世界上最流行的编程语言，用户数超过Python,Java,JavaScript,C的总和！

IT界那些事儿 IT界那些事儿 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1w累计阅读 1.2w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄6年
关注
转载 最新推荐文章于 2026-05-24 13:02:52 发布 1.1w 阅读 AI 写同款· GEO 优化 ›
现在IT行业中编程语言使用排名 本图表给出了现在世界上所使用的编程语言的数目排名情况，而且给出了个软件的使用数量的变化情况 立即下载

世界上最流行的编程语言是什么？ 

Python? Java? JavaScript? C？

都不是，是Excel！

外媒估计，全球有12亿人使用微软的Office套件，其中估计有7.5亿人使用Excel！

可是Excel不就是能写点儿公式，做点儿计算吗， 这也是编程语言？

之前的Excel不是图灵完备的，2021年微软通过引入LAMBDA，让Excel 具备了图灵完备性，Excel 转变成一种全面的编程语言。

当然，普通用户很少用Lambda，主要是组织数据，用公式分析，做可视化，提供决策依据，这才是Excel的舞台。

别看Excel现在呼风唤雨，它也是从尸山血海中一路冲杀出来，差点儿就被人干掉。

今天我们来聊聊Excel发展的故事。 

1 神奇纸张

我在外企的时候，有个国外同事，从来不说PPT，而是说Slides, 也从来Excel，而是说SpreadSheet。

刚开始我还不习惯，后来看看Excel的发展历史，才知道他是对的，Excel不过是SpreadSheet的一种。

电子表格（SpreadSheet）不是微软的发明，是哈佛学生丹尼尔·布里克林灵机一动想出来的。

1977年，丹尼尔·布里克林哈佛商学院读MBA，教授让这些MBA学生去填一些分类账目表格，用来预测公司收购的财务状况。这些淡绿色的表格填起来很烦人，表格之间的数据有依赖关系，有一处填错了，后面的都得重新计算。 

曾经设计过字处理软件的布里克林立刻想到：为什么写一个电子表格程序，自动地去计算呢？

布里克林的老师则认为他是在浪费时间：你没搞错吧，现在市面上的PC都是玩具，再说了，这些填表的工作将来都是会计，秘书的活儿，你们MBA的主要工作是建模！

老师说的一点都没错，这是1977年，Apple II 才刚刚出现，上面没啥商业软件，确实是发烧友们的大玩具。

但是布里克林不信邪，他从麻省理工找了一个会编程的朋友，两人合作，用汇编写了世界上第一个电子表格软件：VisiCalc，意思是Visible Computing。 

这个软件的界面是绿色的，我估计是参考了当时分类账目表格的颜色：

让所有人都没有想到的是，VisiCalc迅速成为了Apple II上的“杀手软件”，人们购买Apple II的唯一理由就是：想使用上面的VisiCalc。

VisiCalc给世界带来的变化，不亚于复式记账簿。

有了电子表格之后，商人们只需要将数字输入，就能看到输出是什么。并且在PC上运行的电子表格打破了大公司的层级结构，将权利下放给更多人，甚至不需要依赖于数据部门，自己就能搞定。

VisiCalc 这个“可以执行计算和重新计算的神奇纸张”开启了一场革命，促使PC从狂热爱好者的玩具成为了严肃的商业工具。

2 异军突起

电子表格的市场一旦开启，激烈的竞争就如约而至 。

1980年，VisCalc仅仅问世一年以后，Sorcim公司发布了SuperCalc，解决了单元格之间循环引用的问题。

1982年，微软正式出手，推出了自家的电子表格程序Multiplan，提供了“更大的工作表”以及其他改进。

但它们都无法撼动先行者VisiCalc的地位，因为“一个人的命运啊，当然要靠自我奋斗，但是也要考虑到历史的进程！”

Mitchell Kapor（卡普尔）本来基于VisiCalc开发插件的程序员，他开发过两个图形插件，可以从VisiCalc的文件中生成图形。

VisiPlot

VisiTrend

当IBM PC这个划时代意义的产品推出时，VisiCalc却没有采取什么行动，卡普尔意识到机会来了。

他将自己的软件版权以170万美元的价格卖出，然后又拉了130万的风投，铤而走险，押注IBM PC，开发了新的电子表格软件Lotus1-2-3。

1-2-3指的是该产品的使用方式，即电子表格，图形包和数据库管理器。

正如VisiCalc是Apple II的Killer application一样， Lotus 1-2-3成为了IBM兼容机和MS-DOS上的杀手级应用，IBM兼容机比Apple电脑便宜很多，市场巨大。

卡普尔顺势掀起了营销的狂潮，研发费用100万美元，发布产品就花费了250美元，Lotus 1-2-3销量扶摇直上，在最初的18个月就卖出了85万套，迅速成为电子表格领域的新霸主。

Lotus公司也超越微软，成为世界上最大的独立软件公司。

Lotus 1-2-3有多流行呢？很多人在买计算机的时候，不是说要买IBM PC兼容机，也不是说要买MS-DOS兼容机，而是要买能运行Lotus 1-2-3的计算机！

3 王者归来

眼瞅着Lotus1-2-3在自家的MS-DOS上称王称霸，赚钱赚到手软，而Multiplan又如同扶不起的阿斗，微软难道就此偃旗息鼓？

这绝不可能！

1984年秋天，微软一行四人秘密入驻西雅图的红狮酒店。

这四个人从左到右分别是：Bill Gates, Doug Klunder, Jabe Blumenthal 和 Charles Simonyi

他们要在这里进行为期三天的头脑风暴，讨论如何干掉Lotus1-2-3。

Bill Gates先是阐述了当前的严峻形势，Lotus公司第二年的销售额将要达到1.5亿美元，已经超越微软了！

大家纷纷表决心，一定要做出更加强大的电子表格软件Excel，把Lotus1-2-3 干翻在地。 

四人就Excel的用户界面和关键功能进行了充分的讨论，最后做出了两个重要决定：

1. 智能的重新计算

现在的SpreadSheet都有一个缺陷，一个单元格的数值变化，所有的单元格都得重新计算，这在PC那可怜巴巴的16K内存中，运行速度太慢了。新软件Excel一定要只计算相关受影响的单元格，这样在性能上将会有巨大的优势，用户将会后神奇的体验！

Doug Klunder甚至提出了一个口号：Recalc or die !  意思是，实现不了智能的重新计算，就去死。

2. 放弃DOS平台，让Excel运行在GUI上。

Lotus 1-2-3已经成为基于文本的DOS平台的霸主，不要和它正面竞争，而是专注于下一代GUI平台。

悲催的是Windows 1.0要在一年以后才能完成开发，市面上支持GUI的操作系统只有苹果的Macintosh。

Bill Gates还是决定先开发Excel的Macintosh版本，这是个在外人看来难以理解的决定：让别人的孩子在自己院子（MS-DOS）里撒野，而把自己的孩子寄居别人的家里（Macintosh）

不得不说，Bill Gates不但懂技术，还非常有商业头脑，他从Macintosh身上，已经意识到GUI才是未来，将来Excel对Lotus将会带来降维打击。 

1985年，Excel的Macintosh版本正式推出，这是第一款图形化人机交互电子表格系统，有着漂亮的外观，下拉菜单，并且能够用鼠标操作！比基于文本的Lotus 1-2-3好太多了。

Excel开始蚕食Lotus 1-2-3的领地。

1987年11月，第一款适用于Windows系统的Excel也产生了。

Lotus1-2-3 行动迟缓，迟迟不能用于Windows系统，到了1988年，Excel的销量超过了Lotus ！

这是一件标志性的事件，意味着新的软件霸主诞生了！

此后大约每两年，Microsoft就会推出新的版本来扩大自身的优势，把所有竞争对手都远远抛到了身后。 

4 尾声

Excel对于微软有着特殊的意义，Microsoft Excel 1.0 的首席开发人员 Doug Klunder 回忆说：“微软将未来押在了 Excel 和 Windows 两个程序上，如果两者都失败了，微软就不可能活到今天。”

据说微软在开发Excel的时候，偷学了Macintosh的GUI技术，转而用到自家的Windows上，这让乔布斯怒不可遏，指着Bill Gates大骂：我那么信任你，你却偷走我们的东西！

Bill Gates没有愤怒以对，也没有反唇相讥，而是平静地讲了一个故事：“史蒂夫，我理解你的愤怒，不过我们可以从另外一个角度来看问题，我们都有个有钱的邻居，叫施乐，我闯进他们家准备偷电视的时候，发现你已经把它……偷走了。”

标签
#java #javascript #excel
原文链接：https://mp.weixin.qq.com/s/UhSSFIcZP8Rl3O2D3gyJpg>
海康摄像头RTSP流延迟优化实战：从VLC到OpenCV的5种方案对比与性能调优 本文针对海康摄像头RTSP流的高延迟问题，深入剖析了延迟根源，并系统对比了从VLC、OpenCV到海康官方SDK、FFmpeg及硬件加速等五种主流方案的性能表现。重点分享了缓冲区设置、协议优化、多线程架构与硬件解码等实战调优技巧，旨在帮助开发者将视频流延迟从秒级优化至毫秒级，满足工业检测、安防监控等高实时性场景需求。 阅读详情

相关推荐

CVE-2025-25249漏洞深度解析：FortiOS认证绕过与实战缓解

远程代码执行（RCE）是网络安全中最危险的漏洞类型之一，其核心往往源于认证机制失效或内存安全缺陷。CVE-2025-25249正属于此类高危漏洞——它不依赖用户凭证，也不需要交互触发，而是通过超长HTTP头（如X-Forwarded-For）引发内存越界写入，直接绕过FortiOS和FortiSwitchManager的完整认证流程。该漏洞影响广泛、CVSS评分高达9.8，凸显了嵌入式设备在HTTP协议栈实现中的深层风险。在企业网络中，FortiGate等设备常作为边界守门人，一旦失陷将导致root级控制权

weixin_33694620的博客 526

12月份计算机语言排名,TIOBE 发布 12 月编程语言排行榜：C 语言第一，Java 重回第二，python 第三...

IT之家12月26日消息编程语言社区 TIOBE 今日发布了 12 月份的编程语言排行榜。根据表中显示，12 月 C 语言排名第一，Java 降至第二位，Python 排列第三，与去年同期相同。C++、C# 分别位列第四、第五。TIOBE 指数的评分依据是全球范围内熟练的软件工程师、教学课程、第三方网站，此外根据搜索引擎的热度加权进行排名，包括不同地区的谷歌、必应、雅虎、维基百科、搜狗等等。该指...

weixin_34486302的博客 942

windows 下AD9361的 no-os master 工程搭建

参考网站： https://wiki.analog.com/resources/fpga/docs/build#windows_environment_setup https://wiki.analog.com/resources/eval/user-guides/ad-fmcomms2-ebz/software/no-os-setup 参考博客： https://blog.youkuaiyun.com...

Bronceyang的博客 7295

2024年度最高人气的编程语言

本期共享的是 —— 年度地球人气最高的编程语言。

xzz_777c的博客 1737

仿真每日一练 | Workbench如何在网格节点施加载荷

打开Workbench 2020 R2，在分析系统中双击静力分析工程项目，双击Geometry打开Design Modeler，在菜单栏的单位(Units)修改为毫米(Millimeter)，在XY平面创建草图，在草图内绘制矩形并标注尺寸，拉伸长方体，如图1所示。：单个零部件，无连接关系，但需定义一个节点组件，如图5所示，选择Create Named Selection。对添加的节点组件施加Y方向50N的力，如图8所示。1-1-3.有限元系统模型构建。1-1-1.几何模型构建。1-1-2.材料定义。

ansysxuexizhe的博客 1238

A Mathematical Framework for Transformer Circuits—(二)

transformer数学理论框架

qq_42208244的博客 758

2023年8月编程语言排行榜发布，Python霸榜！C++跻身前三！

近日，TIOBE 编程社区官网公布了 2023 年 8 月的编程语言排行榜：目前，Python 依然排行第一，占比 13.33%、 C 语言排行第二，占比 11.41%、C++ 排行榜单第三，占比为 10.63%，相比 C 语言，差距为 0.78%。TIOBE首席执行官保罗・詹森（Paul Jensen）表示：“C++ 流行的原因是它作为一种高级面向对象语言的出色性能，可以用 C++ 开发快速而庞大的软件系统，而不大会出现‘维护噩梦’”。

Python栈 5256

WPF窗口定位技巧：从基础到高级的三种实现方法

本文详细解析WPF窗口定位的三种核心方法：屏幕居中(CenterScreen)、父窗口居中(CenterOwner)和手动定位(Manual)。通过对比其适用场景、实现代码与注意事项，帮助开发者根据实际需求选择最佳方案，从而提升WPF应用程序的用户体验与专业度。

weixin_29224309的博客 273

2026年2月头条：领域特定语言挑战Python的领先地位。权威机构编程语言排行榜__薪酬状况

2026年2月多家权威机构的编程语言流行度指数排行榜和资历薪酬状况，2月标题：领域特定语言挑战Python的领先地位。PYPL 编程语言流行指数(2026年2月)（1）PYPL Index（2）10 TOP IDE（3）10 TOP ODE（4）10 TOP DB。全国各地区最低工资标准(截至2025年7月)。2022 年年终薪酬报告（Levels.fyi 2023.1）

逆境清醒的博客 5万+

Mamba-UNet：用于医学图像分割的类似UNet的纯视觉Mamba网络

所提出的Mamba-UNet的架构如图2所示，其灵感来源于UNet [24] 和 Swin-UNet [3]。首先将大小为 H × W × 1 的2D灰度图像分割成类似于ViT和VMamba的块 [5,16]，然后转换为维度为 H/4 × W/4 × 16 的1D序列。一个初始的线性嵌入层将特征维度调整为任意大小C。这些块令牌随后通过多个VSS块和块合并层进行处理，以创建分层特征。块合并层负责下采样和维度增加，而VSS块则专注于学习特征表示。

AI浩 7551

英飞凌TC3xx之一起认识GTM系列（六）如何实现GTM与VADC关联的配置

本文给出了GTM与EVADC之间关联的细节，并通过两个实例分别说明了如何对寄存器进行配置。

无所适从的我的博客 2933

2019年目前流行的几大编程语言汇总！你应该选择哪个呢？

很多想要学习编程的小伙伴在入行前，都会纠结选择什么的样编程语言去学习。到底是选C++还是选JavaScript？Python和Java哪个更有前途呢？ 编程语言与应用场景有密切的关联关系，每一种编程语言都有自己的应用领域和特点，所以不能单纯的说学哪个语言最好，但是如果没有具体的场景要求，那么可以根据目前的流行程度和发展前景选择要学习的编程语言。下面，小编整理了目前比较流行的几个编程语言，一起来看...

weixin_45820912的博客 5417

《Linux GPU 驱动核心机制：面向图形与 AI 计算的 DRM 内存管理与任务调度》 目录

本文以缓冲区对象（BO）生命周期为主线，系统解析 Linux DRM 子系统中 GPU 驱动的核心机制。涵盖 GEM 与 TTM 内存管理、dma-buf/dma-fence 共享同步、GPU 调度与地址空间管理，结合 amdgpu、Xe 等驱动代码，深入剖析其设计动机与实现逻辑。旨在填补中文领域对 GPU 内核机制系统性讲解的空白，为图形与 AI 计算场景下的内存泄漏、同步死锁等疑难问题提供可追溯的分析路径。

图形/计算GPU的驱动与虚拟化技术分享园地 3741

当下最流行的10种编程语言你都知道哪些？

当下最流行的10种编程语言，排序不分先后，有你正在使用或者学习的编程语言么？

5898

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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")

【盘点时下最流行的十大编程语言优缺点，这些希望你都知道，附最新排行榜单】

以上便是时下最流行的十大编程语言的优缺点简介。总的来说，没有最好的编程语言，只有最适合自己的编程语言。各位可以根据自己的实际开发需求，选择1~2种语言进行深入学习。关注我，学习更多编程知识！最后小编也给大家分享一份Python学习压缩包，里面的内容都是适合零基础小白的笔记，不懂编程也能听懂、看懂。如果需要的话戳这里。

lhx1771584985的博客 1490

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

2023年最流行的八种编程语言

DevJobsScanner 指出，很显然的是 Javascript 和 Typescript 确实主导了开发人员就业市场。Javascript 和 Typescript 总共占明确需要编程语言的工作机会的 31%，这意味着几乎每三个工作机会中就有一个需要 Javascript 或 Typescript。Python 和 Java 分别是 2022 年第二和第三大需求量的编程语言，提供了大量就业机会。

优快云_430422的博客 1008

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

2020 年排名前 5 的编程语言，Python、Java、C等皆上榜！

在本文中，我们将讨论前五种编程语言。 2020年你要学什么编程语言？

专业的开发者“讨论” 3028

2019年，GitHub 上最受欢迎的 7 种编程语言，程序员一定要了解！

GitHub是最受欢迎的代码管理和共享平台。它是来自世界各地的超过3100多万用户编写软件代码的家园。使用多达337种编程语言。看看GitHub随着时间的推移发展了多少，我可以大胆地说，GitHub将会长期存在。 原文作者：微信公众号丨Linux公社 微软在2018年以75亿美元的价格收购了它，尽管许多开发者在收购后放弃了这个平台，但...

CodingPs的博客 2039

当前最流行的十种编程语言

Python： 优势：易学易用，具有强大的生态系统和丰富的第三方库；C#： 优势：面向对象的语言，适用于Windows平台开发；示例：C#用于开发Windows桌面应用、基于.NET的Web应用等。Swift： 优势：适用于iOS和macOS应用开发，语法简洁易读。PHP： 优势：方便快捷的Web开发语言，适用于构建动态网站。Go： 优势：简单易学，编译速度快，适用于高性能系统开发。以上是十种流行的编程语言及其优势缺点的简要介绍，每种语言都有适用的场景和特点，选择编程语言应根据具体需求和偏好进行评估。

liwenhao的博客 2219

2017 年度编程语言榜，Java 最流行、JavaScript 最没价值？

点击上方“优快云”，选择“置顶公众号”关键时刻，第一时间送达！【优快云编者按】在之前的 TIOBE 年度榜单中，宝刀未老的 C 语言成功逆袭，成为 2017 年度编程语言。在本文中，我们综合了最具权威的TIOBE 榜单、全球最大的求职引擎Indeed.com、以及代码最活跃的社区之一GitHub，对于过去一年中哪种编程语言最受欢迎？编程语言中有哪些一直屹立不倒？2018 年的语言趋势是怎

优快云资讯 4404

各种编程语言的应用C/C++/Python/Java/JavaScript

各种编程语言的应用 （1）C语言 C语言是面向过程的，数据与算法分开。它的重点在于算法和数据结构。 优点：结构化编程语言，层次清晰，可以嵌入编程，可以跟硬件打交道，作底层开发。 缺点：不太适用于企业级的开发。 应用：嵌入式编程，硬件驱动程序设计。 （2）C++ C++是在C语言的基础上开发的一种面向对象编程语言，应用广泛; 优点：多用途，支持多种程序设计风格，还有大量的库。 ...

菜鸟打怪的博客 3622

IT公司中最流行的10种编程语言

导读：近日bcahub.shareittips.com作者Akash Padhiyar发布了一篇题为“10 Popular Programming Languages In IT Companies”的文章，译文如下 1. C语言 C语言是一种通用性的编程语言，由Dennis Ritchie于1969年-1973年间在贝尔实验室为Unix操作系统而开发。 尽管C语言是为实现操作系

黄沙百战穿金甲，不破楼兰终不还。 2240

编程语言难度排名_当前最流行的十大编程语言都有哪些用途和优缺点？

当前最流行的十大编程语言都有哪些用途和优缺点？这里是丁哥开讲，我们先来说说最流行的都是哪些语言， 首先声明下面的排名不分先后: C++, C#, Java, Javascript, Python,Swift, PHP, SQL, Go, R。下面我们从如下几个方面分析一下这十大最流行的编程语言： 创立时间，优点，缺点，主要用途，学习难度。. C++:这门语言创始于1983年。它有如下优点：第1个就...

weixin_39969976的博客 1355

现今最流行的编程语言

这些编程语言的流行程度受多种因素影响，包括应用领域、社区支持、企业需求和语言本身的特性。选择哪种语言取决于具体的开发需求和个人或团队的背景和偏好。

2401_85877651的博客 954

所有程序员必知：2019年最流行的8种编程语言和框架！

点击上方 "程序员小乐"关注,星标或置顶一起成长每天凌晨00点00分,第一时间与你相约每日英文When one reaches a point of difficul...

吧主 956
上一篇： 不写代码，拿百万年薪！ChatGPT提示工程或造就15亿码农大军
下一篇： 小扎、马斯克宣战ChatGPT！Meta和推特组建顶级AI团队，硅谷硝烟四起
点赞 51
评论 26
书签 书签 154
IT界那些事儿
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
+ 关注
评论 26
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 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