的高性能HTTP服务器和简易RPC 阅读详情

http://wcg.yesky.com/294/3008294_2.shtml

 

原载于《Pc World》;由《Casual Friday 》专栏作家兼《Pc World》高级作者Darren Gladstone 撰写。这篇文章意在展现游戏积极有益的社会作用并在经济危机的关头为那些爱游戏爱生活但是对前途充满忧心的新一届毕业生们提供帮助和鼓励。

  “组织并带领我50人的公会团队3次顺利打通奈克瑟斯副本...”也许你没想过也没见过有人把这样的事迹载入求职简历,但确有人会把自己在《魔兽世界》中的角色等级和种族写进去。也许看着有些牵强,但是麻省理工学院教育娱乐计划主管兼合作教授Eric Klopfer 却表示,目前有多项研究都着眼于人们在游戏中所能获取的实际能力。嘿嘿,那你在魔兽里除了搓火球外还学到了什么嘛?

  Klopfer教授介绍了威斯康辛大学Constance Steinkeuhler的课题。她在“证实人们在玩《魔兽世界》的过程中学习并实践了各种各种实用技能——数据收集和分析,协作精神,计划制定,资源管理与分配,甚至团队激励和管理。”如果把“WoW”三个字忽略掉,以上任何一项能力写在你的简历上都会让招工单位的人资眼前一亮。

  麻省理工的斯隆管理学院研究员兼《改变的游戏:电子游戏如何影响商业的未来》一书联合作者Ethan Mollick表示“在现代办公环境中电子游戏还带着耻辱的烙印实在太不应该了。”他认为很多雇主依然将游戏看成带有红字“S”即懒惰,逃避的代名词。

        当然,《战争机器2》并不能取代职业技能训练,除非你干活真的需要用电锯...哈哈。但有证据表明带有完整任务线和团队合作内容的游戏确实可以提高人们在现实世界中的工作能力。(Mollick 拿Virtual Leader -一款模拟管理游戏为例,指出玩这个游戏若干月后工作效率能提高25%至少)。当然目前对主流游戏积极意义的研究尚处于初级阶段。

  所以在经济惨然的如今,你准备怎么办?这篇文章中,作者和前面提到的几位教授学者将以几篇久经考验的优质简历为蓝本,告诉你怎么让游戏为你的简历画龙点睛。

  [不过下面这几个点子主要是为你抛砖引玉,头脑风暴,除非你要在游戏行业求职,否则并不推荐诸位直接使用。另外你找工作时候一定要使招聘官明白,你只是在业余时间玩游戏而不是上班时间。]

  1 天生的领袖风采

  你了解并敢于许下承诺,不惜全力以赴达成团队目标...专家们赞许大型游戏的公会组织是最能够锻炼领导能力的地方。当你和公会中形形色色的人员打交道,克服个性的冲突共同朝一个目标不懈努力;当你终于找到志同道合的队友成立属于自己的公会并维护大家之间的团结时,有没有感觉自己正在成长为一名优秀的领导人物?

  2 优异的沟通能力

  在任何一款大型多人在线游戏中,表达自己和与他人交流都是极为重要的一环。就拿去年最佳游戏《辐射3》来说吧,它有着怕庞大的世界观,多重开放式人际交流内容。在后核战时期的废土上,没有简单的“对”与“错”。你对其他玩家和npc的行为和语言将直接影响你的游戏结果。只有慎重选择同僚和敌人,妥善解决冲突才能让自己少吃枪子。虽然还无法与现实中的谈判和商讨相对等,但游戏确实教你如何去思考与他人之间的关系。

 

3 团队的一员

  《彩虹6号:拉斯维加斯2》或者任何一款团队协作的第一人称射击游戏都能够提供良好的协同合作环境。只要设想一下很多公司都会进行的员工拓展训练好了,比如白领们全副武装来场彩弹射击...所以连军队训练都会使用这种射击游戏。专家们认为所有这类协作游戏都能促进小型团体的积极性和灵活性——所有人都希望合作。当然惹事生非的人也有,但是他们的存在正是锻炼团队稳定和信任的机会。在魔兽里,最著名的莫过于[  Leeroy Jenkins ],当然这个视频很有趣,只要你不是其中一个受害者...

  而且在网游中,你往往不止面对一小部分熟人。网络上行行色色的人都有,通常与不熟的玩家组队时我们的态度都比较温和和拘谨,因为谁也不愿意被当成个碎催一样招来使去。但是当你发现和你一样技法娴熟且态度严谨的那些人后,会有一种高山流水,知己相遇的感慨和激动吧。这时就是该把后背交给战友的时候了。

  4 注重细节,善于分析

  Klopfer教授提到了一种从儿童时期开始很多人就玩的桌面类游戏比如《口袋妖怪》。刚开始游戏的时候大家会使用比较少的牌数和一些数据。随着玩家年龄的增长,这个游戏也变得越来越复杂,需要使用的牌面和数据。对于魔兽的玩家而言,怎样组合你身上的装备达到最佳的伤害/治疗数值?如何选择最佳时机使用技能才能保证在PvP中长胜?什么时机买进卖出才能从拍卖行挣个钵满?这些都需要敏锐的观察和细致的分析。当我们不惜花重金购买一些行业分析报告的同时,每月花少量的点卡钱就可以深入进行的研究难道没有什么帮助么?

  5 学会高瞻远瞩

  去问问那些痴迷于《文明4》或者《模拟城市》的玩家们他们都学到了什么吧。是否每次一次外交的成败,一条道路的走向都会影响你的帝国命运和你的城市发展。通过模拟经营游戏,你知道了如何制定蓝图并考虑从大局到细节的构成和实施,各种事件引起正面或负面的效应以及如何应对等等。

  Mollick 甚至看玩笑的说,游戏真的能教你一些实在的知识,比如历史,地理等等。通过这种推理,玩《星际争霸》或《命令与征服》这类即时战略游戏除了上述的技能外还会锻炼你如何在现实中应付多任务局面,教你怎么合理分配精力。当然这种效果的正反意义还不十分明了。

  6 成为问题解决者

  对游戏能否促进大脑发育并没得到学术界的统一意见,不过有一项研究声称玩任天堂的《大脑训练》的儿童中有19%增长了数学计算能力。但是这项研究也称其他活动同样能增强数学能力。不过,既然能促进数学能力增强,那就很好不是么,游戏是积极向上的。

       同样如《雷顿教授》和《扎克与维奇》都提供了问题解决训练。遗憾的是这种训练的结果有多少能转化到现实中还是个未知数。lopfer表示:“在游戏世界里,完成任务需要考虑和施展多种策略。不过游戏里学到的策略一般不能直接用到现实中。”尽管疑问重重,但是游戏是人类的天性,我们都是在其中领悟和成长的......

热爱游戏引擎的程序员在这儿集合 如今,在我们的游戏引擎社区里已经有许多的贡献者活跃其中,他们中有人是清华、北大、浙大的学生,也有人是字节跳动、阿里、腾讯、Epic Games、育碧等不同企业的一线开发者,还有世界各地优秀的艺术家、翻译者、创作者。 阅读详情

相关推荐

从插上到点亮:HDMI线缆里的TMDS、DDC和HPD信号到底在忙些啥?

本文深入解析HDMI线缆中的TMDS、DDC和HPD信号工作原理,揭示从物理连接到视频传输的全过程。详细介绍了HPD引脚的连接检测机制、DDC通道的EDID数据读取,以及TMDS编码的视频传输技术,帮助读者理解HDMI接口背后的精密电子通信原理。

weixin_30432579的博客 474

求职者用AI写简历,HR用AI筛简历,陷入「无人录用」死循环

有人吐槽公司收到上百份申请,99%都是垃圾,且申请人面试时还在用AI对话,因为他们几乎一字不差的给出了完全相同的答案。随后,她看到大量非营利组织、律师事务所、咨询公司和大学的职位空缺,于是投出了几十份申请,还进入了几次第二轮面试。无独有偶,今年4月,在弗吉尼亚州郊区,一位名为Martine、有10年工作经验的律师助理被一家政府承包商裁员。如今,数以百万计的求职者都在用AI写简历,但它并没有提高求职和招聘的效率,反而形成了死循环。后来,他澄清道,自己“并不是被拒了200次”,因为很多公司根本连回音都没有。

量子位 119

DSP(数字信号处理器)技术概要

数字信号处理器(digital signal processor,DSP)是一种用于数字信号处理的可编程微处理器,它的诞生与快速发展,使各种数字信号处理算送得以实时实现,为数字信号处理的研究和应用打开了新局面,提供了低成本的实际工作环境和应用平台,推动了新的理论和应用领域的发展。目前,DSP技术在通信、航空、航天。雷达、工业控制、医疗、网络及家用电器等各个领域都得到了广泛应用。 1.1 DSP系统和芯片的结构特点1.1.1 DSP系统的基本结构通过传感数将非电物理量转换为模拟电信号,预处理一般包括放大器和滤

m0_46582485的博客 2万+

闯过这 54 关,点亮你的 Git 技能树

开篇 如今,Git 大行其道,颇有一统天下之势。如果你的技能树上 Git 和 Github 的图标还没有点亮的话,你都不好意思说你是程序员。别说互联网企业,我接触到的许多传统企业都在从 SVN,Clear Case 等迁移到 Git 上,甚至大厂还会有一个团队去定制适合自己企业的 Git 服务器。 很多人简历上写的「精通 Git 与 Github」,但如果你问他熟悉到什...

dengxichen8792的博客 130

内网Linux服务器离线安装python包

3、将下载的依赖包和requirements.txt 拷贝到内网主机,依赖包和requirements.txt放同一级目录,进入该目录,运行指令。其实还有个更加方便的办法,联网主机装个与内网主机一样环境的虚拟机,在虚拟机中下载py包,拷贝到内网主机后就能直接安装了,省去手动下载py包的步骤。简单记录下最近遇到的一个小问题,内网主机没有内网源,处于无互联网状态,安装python包只能通过联网主机下载好后拷贝到内网主机。由于内网主机安装了多个版本的python,为了防止搞错,使用这种方式来调用pip安装。

cyc头发还挺多的博客 652

QGIS中高效处理CAD数据的两种实用技巧

本文详细解析了在QGIS中高效处理CAD数据的两种核心方法。针对DWG/DXF文件在QGIS中直接打开失败的问题,介绍了使用QGIS内置数据导入管理器进行标准化转换的流程,并重点推荐了功能更强大的Another DXF Importer插件,以更好地保留文字、块属性等复杂信息。文章对比了两种方法的优劣与适用场景,并提供了坐标系设置、中文乱码等常见问题的避坑指南,帮助用户根据数据需求选择最佳导入策略。

weixin_28363123的博客 118

熟悉git命令的小游戏

可以根据下面的两个教程来系统学习。猴子都能懂的 git 入门廖雪峰的 git 教程如今,Git 大行其道,颇有一统天下之势。如果你的技能树上 Git 和 Github 的图标还没有点亮的话,你都不好意思说你是程序员。别说互联网企业,我接触到的许多传统企业都在从 SVN,Clear Case 等迁移到 Git 上,甚至大厂还会有一个团队去定制适合自己企业的 Git 服务器。很多人简历上写的「精通 G...

sxcvip666的博客 2509

Windows显卡TDR超时导致Unity崩溃?手把手教你修改注册表延长响应时间

本文详细解析了Windows显卡TDR超时导致Unity崩溃的问题,并提供了修改注册表延长响应时间的完整解决方案。通过调整TdrDelay和TdrDdiDelay键值,开发者可以有效避免D3D11设备丢失错误,提升Unity编辑器的稳定性。文章还包含显卡驱动优化、系统性能调优等实用技巧,帮助开发者彻底解决编辑器崩溃问题。

weixin_33737774的博客 633

HTML和CSS网页制作成品:用代码点亮创意

HTML和CSS可以用来制作各种各样的网页,从简单的个人主页到复杂的电子商务网站。通过学习和实践,你也可以成为一名优秀的网页设计师,并创造出更加令人印象深刻的网页作品。

weixin_58606202的博客 963

C# Socket网络通信UDP(关键字:Socket)

简单Socket-Udp通信 在本文中涉及到通信,仅做简单的通信(服务端接受消息,由客户端发出消息) 如有需要,根据需求可直接copy使用 关键字Socket 需要引用命名空间: using System.Net; using System.Net.Sockets; 服务端: using System; using System.Net; using System.Net.Sockets; u...

MelanceXin的博客 3890

【x265编码器】章节1——x265的lookahead模块分析

目录一、模块功能二、lookahead模块分析1.调用流程2.代码分析Lookahead::addPicture()Lookahead::checkLookaheadQueue()Lookahead::getDecidedPicture()Lookahead::findJob()Lookahead::slicetypeDecide()PreLookaheadGroup::processTasksLookaheadTLD::lowresIntraEstimate()Lookahead::slicetypeAn

vcvdv123的博客 4万+

HR已读不回,为什么???

单月累计查看简历15292份 平均每天查看简历728份 平均每天工作2个小时筛选简历 平均每小时查看242份简历 每分钟查看简历6份简历 每10秒钟,查看1份简历 所以10秒钟HR到底看了什么?

com_100fenjianli的博客 752

Unity 工具 之 ZXing QRCode 二维码的生成和识别(可设置生成不同颜色的/带图标的二维码)

Unity 基础 之 ZXing QRCode 二维码的生成和识别(可设置生成不同颜色的/带图标的二维码) 目录 Unity 基础 之 ZXing QRCode 二维码的生成和识别(可设置生成不同颜色的/带图标的二维码) 一、简单介绍 二、实现原理 三、注意实现 四、效果预览 五、ZXing.net ( zxing.unity.dll ) 插件下载 六、实现步骤 七、关键代码 一、简单介绍 Unity 开发中,自己整理的一些游戏开发可能用到的功能,整理归档,方便游...

仙魁XAN 9827

这8种武器点亮程序员的个人品牌

这8种武器点亮程序员的个人品牌

hfhhgfv的博客 460

基于Requests的百度图片搜索爬取技术详解

本文介绍了一种高效获取百度图片搜索数据的混合请求爬虫技术。该技术结合HTML解析与JSON API调用,通过分析百度图片搜索的网络通信模式,实现了首页HTML解析获取初始参数、后续页面直接调用JSON接口的双重机制。系统采用模块化设计,包含Cookies解析、智能请求分发、数据提取、图片下载等核心模块,支持自定义关键词和爬取页数配置。关键技术包括动态参数管理、正则表达式提取、JSON数据处理等,相比传统爬虫方法具有效率高、资源消耗低的优势,为计算机视觉研究提供了可靠的大规模图片数据采集方案。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 424

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")

从零开始,用Python点亮你的编程之旅

最新接入DeepSeek-V3模型,点击下载最新版本InsCode AI IDE 标题:从零开始,用Python点亮你的编程之旅 在当今数字化时代,学习编程已经成为一种必备技能。无论你是想提升职场竞争力,还是单纯对技术感兴趣,掌握一门编程语言都能为你打开新的大门。而Python,作为一门简单易学、功能强大的编程语言,无疑是初学者的最佳选择。然而,对于完全没有编程基础的小白来说,如何快速上手并享受编...

SapphireFox89的博客 299

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

不玩游戏,何谈人生!

社会是个大舞台,人生就像一场戏,我们游历其中,各个阶段玩着角色扮演……怎么看都是一场“游戏”!先不必谈游戏变色,作为这个世界上的历史悠久的一个产业,游戏是一把双刃剑,本身其实没有好坏之...

云布道师 344

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: 成年人必看的六个故事,希望有所启发
photon21
博客等级 码龄18年 10粉丝 3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