元旦假期第一天小记

Python爬虫实战:用BeautifulSoup和Pandas轻松抓取去哪儿网景点数据(附完整代码) 本文详细介绍了如何使用Python的BeautifulSoup和Pandas库构建一个高效的旅游数据爬虫,从去哪儿网抓取景点数据。内容涵盖环境准备、网页结构分析、核心代码实现、反爬策略以及数据清洗与存储,提供完整代码示例,帮助开发者快速掌握数据采集技术。 阅读详情

元旦假期第一天【晴】

        今天看了一个考场的卷子,总体答的还不错。前日曾经“发过誓”啊,三年之内不再抓学生了,不过是有条件的。为了贯彻这个誓言,今天也是很费脑筋的。

这两天看了几部电影
  • 《笑脸》 ——美国的,讲一个吸毒女孩的倒霉一天,没感觉有什么意义,比较失败。
  • 《彼得考克先生(恶爸归来)》——也是美国片,讲一个体育老师和一个自卑男孩的故事,还算比较搞笑,也勉强有点教育意义吧。
  • 《太空堡垒卡拉狄加》——科幻的,跟《星河舰队》差不多,外星人打地球人,拿地球人做活体实验,有些镜头挺恶心。最后也是要死几个关键人物的,没什么新意,压抑。
  • 《舞姬》——日本搞笑影片,讲一个方便面公司职员向往京都的风雅生活,改变了一生的故事。典型的日式喜剧,主要看点我个人感觉还是日本传统的风俗,像日本战国迷这类人还是值得一看的。
昨晚整了一晚java web 案例,准备为06信管做告别の课。不知是谁的不幸,呵呵~

等看完第二个考场的卷子,就开始做软件专业的“典型工作任务”了。

写到这吧,over…… <script type="text/javascript" src="http://www.google.com/reader/ui/publis<script type="text/javascript" src="http://www.google.com/reader/public/javascript/user/00697638153916680411/state/com.google/broadcast?n=5&callback=grc_p(%7bc%3a%22green%22%2ct%3a%22%5cu8fd9%5cu4e9b%5cu6587%5cu7ae0%5cu4e5f%5cu503c%5cu5f97%5cu4e00%5cu770b%22%2cs%3a%22false%22%7d)%3bnew%20grc"></script>se%22%7D)%3Bnew%20GRC">
Oracle EBS(R12+)通过Multi-Org 多组织架构、Multi-Ledger 多账簿、SLA 子分类账会计、多币种引擎、多会计政策并行五大核心能力,为跨国企业提供一体化、自动化、合规的 Oracle EBS(R12+)提供全球会计核算解决方案,通过Multi-Org多组织架构实现跨国集团数据隔离与共享,支持四层组织结构(业务组→法律实体→经营单位→库存组织)。Multi-Ledger多账簿功能允许一笔业务多准则自动核算,包含主账簿、辅助账簿和报告币种。系统内置多币种处理引擎,覆盖全流程货币业务,支持自动重估、再计量和折算。通过SLA子分类账会计实现多会计政策并行处理,满足不同国家会计准则和税制要求。该方案可同时支持本地法定、集团合并及管理分析需求,实现全球财务数据集中管理,提升合规性和运营 阅读详情

相关推荐

大型我的世界RPG服务器开服全攻略:从环境配置到插件部署

搭建一个能支撑百人稳定在线的我的世界服务器,远不止选择服务端和安装插件那么简单。服务器架设涉及硬件选型、Java环境、端口放行、启动脚本与systemd守护等基础环节,而大型RPG玩法还依赖MythicMobs、Quests、LuckPerms等插件协同工作。理解这些技术组件的原理与配置逻辑,是确保长线运营的关键。对于希望打造原创剧情、职业副本和自定义Boss的团队而言,合理规划MySQL数据库、RCON批量管理及性能调优,能显著降低后期维护成本。本文围绕RPG服务器核心能力,从环境准备到插件部署,再到常见

weixin_27230891的博客 370

由金山WPS中标央企采购大单想到的

    今日看到优快云一则新闻:《央企集中采购办公软件 金山获大单微软没入围》,内容是说继获得国家电网公司等26家中央企业采购之后,金山WPS办公软件日前再度获得来自中央企业的采购大单『原文见此』。很多网友评论说国产软件将有可能扭转与国外办公软件的竞争局面,在未来竞争中占据有利地位,我深不以为然。    第一,就目前国内的政策环境而言,是“重采购,轻应用”。    政府动辄花费数

小李专栏 7636

[捷稀 JCG Q30 Pro 刷机说明] 以刷入openwrt24.10为例

摘要: 本文详细介绍了捷稀JCG Q30 Pro路由器刷入OpenWrt 24.10系统的步骤。通过先刷入OpenWrt 23.05过渡固件,再升级Uboot,最后通过TFTP加载工厂镜像完成刷机。关键步骤包括解锁分区、刷写Uboot、进入恢复模式及配置网络。文章还提供了无线设置、Tailscale内网穿透等进阶命令,并附参考文档和固件下载链接。适用于有一定技术基础的玩家,需注意操作风险,严格按流程执行。

贤时间 7160

华为员工自杀-又是加班惹得祸

      早在N年前我刚上大学,还是个懵懂的大学生时,就听我的导师提起过中国“四大中华”(四通、大唐、中兴、华为)的威名。那时候,他就说过,他的一位同学被华为公司特聘,收入很高,却是以身体健康作为代价,工作压力非常大;为了不在技术上落伍,每个人必须拼命往前赶,不能丝毫懈怠。没想到,在我毕业后的这些年里,听到了至少两起关于华为员工的加班"事迹",可惜都是悲剧……无奈,无语,希望他们在天上不再加班,

小李专栏 5756

OV5640调试大坑,关于binning、RES分辨率与EV曝光

OV5640在使用binning模式时,必须考虑使用场景,分辨率下降叠加动态范围压缩,会使目标对象细节在高光环境下大量丢失,2x2的binning模式,分辨率会远低于感光面积的1/4。

chongyun_的专栏 1829

研究生研一学习机器学习ML、深度学习DL的规划

研究生学习机器学习DL、深度学习DL的规划 保上研之后也没有很好规划自己的学习路线,看到b站上的一位清华博士讲述他本科也是机械跨考计算机的学习路线,所以记录下来,从现在开始按照规划来一点一点地做好。 掌握python(推荐一周) 1.1 面向对象编程 廖雪峰python网站: https://www.liaoxuefeng.com 1.2 数据分析Numpy numpy 100题: https://www.yanxishe.com/columnDetail/24784 1.3数据分析pandas pan

没有最好,只有更好 3100

最近接触了几个90后准程序员

最近接触了几个90后准程序员。眼高手低,浮躁;不能吃苦,坐不住;不知道自学为何物;抱怨多牢骚多,错误永远是别人的。       另外,写简历的时候不知所谓,就像没学过语文一样,全篇没有重点。看过他们的简历,你不知道他的特长是什么,善于做什么,满眼只是一堆堆的课程名称、假期在超市促销打工的经历。       人文教育不能都寄托在高校,这不是一两门课就能解决的。教育部天天喊素质教育的口号,却越弄越

小李专栏 4656

Keil MDK-ARM v5.43a 部署 STM32F103 开发环境全流程

嵌入式开发环境是 Cortex-M 微控制器工程落地的基础支撑,其核心在于编译器链、设备支持包(DFP)与调试驱动的协同一致性。Keil MDK-ARM 作为工业级 ARM Cortex-M 开发套件,依托 Arm Compiler 和 CMSIS 标准,提供从代码编译、外设抽象到实时调试的全栈能力。其技术价值体现在对 STM32 等主流 MCU 的深度适配、高可靠性 SWD 调试支持,以及与 HAL 库、CubeMX 工程的无缝集成。典型应用场景涵盖温湿度传感终端、工业 PLC 子模块及低功耗边缘节点开发

weixin_33750664的博客 897

阿里巴巴集团总部印象

1.入口。路边停的很多好车,还有Smart很多辆,看来小资MM应该有不少。 2.剑指东方 3.前台 4.到处是武侠场景 5.大事记。很好奇,每年这面墙都要重新做吗? 6.完全靠网上淘零件拼装成的超跑,已经成为了一个传奇 7.极具武侠气息的草庐 8.“宝可不淘,信不能弃” 9.园林与现代建筑的结合 10.恬静一角 11.绿茵葱葱

小李专栏 3649

【信创-k8s】银河麒麟V10国防版+鲲鹏/飞腾(arm64架构)在线/离线部署k8s1.30+kubesphere

银河麒麟作为国家核高基专项的重要成果,国防版凭借其卓越的安全性和可靠性,已成为军工领域的首选操作系统。之前我们在适配麒麟V4国防版的过程中已发现诸多安全性要求,而麒麟V10国防版在安全防护等级上又达到了更高的级别。本文将主要演示离线部署,因为军工项目基本不会出现联网场景。即使在线,也可以按离线方式部署,且离线部署由于有私有仓库,不会存在镜像获取不到和丢失情况。

jiaworld的博客 730

verilog扰码器设计及仿真

本设计使用verilog语言实现扰码器设计与仿真 本工程在quartusII下实现并在modelsim下进行仿真 设计中包括加扰器和解扰器模块、仿真测试模块等. 下面是工程截图: 下面是modelsim仿真截图: 仿真代码部分可以自己设计更改,输出也会不同。 ...

QQ_778132974的博客 1726

毕业答辩——一场互相欺骗的游戏

又到了一年一度的毕业季,毕业论文和答辩就变成了

小李专栏 3270

机器人常用坐标系详解:原理、获取方法及实战实例

本文系统阐述了机器人四大核心坐标系(世界、基、工具、工件)的原理与标定方法。世界坐标系提供全局参考基准,基坐标系绑定机器人本体,工具坐标系定义末端执行器位置,工件坐标系则锁定作业对象位置。通过齐次变换矩阵实现各坐标系间的关联转换。重点介绍了三类标定技术:手动设定法(世界坐标系)、三点/六点法(工具TCP标定)和视觉识别法(工件标定),并以工业机械臂上下料为例演示了完整应用流程。随着技术发展,自动化标定、动态坐标系等新趋势将进一步提升机器人作业精度与效率。

start_up_go的博客 515

小米越来越不靠谱了

前文说到,小米手机的主要目标受众就是所谓的“发烧友”。那么作为发烧友,最关心的莫过于拆机、刷机、抢鲜、提前搞到工程样机等等这些事情了。好了,小米的营销人员来满足您,我们慢慢来造势:先在雷锋网搞个拆机大典,然后炒作炒作;再弄个“小米手机工程纪念版秒杀活动”,学学iphone4工程机

小李专栏 2604

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

现代科举制

现代科举制,是高考还是公考?

小李专栏 2531

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")

读三国志有感之二·好学知礼的倔老头儿

《三国志·袁张凉国田王邴管传第十一》载,邴原字根矩,北海朱虚人。     邴原自辽东归附曹操后,被任命做了司空掾。邴原的女儿早亡,正赶上曹操的爱子仓舒夭亡了,曹操就和邴原商量,要将仓舒和邴原的女儿合葬,配个阴亲。以现在人看来,这是个多好的巴结权贵的机会啊,没想到邴老头拒绝了曹操的请求,说:“合葬,非礼也。原之所以自容于明公,公之所以待原者,以能守训典而不易也。若听明公之命,则是凡庸也,明公焉以为

小李专栏 2507

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

每个人心中都有一个自己的星空

点击这里使用RSS订阅本Blog: <!-- main_sub="c1s67";more_subs="";-->     2月8号初二的晚上,偶然仰望星空,竟在这个重度污染的城市看到了满天繁星。大概是工厂的工人师傅们都回家过年了吧~    想起星星,就想到了东北那个难忘的十一,那个难忘的仙人岛。在那个原生态的海边,第一次看到了壮观的风车田,第一次看到未开发的海滨,

小李专栏 2412

有感于新加坡iphone普及率

在新加坡,无论是地铁、公交,还是学校,年轻人基本上人手一部iphone,我这个Nokia都不好意思拿出来,唉。 以前总看见有报道说iphone的市场占有率多么多么高,总是有些不信。这次眼见为实,终于相信了。 以中国人特有的虚荣心,我相信不久的将来,iphone在大陆的市场占有

小李专栏 2369

关于Google的BlogSpot Blog不能访问

关于Google的BlogSpot blog不能访问连续好几天了,blogspot都不能访问,这次的原因肯定不是因为地震震断海底光缆了,我想大家都清楚作为一介布衣,我是非常的气愤!我对政治不关心,就算有什么反动信息我也没有兴趣去看的!!此地无银三百两!幸好找到一个BlogSpot 登录器,输入域名就可以了列位一样被封锁的blogger可以试试:点击进入Blog Gateway

小李专栏 2367

不看好小米手机

小米手机号称以1999元的超值价换取当今世上最强的性能,用数据说话的发布会确实很鼓舞人心,雷总也被很多人称作业界良心。但是,智能手机并不是数据越漂亮,市场就越大的。小米手机的理念很好,主频快、内存大、电池长、信号强,这确实是一款手机成功的要素。但,小米手机真的能做到这些么?性能强

小李专栏 2344

声讨酒驾司机,祝福我的学生

    昨天晚上,在我加班的时候,发生了一件非常让人气愤和悲伤的事情。我的五名学生,被一个无良的酒驾司机撞倒,两名女生生命垂危。    在国家如此大力严查酒后驾车的时候,仍然有部分人不顾他人安危,实在天理难容!    但愿在医院中的学生们坚强起来,恢复健康,祝福你们~下面是河北青年报2009年12月19日凌晨的报道—— 

小李专栏 2280

很好,优快云会删文章了

昨天写了篇关于优快云密码泄露的文章,算不上批评,只是善意的提醒。 可是没想到今天就被删掉了。 很好,很和谐~ 你们这种心虚的表现恰好证明了明文存密码是你们的恶意了

小李专栏 2249

《龙凤呈祥》东方戏剧之星混搭版,强烈推荐~

《龙凤呈祥》刘备娶亲,京剧、淮剧、昆曲、越剧、评弹、沪剧、扬剧、黄梅大反串,同时融入了很多现代元素,搞笑过瘾,更重要的是领略了不同戏种的风采,强烈推荐给年轻戏迷朋友。 《龙凤呈祥》东方戏剧之星混搭版土豆网址(136分钟):http://www.tudou.com/programs/view/rYBEozHX100/ 王佩瑜王老板真是多才多艺啊,安平、赵群、黄博文也很给力,哈哈 甘露寺相亲一折

小李专栏 2222

第38章:ResNet+CBAM改进模型实战生活垃圾12分类

本文基于PyTorch实现ResNet+CBAM注意力模型,针对复杂场景下垃圾分类图像的遮挡、光照变化等问题,通过在ResNet各残差层后嵌入CBAM模块,实现通道与空间双重注意力增强,提升特征聚焦能力。项目包含数据预处理、迁移学习冻结策略、余弦退火优化、批量推理等全流程代码,支持12类垃圾识别,4600+图像数据集,开箱即用,完整记录训练日志与评估指标,显著提升模型在真实环境下的分类精度与鲁棒性。

Henry的博客 403

从零开始的C++生活——第十讲——02

在内存中,可以近似理解成,将d这个对象中的父类分别放在d所开辟的空间中,由于先继承Base1,所以p1和p3相等,p2则是不等,倘若换一下继承的顺序,就是p1与p2相等p3不等。看着挺好的对吧,作为助手,我即是学校里的博士生,又作为讲师给本科生代课,所以继承两个类,是的,多继承是没问题的,但是多继承又会导致一个菱形继承的问题。加上虚继承后,数据冗余的问题得到解决,_name此时只有一份,二义性的问题自然得到解决,虽然这个监视窗口中看起来像是三份的样子,但其实是一份。看到了吧,编译器自己也不知道指向哪个。

dshswra的博客 78

从“买商品”到“买生活”,李佳琦直播间双11热卖背后的消费迁移

这款新品就源于直播间观察到的需求真空,招商人员基于用户反馈,提前一年和品牌沟通开发了磨毛材质,弥补了中间厚度的空缺。消费者在社交平台分享的旅游线路对比心得,直接推动李佳琦直播间与品牌共同打磨产品,在横店影视城酒店景区套餐附赠当下最火的短剧拍摄体验,新疆线路加赠当地特产品牌的奶酪包等,为消费者提供更完整深度的旅游体验。此外,消费者对家居环境的投资持续上升,李佳琦直播间KTC闺蜜机销量同比增长68%,Uwant除螨仪增长40%,从观影到清洁,家电消费的增长点沿着居家生活的细分场景逐一铺开。

TMT_XQ的博客 213
上一篇: 五大网页模板下载站
下一篇: 防止表格被撑开或div层被撑开的多种方法
系统信息
系统信息 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄23年 0粉丝 565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