boost学习-2.总体感受

Boost库是一个非常流行的C++库,其目标是提高C++的标准库,使得C++开发更加易用和高效 _cpuid()函数可以获取CPU的cpuid信息,返回一个包含四个整数的数组,第三个整数表示支持的扩展特性。SSE指令集是Intel推出的针对单指令多数据(SIMD)操作的指令集,它可以同时对多个数据进行计算,从而提高计算效率。在上面的代码中,我们首先检查BOOST_HAS_DECLSPEC宏定义是否存在,如果存在,则调用__cpuid()函数获取cpuid信息,并且判断第25位是否为1;否则,输出unknown。通过上述代码,我们可以很简单地判断当前运行环境是否支持SSE指令集,从而做出相应的处理。 阅读详情

了解boost是在2007年的时候了,当时还花钱买了一本中文版的boost库介绍什么的,名字记不清了

 

后来才发现网络上的文档已经很全面了,这也算是我真正开始了解开源项目吧。。。

 

总体感觉boost库目前还是一个更低阶的应用库,功能很强大,但是比较分散(我的感觉),我用C#也有一段时间了,他的命名空间就很直接,要字符编码转换,OK,那就Encoding.UTF8.方法,要文件读写,那就File.方法,所以我认为boost现在还处在功能实现阶段,以后要想让大家用的舒服,还是会把命名空间再归纳,整理一下,想做类型转换,还要 int  i = lexical_cast<int>(***),太麻烦了,应该学学java,c#, int.Parse()不是更好用吗?再加上boost成为真正标准库的时间一拖再拖,这也让我明白了,开源的时间表是很难控制住的,没有商业因素的刺激,只能靠有限人的热情啦。

 

虽然说了他的不是,不过还是很欣赏boost的,让我从一个使用别人类库,到自己开发库,再到学习开源高手们是如何开发真正意义上的库的,很多代码非常精彩,也确实要花不少时间来理解它,总之,想从新手到老手,再成为高手吗?那就拥抱开源吧!

 

最近一直想做一套跨平台的应用,真正开始动手后,才发现真的是很困难。有的人一定会说,C++不就是可以跨平台吗?那你一定是没有写过上万行的代码,一个printf,那是很容易在多个系统上跑起来的,可我们要做的,是多线程,文件IO,网络,数据库集成的一个应用,你说说你都直接用现在的标准C++来写?肯定需要一些类库的支持啊。这么多代码,你想在多个平台下跑,难道是在linux下写makefile,在windows下用VC?那你写出来的东西,维护着也很累吧?所以我选择了很久,终于决定用codeBlocks(IDE)+boost来做这件事情,不过真不好意思,由于平时工作太忙,而且下班后还有玩游戏的习惯,所以进度很慢。。。惭愧

 

 

SAP 错误消息调试之七种武器:让所有的错误消息都能被定位 目录 长生剑 - SAPGUI Where Used List 碧玉刀 - ABAP调试器观察点 霸王枪 - ABAP调试器动态断点 多情环 - ABAP代码静态扫描 孔雀翎 - SAT 离别钩 - ST05 拳头 - 迷之方法??? Jerry在2018年开始用中文在微信公众号平台上写作之前,在SAP官方社区上总共写了639篇英文博客。 其中有一篇写于2013年介绍ABAP调试技巧的博客: 阅读详情

相关推荐

从零开始:PLUMED与GROMACS整合安装全攻略

本文详细介绍了如何从零开始整合安装PLUMED与GROMACS,包括系统环境检查、MPI配置、PLUMED编译安装、GROMACS补丁应用及常见问题解决方案。通过本教程,研究人员可以快速完成分子动力学模拟工具的整合安装,实现增强采样和自由能计算功能。

weixin_42520796的博客 293

Boost库使用踩坑记录

常用编译命令如下: b2.exe toolset=msvc-14.1 --with-locale link=shared runtime-link=shared address-model=32 architecture=x86 stage 命令解析: toolset=msvc-14.1 设置编译器版本,msvc-14.1对应的是vs2017,这里具体vs版本和msvc版本的对应关系网上可查。 –with-locale 指定编译的库。 link=shared 编译动态库(生成dll和lib导入库)。 r

我是小刘呀 1032

NBU计算机大二下期末

计算机网络 任课老师:JG (放了一学期的他自己的视频和上了一学期网课没什么区别,甚至不如上网课。。。) 考试题型 填空题10*1 判断题10*1 选择题30*1 简答和计算题30(4题) 讨论题20 强烈建议不要再这门课上花太多时间复习,不然有复习了个寂寞的感觉。。。计网是一页开卷的,一页开卷纸不用写太多,第一他不会考太详细;第二反正最后都要被收走。 填空题、判断题基本看懂了英文就能做的差不多;选择题去网上找点英文题多刷一下问题不大;简答题把书上每章根据他上课的内容在开卷纸上抄下就好,今年是解释check

weixin_45816954的博客 711

Boost库个人感觉好用的模块

Boost库个人感觉好用的模块

xuyouqiang1987的博客 694

GOM引擎单机传奇架设全攻略——从DBC2000配置到登录器生成

本文详细解析了使用GOM引擎架设单机传奇的完整流程,从DBC2000的安装配置、服务端部署、引擎控制器设置,到登录器生成与客户端补丁放置。文章重点解决了单机架设中的常见问题,如数据库路径配置、IP地址设置及Key.lic文件处理,旨在帮助玩家快速搭建稳定的个人游戏环境,体验GM乐趣。

weixin_28318011的博客 639

uni-app:实现APP设置手机闹钟+取消闹钟+响铃重复/文字等,帮用户设置好闹钟并备注文本,uni-app设置安卓系统闹钟和苹果ios系统闹钟(uniapp调用手机上的闹钟,详细示例代码demo)

uniapp设置安卓和iOS闹钟的插件,uni-app设置安卓系统闹钟,uniapp设置苹果ios系统闹钟,uniapp设置定时闹铃的完整解决方案,UniApp设置手机闹钟,uniApp如何设置手机闹铃,uniapp设置闹钟,设置闹钟提醒,uni-app设置安卓系统闹钟_通过uniapp设置原声闹钟,调用android系统闹钟,如何在App中启动系统闹钟,uniapp如何取消闹钟,通过调用ios的原生接口来设置手机闹钟,uni-app 调用手机闹钟功能,uniap调用ios系统闹钟,uniapp调用手机上的

✅ 精选推荐文章 4235

boost库使用总结

boost 总结

深之JohnChen的专栏 7326

使用Simulink进行带通滤波器的设计与仿真研究

摘要:本文介绍利用Simulink设计和仿真带通滤波器的方法。通过定义系统需求(保留100-500Hz信号),创建包含多频信号源、加法器和巴特沃斯滤波器的模型,重点展示滤波器频率选择特性。详细步骤包括模块配置、参数设置(中心频率300Hz、带宽400Hz)、信号连接及可视化分析。实验验证了带通滤波器有效提取目标频段信号的能力,为复杂信号处理系统开发提供基础框架。所需工具为MATLAB R2023a和DSPSystemToolbox。

xiaoheshang_123的博客 327

学习C++有没有必要学习boost库?

学习C++有没有必要学习boost库? https://www.zhihu.com/question/39817943   学习 C++ Boost 之前,是否需要对 STL 很熟悉? https://www.zhihu.com/question/19738274

qq_41786318的博客 4396

PINN:当深度学习遇上朗伯-比尔定律

光谱数据处理中引入PINN的三种架构设计

qq_53529450的博客 155

PD3.0详解 协议的时序timer和counter计数

前面介绍了关于PD协议的交互,还有协议层数据各个字段的含义,但是一直没有系统的说关于协议的时序,还有部分counter,就是协议允许发送的次数,或者一些其他计数。 大师匈今天说一下关于这方面的东西,这些东西都是非常关键的东西,但是相对来说PD标准内对时序的要求还是比较宽泛,非常容易能够实现这样的要求。 Timer 1、CRCReceiveTimer 0.9~1.1ms 表示每次通信收到goodcrc的时间,必须在这个时间内收到goodcrc, 我们要注意不是在0.9~1.1ms内,而是第三方可以在这个范

大师匈的博客 5008

gel和react哪个厉害_gel、react、boost三种材料的跑鞋,哪个更强?

ummmm...总结前面也放一个吧...单纯从三种中底科技中我可能会更喜欢boost(也可能穿过react以后移情别恋hhhh…),但是整体跑鞋而言我认为到目前为止还是Asics的综合实力更胜一筹。我就从个人角度来谈吧…先列举一下我穿过的跑鞋NikeFree 5.0 ,Lunar glide 5 , Lunar epic 2 low , Air max 2013 , Air max 2014 , ...

weixin_39612677的博客 2496

Claude Code Cli 源码泄露事件全解析:从51万行代码中拆解AI Agent的记忆护城河

2026年3月,Anthropic的AI编程助手Claude Code意外泄露51万行核心代码,暴露了其多Agent架构、六级权限验证系统及创新的记忆机制。记忆系统采用四层设计:用户自定义框架、自动记忆提取、智能上下文压缩和纯文件存储。最独特的是"自动做梦"功能,AI会定期整理记忆,类似人类睡眠记忆巩固。代码还揭示未发布功能如电子宠物系统,但也暴露权限系统漏洞和代码质量问题。这次泄露展现了AI助手核心技术的复杂性,特别是其记忆系统如何通过透明可编辑的设计建立用户信任。

program哲学 472

车载USB电源设计:Buck-Boost IC选型与实战要点

汽车电子系统中的USB端口供电设计,常面临输入电压大幅波动、干扰脉冲密集等严苛挑战。传统降压方案在冷启动瞬间电压跌落时难以维持稳定输出,而四开关Buck-Boost拓扑凭借升降压自动切换能力,可在宽输入范围内锁定目标电压,成为车规级电源设计的优选方案。单芯片集成模式切换、保护与协议识别,简化外围电路并提升转换效率,有效支撑USB PD快充、行车记录仪等车载设备供电。在实际工程中,电感选型、功率环路布局、反馈采样与输入保护等细节直接影响系统稳定性。本文围绕车载USB端口的Buck-Boost IC选型与计算,

weixin_30945039的博客 345

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

memcpy 长度0_阿迪达斯CRAZY BYWX和CRAZY BYW 2.0实战后的脚感对比

去年阿迪达斯三叶草推出了BYW系列鞋款,其中BYW是休闲款,BYW X是篮球鞋款。去年618收了一双BYW X用做打内场用,今年刚刚买了BYW 2.0黑色款,简单做下对比,给想打球的朋友做个参考。由于已经有很多测评了,我就只说两款鞋自己的感受区别。先看看BYW X,已经实战了20多次全场,对这款鞋还是有较深了解的。BYW X的鞋盒是蓝色的三叶草鞋盒,鞋面材质是织物和猪皮头层革,鞋子很有质感,让人爱...

weixin_39575850的博客 1127

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

argobots && boost.fcontext(一)

argobots协程底层实现

vggggv的博客 1176

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

《白话C++》第10章 STL和boost,Page78 10.4.5 std::shared_ptr

不行,unique_ptr包装下的指针不能复制,决定了某个指针一旦采用push_back(move(p))的语法加入列表(其中p的类型是unique_ptr <int>),p所拥有的裸指针将变成空指针,后续对它的取值,就是在访问非法内存。shared_ptr的思路是:另弄一个计数,记录待管理的那块内存到底有几个指针指向它,每当有个指针要被释放前,通过计数检查它是不是最后一个指向该内存的指针,如果不是,就不真正释放内存,只是将计数减一,如果是则释放内存。根据推理,此时引用计数减为1,裸指针没有被杀出。

yanzhenxi的博客 965

C++/C编程学习:梳理02---C++库介绍

准标准库——Boost Boost 库是一个经过千锤百炼、可移植、提供源代码的C++库,作为标准库的后备,是C++标准化进程的发动机之一。 Boost库由C++标准委员会库工作组成员发起,在C++社区中影响甚大,其成员已近2000人。 Boost库为我们带来了最新、最酷、最实用的技术,是不折不扣的"准"标准库。 Boost中比较有名气的有这么几个库: Regex :正则表达式库 Spi...

一片雾霾的博客 455

华为面试归来的感想

上周一接到华为终端的电话,让我周六去面试,周二又接到华为公司的电话,同样也约我周六面试,后来告诉他,周六已经跟华为终端有约了,所以临时改为周四晚上面试!并于周三白天收到短信,告诉我具体的面试时间面试地点。在这里要表扬一下华为HR,这一点华为做得还是挺好的,记得我几年前找工作的时候,别人电话通知面试,让其发个邮件把具体的地址发一下,明显觉得不耐烦,当时在北京,毕竟那么大,地名相近或者没听说过那个地方...

weixin_30633949的博客 261

C++各大有名库的介绍

C++各大有名库的介绍 在C++中,库的地位是非常高的。C++之父 Bjarne Stroustrup先生多次表示了设计库来扩充功能要好过设计更多的语法的言论。现实中,C++的库门类繁多,解决的问题也是极其广泛,库从轻量级到重量级的都有。不少都是让人眼界大开,亦或是望而生叹的思维杰作。由于库的数量非常庞大,而且限于笔者水平,其中很多并不了解。所以文中所提的一些库都是比较著名的大型库。

今夜雨 4756

C++中各大库扥介绍

C++各大有名库的介绍 在C++中,库的地位是非常高的。C++之父 Bjarne Stroustrup先生多次表示了设计库来扩充功能要好过设计更多的语法的言论。现实中,C++的库门类繁多,解决的问题也是极其广泛,库从轻量级到重量级的都有。不少都是让人眼界大开,亦或是望而生叹的思维杰作。由于库的数量非常庞大,而且限于笔者水平,其中很多并不了解。所以文中所提的一些库都是比较著名的大型库。 1、C+

yangshuangtao的专栏 1262

跨平台GUI开发库

  跨平台GUI开发库这篇内容有点专业,不搞开发的的可以飘过。 作为一个跨平台的GUI库,Qt算是老前辈了(据说tk是第一个真正的跨平台的GUI开发包,不知道有没有人验证过,但是用脚本写界面,这个好像不是主流吧)。网上搜索“跨平台GUI开发”应该可以得到不少对各个开发包进行比较的文章,这里说说我的感受: Qt(http://www.trolltech.com/)我最喜欢的东

Hunnad的专栏 8378

C++各大名库的介绍

C++各大名库的介绍 在C++中,库的地位是非常高的。C++之父 Bjarne Stroustrup先生多次表示了设计库来扩充功能要好过设计更多的语法的言论。现实中,C++的库门类繁多,解决的问题也是极其广泛,库从轻量级到重 量级的都有。不少都是让人眼界大开,亦或是望而生叹的思维杰作。由于库的数量非常庞大,而且限于笔者水平,其中很多并不了解。所以文中所提的一些库都是比 较著名的大型库。

GhostFromHeaven的专栏 1153
上一篇: boost学习-1.安装
下一篇: boost学习-3.conversion,多态类型之间的安全转型,与数据类型转换
serverxp
博客等级 码龄23年 31粉丝 36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