学习的科学:适合大脑的最佳途径

10、机器学习在科学领域的应用与发展 本文探讨了机器学习在多个科学领域的广泛应用与发展,包括医学、空间科学、物理学和生物学等。详细介绍了不同类型的机器学习算法(如监督学习、无监督学习和强化学习)及其在具体场景中的应用案例。同时,还分析了机器学习模型的构建过程以及选择合适工具的关键因素,展望了未来机器学习在跨学科融合、自动化程度提升和数据安全方面的潜力与发展方向。 阅读详情

 

转载自:http://www.infoq.com/cn/articles/science-of-learning

 

作者 Mark Levison 译者 高翌翔 发布于 2010年9月3日 上午12时0分

社区
主题
标签

分享 Share|

你想知道为什么人们不明白你在会议中设法说明的想法吗?你是否正在指导另一位开发者,并且努力想弄明白为什么他仍然不懂? 你是否主办过培训课程,并且想弄明白为什么那些参与者只能学会百分之十的内容?我们都是老师,无论作为非正式的导师、教练、训练员或家长。然而,只有专业教育工作者们接受过这方面的培训。大约两年前,为了消遣,我开始学习神经科学(Norman Doidge的《改造自身的大脑》)。在此过程中,我对神经科学产生了兴趣,并且想知道如何将神经科学的经验应用于敏捷软件开发及其他行业。

image 

但是在二十年前,神经科学界的大多数人都相信,大脑中神经元之间的连接在人们的青少年时期就被固定下来了。 现在我们知道,随着我们年龄的增长,我们的线路(译注:指大脑中的神经网络)还在不断改变(甚至会长出新的神经元)。这被称作“神经可塑性”(neuroplasticity)。围绕它的发现使得编写本文成为可能。我们所有的知识、记忆和我们所有的想法都存储于神经网络之中——换言之,我们大脑中的一切都被编码为神经元之间的连接。 神经可塑性恰恰告诉我们,我们可以持续不断地改变那些连接。据说,那些连接可以被培育、强化、弱化,甚至随着时间而消失。

(脑内的)海马状突起(hippocampus)是长期记忆的看门人,在此所说的是陈述性记忆(即故事和经历)。 海马状突起的工作是存储和索引这些记忆。我们的工作就是,使得海马状突起在完成它的工作时尽可能的简单。

抽象概念

我们有时从一个冗长的理论解释开始讨论单元测试,并且我们会受到那些我们正在试图帮助的人们的白眼。 教练员用一个“敏捷”的抽象定义开始课程,而听众正在努力理解那些简单的概念。 在给一年级的孩子解释加法时,老师并未以现实世界作为依托。 在这些情况下,我们使得听众迷惑。到底发生了什么?是学生或孩子们错过了某些关键点么? 还是老师或教练们的解释不够清晰?或许都不是。 问题在于,听众没有与那些抽象概念相关的认知。 相反,教练应该通过提供一些你所熟知的具体的例子来帮助你理解抽象概念。 问一些围绕主题的开放式的问题将有助于发现听众已有的知识,然后提供一些可以映射到那些知识的具体例子。 类似的问题有:“这使你想到些什么?”或“其中某些部分是否使你感到似曾相识?”或“当我们开始这个主题时你首先想到的是什么?”, 这些问题将有助于揭示他们已有的知识。

通过使用积木或是任何其他实体对象来制造具体概念,在这种情况下为孩子们讲授数学会更有效。 当解释单元测试时,我们可能想展示一个小的测试用例,然后看它运行。 更好的做法是,给人们一系列具体的例子,然后让他们自己梳理那些理论。 在敏捷或 Scrum 培训中,许多教练使用许多练习(一次具体的体验),然后让在场者解释都发生了什么。

在你的大脑中正在发生什么? 当我们学习新事物时,我们只不过是在培育新的神经网络。 由于这些不仅仅是无中生有,因此我们必须将它们与已有的概念相连接。 将抽象概念与具体体验相联系是非常容易的。 从神经元的角度来看,培育一个已有的神经网络要比培育一个全新的神经网络容易得多。 抽象的解释是专家的领域。同一领域的专家们可以藉此快速传达复杂的概念。

除了使得概念具体化之外,我们还应该坚持使用我们能发现的、对于某个概念的最简单的表达。一旦我们提供了有助于保持抽象概念简单的具体例子,就能给予我们的听众一个记住它们的机会了。 我们总是可以在参考信息里提供课后实践的更多细节。

情绪

这个边缘系统处理我们的情绪系统,以及与他人、物体、思想等等之间的关系。

情绪用于驱动我们的行为,然而它有时也会妨碍我们。 在响应事件、人或者新的情况时,情绪会产生“接近”和“远离”的响应。例如:

  • 老板派你去学习某门课程,而你却不想去学
  • 被迫学习单元测试或新的语言
  • 被老师欺负:我不需要愚蠢的问题
  • 害怕自己被证明是愚蠢的
  • 屋子里的人你都不认识

所有这些会产生一种“远离”的响应。一旦那种响应在我们的大脑中发生,我们就会想逃避并厌学。 当遇到许多可能会吞噬你的重大的突发事件时,通常都会产生“远离”的响应。在当今世界此类问题少得很,但反应机制仍然存在。

另一方面,“接近”响应是积极的;你对于某件事物的感觉越强烈,就越容易唤起“接近”的响应。 因此,我们如何才能产生“接近”响应而不是“远离”响应呢? 例如,在学习单元测试时,通过了解他们的想法,并在此过程中帮助他们激发学习兴趣。 一旦他们开始了学习,让他们从事认知任务(Cognitive task)。使学习者处于可控状态:

  • 当屋子里的人彼此都不认识时,花上几分钟来介绍。调查并了解大家的兴趣。
  • 让人们谈论自己。

所有这些做法都是为了打破人们之间的屏障,并减少发生“远离”响应的可能性。

纠正错误

有多少人曾有过重复犯同一拼写错误的经历?“Environment”就是我的故事——我已经花了很长时间努力正确拼写这个单词。 我越是关注该如何拼写正确,越是可能犯这个错误。为什么会这样? 正如我们大脑中的任何知识片段一样,这个拼写错误是被编码到神经网络中的,我们越是使用那些连接,就会越坚固。因此,我越是多次重复这个错误,就越可能再次犯错。 如果有某人开始集中挖苦我的错误,并告诉我:“马克不要再犯那个拼写错误了”,这个神经网络将被进一步强化, 我则更可能犯这个错误了。

避免这种错误——就应关注正确的结果。是否正在与其他开发人员结对编程? 不要关注问题,而是关注那些可以看起来更好的事物上,以及它是如何工作的。当我教授空手道(Karate)时,我看到某人犯了好几次同样的错误,我并没有告诉他们错在哪里,而是给他们展示怎样做才是对的。我引导他们的手或脚来完成正确的动作,如此反复几次。我的目的在于,尝试以正确的行为创建并巩固一个新的神经网络。

整合

有多少人听说过名为《小小爱因斯坦》的 DVD ?像 Leap Frog 的《字母工厂》系列 DVD 怎么样? 这些都允诺它们可以改善我们孩子在某一特定领域的知识——甚至创造“爱因斯坦”。 然而,他们似乎并未兑现承诺。如果你够幸运的话,你的孩子会记得其中的内容,但是并不理解那些内容。 孩子们只是获得了信息而非真正的知识。

有多少人参加过一至两天的许诺会教给你如何征服世界的研讨会? 然而,当我们离开时,我们只记得一小部分,并且发现我们很难按照那些信息行动。为什么会这样?为什么整天站在讲台上传授真正的知识却收效甚微?

你和你的孩子以此种方式接收到信息,但是你们并未使那些信息成为你们自己的。 你不能也不会按照它行动,因为它并不是你自己的知识。

问题在于我们拥有短期与长期的记忆。短期记忆可以保持几秒钟、几分钟,如果你努力,最多也就是几小时。 我们使用短期记忆来解决问题:计划我们的日程,计划从我们家到咖啡店的路线,以及许多日常工作。短期记忆对于解决问题是非常有用的,但是它不是存储我们学习内容的地方。

长期记忆才是存储我们学到的东西的地方。

很不幸,对于 Leap Frog、小小爱因斯坦、以及那些提供一至两天课程的人们来说,把知识存入长期记忆并使其持之以恒非常困难。这些人们仅仅是将信息扔进短期记忆,而且从未转至长期记忆。到今天为止你学到的大部分内容将在我们离开的时候忘记。那么,如何才能做得更好?

记笔记有帮助,但是它仍然只是在一页纸上记录某些事实而已。 我们仅仅扮演了知识接收者的角色。若想真正学到东西,我们还有更多事情要做。 主要思路是:用你自己的话复述你所学到东西,并使用大脑中尽可能多的部分。 当我在某个研讨会上运用此方法时,我会在课间休息时邀请听众通过创造并表演短剧的方式来讨论这些想法。通过用你自己的话复述想法和表演短剧,讨论的过程就会激发运动神经、视觉神经和听觉神经皮质。即使人们没有表演短剧,仅仅观看也会在一定程度上激发运动神经皮质。

在教室里,练习和游戏(尤其是那些包含动作的游戏)就很好,如同其他任何事情一样,这样做会使得学生大脑中更多的区域活跃起来。在安排任务时,可以考虑运用具体思维和抽象思维、图画、声音甚至是气味。我们的目的是尽可能地创建最大神经网络。

图像

图像对于你的大脑而言有点儿像 Google:它们便于记忆,并提供快速查找服务,而且可以激起很强烈的情绪反应。 图画能起作用是因为它们包含了丰富的内容,传达关系、 大小、 形状等。 它们能起作用也因为数百万年的进化已经使我们具备了快速、高效的视觉处理。 相比而言,词语的存储需要消耗更多的能量。这是因为要努力将词汇放到大脑的后部枕叶(occipital lobe)(译注:枕叶是大脑中负责语言处理的部分)。 图画、讲故事和比喻都可以用来激活枕叶。

许多优秀的演示者使用“展示禅”(Presentation Zen) 的方法来传达想法:许多图像和少量文字。满是文字的 PowerPoint 幻灯片会致使分心和多任务处理。 因为我们的大脑不能很好地进行多任务处理我们不得不在阅读屏幕上的文字与收听演讲者的解说之间做出选择。而我们不可避免地选择前者。另一方面,图像刺激视觉神经皮质,并提供一个额外的线索以便日后记住那些信息。

声音虽然不如图像那么强大,但也扮演着相似的角色。在 2007 年敏捷大会上,我参加了 Jean Tabaka 的讲演“为什么我不喜欢星期一”。Jean 使用“Boomtown Rats”的歌曲作为她演讲的背景音乐。三年以后,这是我能记起其内容的两个讲演之一。

我们该如何使用这些发现呢?在有条件的地方,尽量使用图片和绘图来传达我们的想法。当我们不能使用图片来辅助解释想法时,可以使用真人和他们之间的交互,避免使用复杂的抽象概念。

结论

我不打算在这里总结我认为你应该从本文学到什么,但我邀请你自己做个总结。除了使用词汇,请考虑绘制图画、思维导图以及任何其他可以激发你大脑新的部分的东西。


Norman Doidge,《改变自身的大脑》

David Rock,《你的大脑在工作》第78页(Kindle 上显示的大概页码)

David Ausubel,“影响学习的最重要单一因素是学员已经知道的东西”(参考 Zull)

James Zull ——《改变大脑的艺术》从94到100页提供了更详细的解释

David Rock,《你的大脑在工作》第78页

James Zull,《改变大脑的艺术》第122页

David Rock,《你的大脑在工作》写到:你可以通过多种技巧使自己身上产生这种化学物质。想象的活动所产生的代谢响应和实际的活动所产生的类似。一项研究发现,想象自己的手指进行锻炼可以增加22%的肌肉质量,这和实际进行锻炼所能达到的30%效果非常接近。(有些人认为这么好的效果不太可能是真的,记住,你还需要投入很多很多努力,才能把注意力集中在这项训练上。)

David Rock,第17页

Garr Reynolds,《展示禅》

David Rock,《你的大脑在工作》第18页写到:“有研究指出,当人们在解决逻辑问题时,如果这个问题是通过人们的之间的交互而不是零散的概念想法来解释的,他们解决问题的速度会更快。”

查看英文原文:The Science of Learning: Best Approaches for Your Brain


感谢李永伦对本文的审校。

给InfoQ中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家加入到InfoQ中文站用户讨论组中与我们的编辑和其他读者朋友交流。

探索大脑功能连接性:HCP-CCA算法项目实战 HCP-CCA(典型相关分析)算法是用于分析高维数据集之间相关性的高级统计工具。它能够揭示两组变量之间的内在联系,并通过寻找变量对之间的线性组合来最大化它们的互相关。HCP-CCA特别适用于高维神经影像数据,如脑功能连接性研究。典型相关分析(Canonical Correlation Analysis,CCA)是一种统计方法,用于分析两个(或更多)随机向量之间的相关性。在CCA中,目标是找到两组变量的最佳线性组合,使得这些组合之间的相关性最大化。 阅读详情

相关推荐

阿里云大模型ACP认证模拟考试(三)

【摘要】:在阿里云大模型高级工程师 ACP 认证暂无真题题库的现状下,模拟题具有重要意义。其依照真实考试设计,涵盖题型、题量与分值分布,助力考生熟悉考试框架,合理分配答题时间精力,提升效率。同时,模拟题紧扣官方课程,能帮助考生精准定位知识盲点,如大模型架构原理和通义千问应用实践等重点内容,以便针对性完善知识体系。此外,通过练习模拟题,考生可掌握不同题型的解题思维与技巧,快速洞察复杂题目本质,提高答题准确率。

davidkorhenn的博客 3578

大模型科学文献分析实战:从RAG到Prompt工程的技术解析

大语言模型(LLM)的核心能力在于深度理解与逻辑推理,其技术价值在于处理高密度、结构化的专业文本。通过检索增强生成(RAG)技术,模型能够精准获取外部知识,减少幻觉现象,提升回答的准确性。结合提示工程(Prompt Engineering),可以引导模型进行多步骤、结构化的思考,从而完成复杂的信息抽取与推理任务。这些技术在垂直专业领域如科学文献分析中尤为重要,能够实现从文档解析、信息结构化到深度问答的全流程处理。本文以AI竞赛为背景,深入探讨了如何构建高效可靠的文献分析系统,为开发者提供了从技术选型到工程落

CURSED! 707

反激开关电源设计全解析:从CCM/DCM原理到PCB布局实战

开关电源作为现代电子设备的能量转换核心,其核心原理是通过高频开关动作实现高效的电能变换。反激拓扑因其结构简单、成本低廉且易于实现电气隔离,成为小功率离线式电源的主流选择。其技术价值在于通过变压器耦合实现能量存储与传递,解决了安全隔离与多路输出等关键需求,广泛应用于充电器、适配器及家电供电等场景。本文聚焦反激电路,深入剖析其CCM与DCM两种工作模式的原理差异及选型考量,并结合伏秒平衡定律与RCD钳位等热词,详解从变压器计算到MOSFET选型的完整工程设计流程。

weixin_31951365的博客 342

不同空间任务要求下认知地图的神经表征

点击上面"脑机接口社区"关注我们更多技术干货第一时间送达代表自己周围环境的认知地图对于空间导航是必需的。但是,与其构成要素(例如各个地标)相比,由各个要素之间的关系构成的...

脑机接口社区 1405

【WRF数据准备】海温(SST)数据替换

【WRF数据准备】海温(SST)数据替换

WW、forever的博客 1117

Leads、SDR、MQL、SQL、L2C术语概念,线索创建与清洗、线索分级模型、线索流转策略、线索的统计与分析

CRM中的“Leads”是什么?笔者在文中不仅较为全面地介绍了相关术语概念,还分析了线索的创建与清洗、线索的分级模型、线索流转策略以及线索的统计与分析。

盼盼学士 5956

【转发】学习的科学:适合大脑的最佳途径

原文:http://www.infoq.com/cn/articles/science-of-learning 结合人体神经学,提出了有助于学习和记忆的一些建议。挺好!

老付 162

BVH2SMPL 实战笔记

BVH2SMPL 实战笔记

jacke121的专栏 840

脑科学训练营:提升孩子学习能力的新途径

通过团队协作、创新思考等活动,孩子们不仅提高了学习能力,也学会了更好地与人交流,培养了团队合作意识,这为他们未来的成长打下了坚实的基础。因此,这样的投资不仅为孩子的当前学习状态带来了积极变化,更为他们的长远发展积累了重要的资本。许多家长发现,经过这样的系统训练,孩子的不仅在学业上取得了显著进步,学习过程中的压力也大大减少了。在训练营中,专业的指导教练会根据每个孩子的情况设置有针对性的活动,比如可以通过一些专门设计的游戏活动来增强孩子的大脑反应效率,帮助他们更好地集中注意力。

2501_94308943的博客 220

VMware16虚拟机:安装Windows10系统---超详细教程

VMware16虚拟机:安装Windows10系统---超详细教程

MQ0522的博客 3万+

高通平台 Android T 蓝牙技术全解析:A2DP 与 AVRCP 核心代码路径与交互流程

A2DP 接收端 - 连接流程(AVDTP 打开)

专业开发者的博客,一个从事Android WiFi和蓝牙的工程师 288

个性化大脑连接组指纹:它们在认知中的重要性

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》 人脑的神经网络结构模式可能与个体在表型、行为、遗传决定因素和神经精神障碍的临床结果方面的差异有关。最近的研究表明,个性化的神经(大脑)指纹可以从大脑的结构连接体中识别出来。然而,个性化指纹在认知方面的准确性、可重复性和翻译潜力尚未完全确定。在本研究中,我们引入了一种动态连接体建模方法来识别一组关键的白质子网络,可以用作个性化指纹。我们进行了几个个体变量评估,以证明个性化指纹的准确性和实用性,特别是预测中年成年人的身份和智商,以及幼儿的发育商。我们的发

悦影科技 1070

【30】软考软件设计师——UML类图与用例图满分精讲|下午第3题常考核心

本文是《软件设计师·50讲通关|从零基础到工程师职称》专栏第30篇,聚焦**模块四:应用技术(下午题)第3道高频大题**,UML建模是历年下午必考核心,单题分值稳定10~12分。全文深度拆解两大核心UML图表:**类图**与**用例图**,超详细讲解类图三层结构、可见性修饰符、五大核心关系(泛化/关联/依赖/聚合/组合)的判定标准与绘图规范;吃透用例图参与者、系统边界、三大关系(包含/扩展/泛化)的底层逻辑,搭配独家**关系秒杀口诀、标准绘图模板、真题改错技巧**;全文适配补图、判断关系、分析场景、纠错优化

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 572

深入浅出程序设计中文版下载介绍:编程入门者的最佳伴侣

深入浅出程序设计中文版下载介绍:编程入门者的最佳伴侣 去发现同类优质开源项目:https://gitcode.com/ 编程的世界精彩纷呈,但对初学者而言,入门的门槛往往让人望而却步。《深入浅出程序设计(中文版)》正是为了解决这一问题而诞生,它以简洁明了的方式,帮助读者快速掌握编程的核心概念。 项目介绍 《深入浅出程序设计(中文版)》是一本专为编程新手量身定做的教程。它从编程基础入手,用浅显易懂的...

gitblog_06702的博客 711

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

【提示词工程】概念分类:别再零散地学习AI指令了,先从全局鸟瞰概念分类

名称:概念分类 Categorization of Concepts–系统分类特定领域概念Meta-K-Prompt全称:Meta-Knowledge-Prompt,也即“元知识提示词”,考虑到标题长度所以简写。这是元知识系列提示词之一,元知识,**是“关于知识的知识”,用于描述、组织、评估和应用其他知识。**关于“元知识”的重要性。我们把AI不严谨地看做一个学习了全人类知识库的超级学者,那元知识就是撬动AI知识库的最佳途径。想象一下:你站在一座未知迷宫的入口,手中只有零散的线索和片段。

2401_84494441的博客 869

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

最佳学习方法(6)思考--建立内在联系

没有思考就没有学习,思考是一种深层的学习,思考是将一般性知识转化为智慧知识的唯一途径。 一、 在本学科知识间建立联系 思考:是在知识间建立起内在的逻辑关系,在前后概念与概念之间,建立起恰当的联系,使不断获得的知识形成一个完整的体系。本学科知识之间的联系是非常紧密的,然而,你在学习时,是一部分一部分来获得的,如果你将它们随意地储存在大脑里,就会人为地破坏知识内在的联系,使之变成...

weixin_34061482的博客 302

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

从零开始学习Hadoop--前言

Hadoop是最著名使用最广泛的分布式大数据处理框架,它是用Java开发的。 这本书有一个明确的目标:只要有一台能上网的计算机,就可以让读者在最短的时间内,学会Hadoop的初级开发。所以,这本书只讲干货,也就是必须要知道的Hadoop的最核心知识点,包括如何搭建Hadoop,如何写代码,如何查API。对于更多细节问题,书后会列一个书目给大家参考,这些书已经讲得很好了,不需要在这里饶舌浪

大数据和机器学习研究 8576

随感思考的神经科学与创造力培养

发散思维作为创造性思维的核心形式,其神经基础在于大脑默认模式网络的激活。研究表明,当人们处于放松状态时,这个负责自我反思和记忆整合的脑区网络会促进非线性的概念联结。在工程实践和创意工作中,平衡发散思维与收敛思维是关键——前者通过自由联想产生创意,后者负责逻辑验证。现代认知科学证实,散步、冥想等轻度活动能有效激活这种思维模式。培养随感思考能力需要建立灵感捕捉系统,并配合晨间日记、思维导图等工具,这在产品设计、写作等需要突破性思维的场景中尤为重要。

weixin_30417487的博客 369

高一到高三计算机笔记,高一到高三学习计划

高一到高三学习计划(一)高中六个学期的分析和自我目标为实现以下规划必须做到:树立信心,满怀激情,走好成功第一步。切忌盲目激情,要有计划分步骤的学习,养成踏实认真的学习态度。1、高一上半学期是一个初中走入高中的过渡时期。这个时期最主要的目标是:积极适应各科老师的教学方法,迅速吸收新知识,同时稳住脚跟,一步一个脚印地进步。所以我这个学期的目标简单来说就是四个字:适应、稳定。2、高一下半学期是一个适应后...

weixin_35157304的博客 413

零基础也能搞!3天搭建企业级AI知识库(附开源工具清单)

现在的LLM大模型太多,不管是Kimi、豆包、DeepSeek……都是通用型的,他们经过公开的数据进行了海量训练,适合各个行业的人使用,但它也像是“**中央空调**”,对每个人都有用,但并不“**专一**”。

m0_59164520的博客 1410

学习Python编程的19个资源

全世界只有3.14 % 的人关注了数据与算法之美用Python编写代码一点都不难,事实上它一直被赞誉为最容易学的编程语言。如果你准备学习web开发, Python是一个不...

数据与算法之美 447

Python深度学习:从入门到实战

亲爱的读者,欢迎您翻开这本书。我们即将探索的,是深度学习的宇宙——一个由数据、算法与算力构筑的奇妙世界。它既是严谨的科学,也是创造的艺术,更是一条通往未来智慧的修行之路。本书将带您从最基础的数学原理出发,亲手搭建神经网络,驾驭Transformer等前沿模型,最终将智慧转化为现实世界的价值。请放下畏惧,保持好奇。这不仅是一次知识的学习,更是一场思维的远行。来,随我一起,开启这趟非凡的旅程吧。

weixin_45747731的博客 296

15个免费编程学习网站全解析:从零基础到实战进阶的自学路径

编程学习是掌握计算机科学核心技能的关键路径,其本质在于通过实践解决问题。从理解基础语法到构建复杂系统,学习过程遵循从理论到实践的认知规律。对于初学者和进阶者而言,免费且高质量的学习资源具有极高的技术价值,它们能有效降低入门门槛,并提供持续成长的平台。在Web开发、数据分析、算法面试等主流应用场景中,系统化的学习路径尤为重要。本文聚焦于交互式学习平台、大学公开课、开发者社区及专项工具等关键资源类型,其中freeCodeCamp的项目驱动模式和LeetCode的算法训练体系是构建扎实编程能力的核心热词。通过合理

weixin_33708432的博客 455
上一篇: 在QtCreator中设置QT4应用程序的图标
下一篇: QT4发布程序时解决qtsql4.dll出错的方法
飞羽飞之猪
博客等级 码龄21年 127粉丝 85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