Ruby on Rails中使用Ajax与控制器操作实践

Ruby on Rails开发实践指南 本文介绍了Ruby on Rails开发中的多个实践操作,包括控制器与视图的编辑、模型字段验证、购物车功能实现、结账页面创建、Cookie设置、请求方法过滤、Ajax页面实现以及数据库配置等内容,适用于Rails初学者和开发者参考。 阅读详情

46、编写 LookController 控制器的 set 方法设置 cookie

在 LookController 控制器中,可使用以下代码编写 set 方法来设置 cookie:

class LookController < ApplicationController
  def set
    cookies[:customer] = {:value => "Nancy", :expires => 31.days.from_now}
  end
end

该代码将名为 customer 的 cookie 值设为 Nancy ,并设置其 31 天后过期。若不包含 :expires 键,cookie 为永久的;若 :expires 键赋值为空字符串,cookie 将在当前浏览会话、用户关闭浏览器时被删除。

47、编写 PlayController 控制器,使用 before_filter 过滤请求方法,不符合要求则重定向

以下是 PlayController 控制器的代码示例:

class PlayController < ApplicationController
  before_filter :check_time, :except => :not

  def now
  end

  def not
  end

  private

  def check_time
    if (Time.now.hour >= 9 && Time.now.hour <= 17)
      redirect_to(:ac
Tubi流媒体平台如何用Ruby on Rails提升开发效率与架构灵活性 在现代微服务架构中,技术选型常面临开发效率与系统性能的平衡挑战。Ruby on Rails框架以其'约定优于配置'的核心理念和丰富的Gem生态,为快速构建CRUD密集型应用提供了高效的解决方案。其技术价值在于通过ActiveRecord ORM、脚手架生成器和模块化设计,大幅缩短产品迭代周期,降低团队协作成本。在流媒体、广告技术等需要快速响应业务变化的场景中,Rails可作为'粘合剂'服务,高效构建内部管理平台与API网关。本文以Tubi的实践为例,展示了如何将Rails深度集成到微服务生态中,通过Side 阅读详情

相关推荐

Rails应用集成AI对话引擎:从原理到实践的完整指南

大型语言模型(LLM)通过API接口为应用提供自然语言处理能力,其核心原理是基于Transformer架构的预测训练。在工程实践中,开发者需要处理API集成、会话管理和流式响应等技术细节,这为Web应用带来了智能交互的新维度。Rails引擎(Engine)作为一种高内聚、低耦合的架构模式,能够封装AI功能模块,实现即插即用的集成。通过配置驱动的设计,开发者可以灵活切换模型、定制系统提示词,并将AI对话能力嵌入到客服助手、内容创作等多样化场景中。本文以railsjazz/ask_chatgpt项目为例,深入解

weixin_33716941的博客 543

运放+三极管构成的低成本恒流源方案:从B站热门视频到实战优化

本文深入解析了由运放与三极管构成的低成本恒流源方案,该方案在B站等平台备受关注。文章从核心原理出发,通过LTspice仿真验证其动态调节与稳定性,并重点阐述了PCB布局优化、接地技巧等关键实战要点,帮助硬件爱好者将这一高性价比方案从“能用”优化至“好用”,适用于LED驱动、传感器供电等小电流场景。

k0l1m2n3o的博客 461

57、Ruby on Rails Web开发实用指南

本文详细介绍了使用Ruby on Rails进行Web开发的多种实用功能,包括编辑操作与视图复用、Ajax表单的创建、Web服务的暴露、邮件发送功能以及错误消息自动通知等。通过这些内容,帮助开发者掌握Rails开发中的关键技巧,提高开发效率与用户体验。同时,还讨论了实际应用中的安全性、性能优化和兼容性问题,并展望了未来Web开发的方向。

aa123的博客 53

52、Ruby on Rails技术知识与相关资源汇总

本文详细介绍了Ruby on Rails的核心概念和技术知识,包括Ruby与Rails基础、数据库操作、安全防范、模板与视图、测试方法等内容。同时,还推荐了相关的开发工具和学习资源,并通过示例展示了开发与部署的工作流程。文章还深入探讨了高级功能如数据验证、缓存机制、AJAX应用、性能优化与部署策略,帮助开发者全面掌握Ruby on Rails开发。

101

50、Ruby和Rails开发资源与技术要点全解析

本文详细解析了Ruby和Rails开发的各类资源与核心技术要点,涵盖了在线资源、符号与关键字、控制器、邮件发送、数据库操作、AJAX交互、配置调试、部署、模型关联、视图、测试、安全、性能优化以及部署后的监控维护等方面。通过全面的介绍和示例,帮助开发者高效构建稳定、安全且高性能的Web应用。

104

2、Ruby on Rails:高效敏捷的Web开发框架

本文介绍了Ruby on Rails这一高效敏捷的Web开发框架,涵盖其受欢迎的原因、核心特性如MVC架构、DRY原则和约定优于配置,以及对敏捷开发价值观的支持。同时,文章详细讲解了Rails的安装步骤、开发环境搭建方法和实际开发流程,适合初学者和有经验的开发者参考学习,旨在帮助开发者快速构建高质量的Web应用。

cicd6pipeline的博客 142

1、探索 Ruby on Rails:高效敏捷的 Web 开发框架

本文深入介绍了 Ruby on Rails 这一高效的 Web 开发框架。从 Rails 的 MVC 架构、Ruby 语言特性、设计哲学到其对敏捷开发的支持,文章全面解析了 Rails 的核心优势,并结合其应用架构和开发实践,展示了 Rails 如何提升开发效率与维护性。此外,文章还展望了 Rails 的未来发展方向,鼓励开发者持续学习并参与 Rails 社区的建设。

cake8的博客 99

3、Rails开发:从基础到实践

本文详细介绍了Ruby on Rails开发的相关内容,包括Rails MVC架构中的模型、视图和控制器的协同工作方式,Action Pack组件的功能与使用,以及在不同操作系统上安装Rails的方法。同时,文章还涵盖了Rails版本的选择、开发环境的搭建、开发流程示例以及适合Rails开发的编辑器推荐。通过这些内容,读者可以全面了解从基础到实践的Rails开发过程,为构建高效、可维护的Web应用打下坚实基础。

grafana6viz的博客 109

40、新增模板系统与Rails Ajax支持全解析

本文深入解析了在Rails应用中新增模板系统与实现Ajax支持的完整方法。内容涵盖模板缓存的存储方式、模板处理程序的开发要求,以及通过RDoc和动态模板实现页面渲染的具体示例。同时,详细介绍了Rails的Ajax支持,包括Prototype框架、Script.aculo.us视觉效果、RJS模板,以及多种实用的Ajax辅助方法。文章还探讨了如何在不同场景下保障应用的可降级性,确保在JavaScript禁用的情况下仍能正常运行。通过这些内容,开发者可以构建出更灵活、高效且用户友好的Web应用。

grafana6viz的博客 69

28、Rails 控制器:请求处理与响应机制详解

本文深入探讨了 Rails 控制器在 Web 应用开发中的核心作用,详细解析了请求处理流程、响应方式、路由映射、渲染模板、重定向机制、控制器环境变量、异常处理、回调过滤器以及缓存优化等内容。通过理论与代码示例相结合,帮助开发者全面掌握 Rails 控制器的使用方法,并提供最佳实践建议,以提升应用程序的性能与稳定性。

numpy6sculptor的博客 118

21、 视图操作:构建高效且易于维护的Rails应用程序

本文深入探讨了如何在Rails中通过模板、表单辅助方法和视图工具构建高效且易于维护的Web应用程序。主要内容包括使用ERB模板生成动态内容、简化用户输入处理的表单辅助方法、减少代码维护的工作量以及提升开发效率的技术手段,如布局、部分视图、AJAX支持和分页等。

weixin_35811662的博客 108

3、Rails开发:Action Pack、安装与开发环境搭建

本文介绍了Ruby on Rails开发中的核心组件Action Pack,包括视图与控制器的功能,以及Rails的安装方法和开发环境的搭建过程。文章还涵盖了Rails开发中的一些实践技巧和注意事项,帮助开发者快速入门并掌握基础开发技能。

175

30、Action Controller 与 Rails 开发详解

本文深入解析了Rails框架中的Action Controller,涵盖了控制器动作的处理机制、环境设置、响应用户的不同方式,以及发送文件和数据的方法。同时,通过实际示例展示了如何在开发中合理使用渲染和重定向,避免常见错误,并提供了最佳实践建议,帮助开发者构建高效、稳定的Web应用。

81

21、Rails开发回顾与深入探索

本文回顾了 Rails 开发中的核心概念,包括模型、视图和控制器的设计与实现,并详细介绍了 Rails 应用程序的配置、测试和部署流程。文章还探讨了 Rails 的目录结构、命名约定以及如何生成文档和添加自定义 Rake 任务。最后,深入介绍了 Rails 的关键子系统,如 Active Record、Action Pack 和 Active Support,帮助开发者更好地理解和使用 Rails 进行高效 Web 开发。

cicd6pipeline的博客 58

1、探索 Rails:高效敏捷的 Web 开发之道

本文全面介绍了 Ruby on Rails,一个高效且敏捷的 Web 开发框架。内容涵盖 Rails 的核心特性,如 MVC 架构、内置测试支持、Ruby 语言优势、DRY 原则和约定优于配置。文章还深入探讨了 Rails 的功能,包括数据库迁移、Active Record、Action Controller 和 Action View。同时,还总结了 Rails 的敏捷开发特性,以及开发过程中的安全、性能优化和测试技巧。通过本文,开发者可以快速上手 Rails,并掌握开发完整 Web 应用的流程与最佳实践

163

26、新增模板系统与AJAX技术在Web开发中的应用

本文详细介绍了在Web开发中新增模板系统的实现与应用,包括缓存存储类型、模板处理器的要求及动态模板的实现方法。同时,深入解析了AJAX技术的工作原理及其在Rails框架中的应用,涵盖AJAX调用、`XMLHttpRequest`对象、Rails对AJAX的支持及常用方法,如`link_to_remote`、`form_remote_tag`和观察者等,旨在提升Web应用的交互性和性能。

cake8的博客 53

两相交错并联Boost电路仿真模型(Simulink仿真实现)

内容概要:本文详细介绍了两相交错并联Boost电路的Simulink仿真模型,属于电力电子变换器领域的核心技术研究。该模型基于Simulink平台构建,重点在于通过多相交错并联结构提升Boost电路的输出稳定性与转换效率,有效降低输入电流纹波,适用于中高功率电力变换场合。文档系统阐述了电路的工作原理、闭环控制策略设计、软启动机制实现以及关键参数的优化方法,充分展现了多相并联技术在改善动态响应、提高功率密度方面的优势。同时,提供了完整的仿真建模流程和技术路线,涵盖主电路搭建、控制器设计、系统调试与性能分析等环节,并配套提供仿真文件、设计报告及参考文献等丰富资料,便于学习者深入理解与实践复现。; 适合人群:具备电力电子技术基础知识、熟悉Simulink仿真环境,正在从事新能源发电、电动汽车、工业电源系统等相关领域研究的硕士博士研究生、科研人员及电气工程方向的工程技术人员。; 使用场景及目标:①用于深入理解多相交错并联Boost电路的拓扑结构与工作机理;②支撑科研项目中的高效DC-DC变换器性能验证与优化设计;③为实际电源产品开发提供理论依据和仿真原型;④作为高校课程设计或实验教学的参考案例,提升学生的工程仿真与系统分析能力。; 阅读建议:建议结合文档中提及的其他相关变换器模型(如LLC谐振变换器、PFC电路、Buck变换器等)进行横向对比学习,深入掌握不同拓扑的控制策略差异与适用场景,并充分利用所提供的网盘资源下载完整仿真模型,动手调试参数、观察波形,从而深化对多相并联控制、电流均流、闭环稳定性等关键技术的理解,全面提升电力电子系统的仿真与设计能力。

RK3568+XS9922B+Android11双模视频输入:CVBS与AHD兼容驱动开发实战

本文详细介绍了基于RK3568平台和XS9922B解码芯片,在Android11系统上开发支持CVBS与AHD双模视频输入的兼容驱动实战。内容涵盖硬件选型、内核驱动框架分析、双模信号自动识别与配置、视频通道切换实现及图像质量优化等关键技术点,为车载监控等需要兼容新旧摄像头的项目提供完整解决方案。

js777的博客 379

eNSP无法启动AR报错码40,而且按照eNSP帮助手册排查都没用,我的处理方法【自己存档版】

eNSP无法启动AR报错码40,而且按照eNSP帮助手册排查都没用,我的处理方法【自己存档版】

mizhiakk的博客 8426

Argoverse数据集可视化/Argoverse-api

argoverse可视化,argoverse-api配制方法

learning_man的博客 9561

使用STM输出互补SPWM波(三相各差120°)

使用STM32输出SPWM波形(三相各差120°)

hello011102的博客 7373

Stata面板数据OLS回归分析实战指南

OLS回归作为计量经济学的核心分析方法,通过最小化残差平方和实现参数估计,广泛应用于经济学实证研究。其技术价值在于模型简洁、结果易于解释,特别适合处理面板数据中的复杂关系。在实际应用中,配合robust标准误能有效解决异方差问题,而固定效应模型则可控制个体特异性。本文以Stata软件为例,详细演示从数据导入、描述性统计到混合OLS和固定效应模型构建的全流程,重点解析面板数据特有的格式设定、模型选择标准以及结果呈现技巧,为经济学研究者提供可直接复用的分析框架。

weixin_29051811的博客 268

AI落地困局与破局者FDE:从技术神话到价值实干的战略转型

AI落地困局与破局者FDE:从技术神话到价值实干的战略转型 当前AI企业级应用面临三大核心挑战:业务场景深度非标化、技术落地"最后一公里"困局、以及市场竞争焦点转向实用价值。前线部署工程师(FDE)作为破局关键,通过技术-业务-产品三维交汇的复合能力,将AI从实验室推向生产环境。FDE不仅是技术架构师,更是业务价值挖掘机和产品进化传感器,通过"碎石路-高速公路"双循环模式,将定制化需求沉淀为可复用的平台能力。这种模式颠覆了传统SaaS的销售逻辑,形成基于价值的J型增长

随笔记录-分享&记忆 4011

500多种目标检测数据集下载地址汇总(YOLO、VOC)

【目标检测】红外物体检测-人、自行车、公交、小车、摩托车、骑行者、动物等15000张YOLO+VOC(含部分截取增强图).zip。【目标检测】医用个人防护装备检测数据集981张5类别(口罩、工作服、护目镜、手套、面罩检测数据集)VOC+YOLO格式.zip。【目标检测】车辆分类数据集1880张7类VOC+YOLO(含摩托车、救护车、消防车、警车、警用摩托车、轿车、大车).zip。【目标检测】隐翅虫数据集386张VOC+YOLO【目标检测】隐翅虫数据集386张VOC+YOLO【目标检测】隐翅虫数据集。

2401_85863780的博客 9162

使用pytorch-superpoint与pytorch-superglue项目实现训练自己的数据集

superpoint与superglue的组合可以实现基于深度学习的图像配准,官方发布的superpoint与superglue模型均基于coco数据训练,与业务中的实际数据或许存在差距,为此实现基于开源的pytorch-superpoint与pytorch-superglue项目实现训练自己的数据集。然而,在训练pytorch-superpoint有诸多细节需要优化,特此整理成技术文档。本文档描述了实验pytorch-superpoint与pytorch-superglue项目训练自己的图像配准模型。

a486259的博客 9506

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")

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: Ruby与Rails开发实践指南
下一篇: 39、基于生成对抗网络的合成指纹生成技术解析
root9
博客等级 码龄15年 31粉丝 1255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  | 博主筛选后可见
 
 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