SGI 发布世界最快超级计算机

《UVM实战》学习笔记——第三章UVM基础 uvm基础,常见的派生类,config db机制,打印信息等 阅读详情
SGI 和 NASA 联合宣布 NASA 的基于 Intanium 2 处理器的 Columbia 超级计算机是世界上最快的计算机:

  "管 IBM 公司在二周前刚刚刷新了 NEC 公司已经保持了二年了超级计算机速度记录,但它的记录再次被 SGI 公司刷新了。

  SGI 公司于当地时间本周二宣布,它在 7 月份出售给美国国家航空和宇宙航行局(NASA) 的这台名为“哥伦比亚”的超级计算机系统基于 Linux,售价为 5,000 万美元,它每秒能够执行 42.7 万亿次运算。但是,这也速度并非是它的最高速度,它只利用了 10240 个英特尔安腾处理器中的五分之四。

  这一速度比 IBM 公司 Blue Gene/L 超级计算机系统的 36.1Tflop 要高一些。SGI 公司并没不认为自己能够将这一记录保持多长时间。该公司服务器和平台集团的高级副总裁戴夫表示,很显然几家公司都在冲刺,IBM 公司就可能再次刷新超级计算机速度的记录。"

全文出处 : eNet
Exploring Automated Distractor Generation for Math Multiple-choice Questions via Large Language Mode 多项选择题(MCQ)在几乎所有级别的教育中都无处不在,因为它们易于管理、评分,并且是评估和实践中可靠的格式。MCQ最重要的方面之一是干扰因素,即旨在针对真实学生常见错误或误解的不正确选项。迄今为止,对于教师和学习内容设计师来说,制作高质量的干扰物的任务在很大程度上仍然是一个劳动和时间密集型的过程,其可扩展性有限。在这项工作中,我们研究了数学MCQ领域的自动干扰物生成任务,并探索了从上下文学习到微调的各种基于大型语言模型(LLM)的方法。 阅读详情

相关推荐

STM32实战:电容触摸屏I2C转USB HID设备全解析

本文详细解析了基于STM32的电容触摸屏I2C转USB HID设备实现方案。通过硬件选型、协议分析和代码实现,展示了如何将GT911触摸屏数据转换为标准USB HID协议,并提供了关键调试经验与性能优化技巧,为智能家居控制面板等应用提供高性价比解决方案。

weixin_42548829的博客 323

高性能易用计算机,SGI发布低成本易用型“个人超级计算机”

现在还没有人在百思买上出售个人超级计算机,但是随着成本持续降低,超级计算机越来越容易使用,这一天恐怕离我们不远了。SGI本周一发布了第一款他们所谓的个人超级计算机。Octane III。Octane III系统采用了一个至强5500处理器,起价为7995美元。这套系统可扩展成为一个内存容量高达960GB的80核系统。SGI表示,多架构可以采用Nvidia的GPU以及Intel的低能耗Atom芯片。...

weixin_28729331的博客 910

ROS2仿真抓取分拣案例,使用myCobot 280机械臂结合ROS2系统搭建机械分拣站

本案例展示了如何利用myCobot 280 urdf模型构建一个对象分类站,并在ROS2 jazzy中完成运动规划。

m0_71627844的博客 2128

超级计算机使用什么操作系统,多数超级计算机使用操作系统为Linux

多数超级计算机使用操作系统为Linux2009年06月29日 09:26作者:小二编辑:巴力立文章出处:泡泡网原创分享泡泡网企业频道6月29日过去,开发人员为超级计算机定制各种各样的操作系统,超级计算机在操作系统的使用上没有形成统一规定。近年来,这种情况有所改变。Linux系统越来越受欢迎,被很多超级计算机采用。但Linux在超级计算机中究竟有多受欢迎呢?看了下面的分析你一定会大吃一惊。Top5...

weixin_29196315的博客 3111

别再只盯着GPS了!手把手教你用Python仿真UWB定位,30厘米精度是怎么算出来的?

本文详细解析了UWB(超宽带)室内定位技术的原理与实现,通过Python代码演示如何从三边测量法到实现30厘米精度的定位。文章涵盖了UWB的核心数学模型、Python仿真环境搭建、误差分析及优化策略,为开发者提供了实用的技术指南和应用场景。

weixin_26873711的博客 257

光谱数据计算CIE值(三刺激值、CIE1931、CIE1976、CCT)软件

软件界面如下,免安装,拷贝即可使用 导入光谱数据即可计算三刺激值、CIE1931、CIE1976、CCT CIE1931、CIE1976色坐标图形只管显示 导入的光谱数据格式如下,txt文本 波长380到780,间隔1nm 注意:缺省的数据默认写0即可 下面为一些CIE相关介绍: CIE(国际发光照明委员会):原文为Commission Internationale de L’Eclairage(法)或International Commission on Illumination(英)。这个委员会创

业余程序员小徐的博客 2万+

高性能计算机linux,多数超级计算机使用Linux操作系统

过去,开发人员为超级计算机定制各种各样的操作系统,超级计算机在操作系统的使用上没有形成统一规定。 近年来,这种情况有所改变。Linux系统越来越受欢迎,被很多超级计算机采用。 但Linux在超级计算机中究竟有多受欢迎呢? 看了下面的分析你一定会大吃一惊。Top500.org定期发布全球速度最快的超级计算机500强排名列表。 昨天该网站发布了最新一期(两年为一期)的排名表单,我们查看了完整表格并对其...

weixin_36275231的博客 503

SCDM学习笔记(5)

几何前处理后一般会获得几何的固体区域,然而当进行流体仿真的时候是对流体的区域进行计算的。因此,如何快速地从固体的几何模型获得流体的几何模型是一个重点问题。 流体问题一般可分为内流场与外流场问题,对于内流场问题,SCDM有专门的处理工具 工程图纸大致如下: 要创建这个几何的大致策略是画出截面的圆形,再画出轴线,通过扫掠的方式建立几何。 以上是mixing的国体区域,通过体积抽...

diyhoo的编程小屋 6359

计算机超级操作系统,多数超级计算机使用Linux操作系统

过去,开发人员为超级计算机定制各种各样的操作系统,超级计算机在操作系统的使用上没有形成统一规定。近年来,这种情况有所改变。Linux系统越来越受欢迎,被很多超级计算机采用。但Linux在超级计算机中究竟有多受欢迎呢?看了下面的分析你一定会大吃一惊。Top500.org定期发布全球速度最快的超级计算机500强排名列表。昨天该网站发布了最新一期(两年为一期)的排名表单,我们查看了完整表格并对其中速度最...

weixin_42526249的博客 655

【腾讯小龙虾 WorkBuddy 专栏 03】技能(Skills)制作全教程!自定义技能编写、导出分享、导入使用一步到位

🔥腾讯AI智能体WorkBuddy自定义技能全攻略 本文为零基础用户提供WorkBuddy自定义技能的完整教程,涵盖技能概念、编写规范到实操全流程。核心内容包括: 技能本质:标准化任务指令模板,可固化重复操作流程 三大价值:一键执行重复任务/跨设备共享/降低使用门槛 实操演示:以"桌面文档自动分类"为例,分步讲解编写、测试、导出 共享方案:支持单技能/批量导出,通过任意渠道传输分享 导入指南:3秒完成他人技能加载,并提供常见问题解决方案 高阶优化:增加异常处理、版本管理等提升技能普适性

AI人人懂 2991

SAP UI5 主题设置全解析:从启动参数到运行时切换、跨域白名单与事件监听

SAP UI5主题体系深度解析:从配置到切换的完整指南 摘要:SAP UI5主题机制远不止CSS换肤,其工程化实践涵盖启动配置、运行时API切换、跨库路径映射及安全管控等关键环节。通过bootstrap标签或URL参数设置初始主题,运行时可用Theming.setTheme无刷新切换。自定义主题需配置theme-roots路径,跨域加载需声明sap-allowed-theme-origins白名单。主题切换完成后会触发applied事件,适合执行视觉同步操作。该体系支持多品牌适配、集中式主题管理,在Fior

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 328

超级计算机linux基本指令,多数超级计算机使用Linux操作系统

过去,开发人员为超级计算机定制各种各样的操作系统,超级计算机在操作系统的使用上没有形成统一规定。近年来,这种情况有所改变。Linux系统越来越受欢迎,被很多超级计算机采用。但Linux在超级计算机中究竟有多受欢迎呢?看了下面的分析你一定会大吃一惊。Top500.org定期发布全球速度最快的超级计算机500强排名列表。昨天该网站发布了最新一期(两年为一期)的排名表单,我们查看了完整表格并对其中速度最...

weixin_33582801的博客 315

海思芯片OpenHarmony系统移植:Sensor传感器模块HDF驱动配置HCS文件详解

海思系列芯片的传感器模块通过HDF(Hardware Driver Foundation)驱动框架进行管理和配置。传感器HCS(HDF Configuration Source)配置文件定义了各类传感器的硬件参数、总线配置、寄存器序列等信息,为传感器驱动提供必要的初始化和运行参数。海思系列芯片适配OpenHarmony的传感器HDF配置HCS文件是传感器驱动开发的关键部分,通过合理配置可以实现各种传感器设备的驱动支持。

m0_67505153的博客 211

超级计算机性能调查,调查:多数超级计算机使用Linux操作系统

过去,开发人员为超级计算机定制各种各样的操作系统,超级计算机在操作系统的使用上没有形成统一规定。近年来,这种情况有所改变。Linux系统越来越受欢迎,被很多超级计算机采用。但Linux在超级计算机中究竟有多受欢迎呢?看了下面的分析你一定会大吃一惊。Top500.org定期发布全球速度最快的超级计算机500强排名列表。昨天该网站发布了最新一期(两年为一期)的排名表单,我们查看了完整表格并对其中速度最...

weixin_39988164的博客 209

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。

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")

IBM BlueGene雄踞500强超级计算机之首

在6月22日德国海登堡举行的第20届国际超级计算机会议上,发布了最新的全球500强超级计算机排行名单。IBM基于PowerPC 440的BlueGene/L位列榜首,HP第二,SGI第三。 全球最快的超级计算机排名将由 TOP500 机构对外公布,该机构是独立的全球超级计算机性能的最高测评组织。TOP500 机构创办于1993年,它每年两次用独立的方法向全球提供超级计算机的性能。IBM公司制造的B

老狐狸的博客 1388

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

IBM"走鹃"险胜"Cray Jaguar" 连任世界最快超级计算机

每年调查两次的全球前五百大超级电脑结果在近日出炉,IBM今年6月发表的Roadrunner以些微的差距击败Cray旗下的Jaguar,再度蝉连全球超级电脑龙头宝座。这项全球超级电脑评比是由德国曼汉姆大学(University of Mannheim)、田纳西大学(University ofTennessee)和美国国家能源研究中心(National Energy Research Scientif...

weixin_34183910的博客 306

jre9下载 jdk9

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

GK110强势到来!Tesla K20X/K20正式发布

新一届超级计算大会SC12今天开幕了,除了公布新的TOP500超算榜单,各大相关厂商也是一股脑地发布或者宣布了多款高性能计算产品。先来看NVIDIA这边,基于开普勒大核心GK110、拥有71亿个晶体管的Tesla K20终于正式发布了,而且还有更高端的Tesla K20X。 Tesla K20X拥有十四组SMX、2688个流处理器,屏蔽了一组192个,但同时启用完整的384-bit显存位宽和

hdanbang的专栏 1231

并行计算机系统结构

并行计算机系统结构:单指令多数据流SIMD;并行向量出理解PVP;对称多处理机SMP;大规模并行处理机MPP;分布共享存储DSM;工作站集群COW等。

涛涌四海向大家学习,与大家携手共进…… 1万+

希捷联手英特尔将IEEL融入ClusterStor阵列中

希捷正在通过将Intel Enterprise Edition for Lustre (IEEL)融入到自己的ClusterStor阵列中,实现Lustre并行文件系统软件世界的统一。 首先我们来看一下什么是Lustre?Lustre是基于Linux的开源并行文件系统软件,全球已经安装的、速度最快的超级计算机中有40%都采用了Lustre。 希捷也有自己...

weixin_33736832的博客 136

Tesla – 2010年度回顾

今年,HPC领域中GPU计算的增长继续有增无减,并取得了诸多里程碑式的全新成果。 很难相信,英伟达™(NVIDIA®)Tesla的发展史只有区区三年半。去年年末,我们探讨了自己在英伟达™(NVIDIA®)Tesla上似乎已经达到了“引爆点”,引爆点是变革势头不可阻挡的一种发展水平。 如果必须用两个词来对今年进行总结的话,我想说,英伟达™(NVIDIA®)Tesla感觉好像已达...

weixin_34344677的博客 266

IT巨头抢滩网格计算

IT巨头抢滩网格计算第三次因特网信息技术浪潮将在2005年出现2020年将形成一个年产值20万亿美元的产业     “未来使用IT资源如同使用水电,即取即用”,这是IBM全球服务器集团高级副总裁兼集团行政主管William M. Zeitler近日参加IBM在上海组织的“电子商务服务器和全面存储解决方案大学”论坛大会所说的第一句话。据市场人士分析,William M. 

雷钧钧 1930

仅此一篇知晓操作系统

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入设备与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。 操作系统的类型非常多样,不同机器安装的操作系统可从简单到复杂,可从移动电话的嵌入式系统到超级计算机的大型操作系统。许多操作系统制造者对它涵盖范畴的定义也不尽一致,例如有些操作系统集成了图形用户界面,而有些仅使

Sugarhiy的博客 371

使用GPU构建更便宜的Google神经网络

摘要:初创公司常通过模仿Google的技术来推销自己,从实时网站更新技术到机器学习。Google Brain无疑是Google下一代项目之一,研究者向我们展示了其它公司如何靠GPU和无限带宽技术进行深度学习,并且价格更低廉。 一些初创公司通过模仿Google的技术来推销自己,从实时网站更新技术到机器学习。Google Brain无疑是Google下一代项目之一,旨在利用谷歌已掌握的用

284

一线DBA总结:MySQL搭配XFS文件系统优势最大

来自国外问答SNS网站Quora的一个问题:XFS、ZFS和ext3这3个文件系统哪个能够与MySQL产生最佳的性能?对此,来自Facebook的资深数据库专家Domas Mituzas给出了自己的解答,他认为MySQL最适合XFS文件系统。 在XFS文件系统的Linux版本发布之前,选择适合的Linux文件系统很简单,追求原始性能通常倾向于使用ReiserFS,而重视数据完整性则首 选ex

liaoyuanzi的专栏 941

MySQL搭配XFS文件系统优势最大

来自国外问答SNS网站Quora的一个问题:XFS、ZFS和ext3这3个文件系统哪个能够与MySQL产生最佳的性能?对此,来自Facebook的资深数据库专家Domas Mituzas给出了自己的解答,他认为MySQL最适合XFS文件系统。   在XFS文件系统的Linux版本发布之前,选择适合的Linux文件系统很简单,追求原始性能通常倾向于使用ReiserFS,而重视数据完整性则首 选

haoyuxuan的博客 1862
上一篇: Ballmer:Windows 成本与安全性均胜过 Linux
下一篇: IT业迎来低价技术时代 科技创新成企业命脉
zcatlinux
博客等级 码龄22年 56粉丝 760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