IBM 年底完成向 Linux 桌面转移 语调有所缓和

Simulink Test Sequence自动化测试实战:从Excel到模型验证 本文详细介绍了如何利用Excel和MATLAB脚本实现Simulink Test Sequence的自动化测试。通过设计结构化Excel模板管理测试数据,并调用Simulink Test API批量创建与执行测试用例,该方法能显著提升复杂模型单元测试的效率,便于集成到CI/CD流程,实现从数据到验证的全自动化。 阅读详情
美国东部时间 1 月 25 日(北京时间 1 月 25 日) 一年前,IBM 公司的主席和首席执行官萨姆-帕米萨诺信誓旦旦地表示要在 2005 年底以前向 Linux 桌面转移,而现在,IBM 开始对开源软件问题的看法变得柔和了许多。IBM 公司的发言人南西-卡普兰( Nancy Kaplan)称,“我们想法这是很明确的,有人在使用 Linux,没有人能告诉他们要停下来。”

  2004 年 1 月,IBM 公司首次公开其 Linux 转移计划,数月之后,IBM 公司的首席信息官鲍伯-格林伯格组成了称之为“开放桌面”(Open Desktop) 内部倡议计划,以促进Linux 转移计划的实施。2003 年,格林伯格在一份特备忘录中写道,“我们的主席要激战 IT 组织,的确,IBM 公司的所有系统到在 2005 年年底前转移到 Linux 桌面。这意味着,要以平等的开放标准取代生产、网站接入和浏览工具等。”

  IBM 公司的高层当时,在公司内部约有 15000 套 Linux 桌面系统,到 2004 年年底运行的 Linux 桌面可达到 4 万- 6 万部。IBM 的卡普兰没有说明这一目标是否已经达到,“我不知道 4 万用户是否是目标,也不知道是否有 4 万用户,公司没有秘密可言,我们正在使用 Linux 系统。”是否 IBM 的 Linux 用户会得到 IBM 内部的支持,这是另外一个问题。据 IBM 的一名不愿透露姓名的员工称,公司已建立一种叫 Client for eBusiness 的

  Linux 标准桌面客户端。该客户端基于红帽子 Linux,其包括 Open Office 生产套件、在Wine Windows 软件下运行的 Lotus Notes 端和 Mozilla 浏览器。

  尽管IBM的志愿志已建立了一个内部 IRC (互联网接力聊天)渠道,在这儿人们可在线讨论 Linux 问题,交流使用 IBM 内部网络应用的经验。绝大部分的应用是面向 IE 编写的,IE不能接入 Linux 。据 IBMer 透露,IE 是 IBM 内部支持桌面唯一支持的浏览器。“如果你不用IE,你可能无法得到帮助来解决存在的问题。”

  有消息称,绝大部分的 IBM 内部的 Linux 用户是技术人员,他们主要从事公司产品的开发和研究,或者是提供技术支持的开发组织成员。IBM 公司使用 Wine 在数千个客户端来运行 Lotus Notes 软件。但是,具有讽刺意味的是,最近在公司网站上发布的内部使用的开源软件并没有翻译成成文的文件以指导人们向 Linux 客户端的转移。

原文出处: eNet硅谷动力
ENVI5.6 自动化流程:GF系列卫星影像批处理与质量优化 本文详细介绍了如何利用ENVI5.6构建针对GF-2、GF-6、GF-7系列卫星影像的自动化批处理流水线。通过配置Batch Processing工具,实现从正射校正到图像融合的全流程批量处理,并分享参数设置、质量监控与故障排查的实战经验,旨在显著提升海量遥感影像的处理效率与成果质量。 阅读详情

相关推荐

AI工作流革命:从n8n到Sora2,揭秘自动化视频创作的底层逻辑

本文深入探讨了AI工作流在自动化视频创作中的应用,重点介绍了n8n、Coze和Sora2的组合如何实现从链接输入到视频输出的全流程自动化。通过三层架构解析、关键技术模块优化及成本控制策略,这套方案显著提升了视频生产效率,适用于电商、热点追踪等多种场景。

gg901的博客 1090

IBM年底完成向Linux桌面转移 语调有所缓和

美国东部时间1月25日(北京时间1月25日) 一年前,IBM公司的主席和首席执行官萨姆-帕米萨诺信誓旦旦地表示要在2005年底以前向Linux桌面转移,而现在,IBM开始对开源软件问题的看法变得柔和了许多。IBM公司的发言人南西-卡普兰( Nancy Kaplan)称,“我们想法这是很明确的,有人在使用Linux,没有人能告诉他们要停下来。”   2004年1月,IBM公司首次公开其Linux转移

ZCatLinux --资讯与技术社区--Open Source World----Linux/Shell/DevOPS-- 907

【eNSP 华为模拟器】单臂路由实战:从原理到配置全解析

本文详细解析了单臂路由技术,通过华为eNSP模拟器从原理到配置进行实战教学。文章阐述了单臂路由如何利用路由器单物理接口创建多个子接口,实现不同VLAN间通信,并提供了完整的操作步骤、配置命令及排错方法,帮助网络工程师掌握这一经典网络技术。

700

原来IBM收购RedHat的真正原因是为了转移注意力!

现在我们也许知道IBM收购的真正原因了,让人们将注意力远离Red Hat砍掉KDE的举措:到2024年,KDE这个大受欢迎的桌面Linux环境将在RHEL中被废弃。就在大...

3223

【FPGA】定点数运算中的位宽优化与截取策略

本文深入探讨了FPGA定点数运算中的核心挑战——数据位宽优化与截取策略。针对定点数在加法、乘法等运算中位宽膨胀的问题,文章详细分析了位宽变化规律,并对比了直接截断、四舍五入和收敛舍入三大截取策略的优缺点及硬件实现方法。通过实战指南与避坑经验,旨在帮助开发者在保证计算精度的同时,高效利用FPGA资源,实现性能与面积的平衡。

weixin_29181861的博客 118

Python爬虫实战:爬取并分析电子商务平台用户评论数据

爬虫(Web Scraping)是指通过编写程序模拟浏览器行为,从网站中提取数据的过程。爬虫技术可以自动化地抓取网站上的信息,广泛应用于数据收集、价格监控、市场研究等多个领域。情感分析(Sentiment Analysis)是一种自然语言处理技术,用于确定文本的情感倾向。对于电子商务平台的评论数据,情感分析可以帮助商家了解消费者的反馈情绪,例如产品的好评、差评或中性评价。本文详细介绍了如何使用Python爬虫技术从电子商务平台抓取并分析用户评论数据。我们展示了如何通过requestsSelenium。

2201_76125261的博客 1177

甲骨文服务器操作系统,甲骨文年内完成操作系统移换 Linux将成主要平台

甲骨文年内完成操作系统移换 Linux将成主要平台作者: ZDNet ChinaCNETNews.com.cn2004-05-27 14:34:30ZDNet China 5月27日专稿(文/Stephen Shankland):甲骨文准备在2004年底之前,将9000位内部的程序开发人员,转换到Linux 的作业环境。去年10月,甲骨文完成了将Oracle Applications 的5000名...

weixin_32312913的博客 1020

「自然语言驱动生产力」23. 科研神器:DeepSeek+EndNote实现文献智能综述

摘要:传统文献综述面临周期长、漏检率高、数据整合繁琐等痛点,某985课题组数据显示,4人团队完成一篇综述平均需5个月,重要成果遗漏率达25%。本文提出基于DeepSeek+EndNote的智能综述方案,通过“自然语言解析→精准检索→智能筛选→自动生成”四步流程实现全自动化。核心技术包括检索式智能生成算法、文献优先级评分模型、可视化图表自动生成工具及结构化综述框架引擎。实际应用中,文献调研周期从3-6个月缩短至2周,重要成果遗漏率降至3%以下,图表制作时间完全解放。某课题组采用该方案后,1人3周完成的综述被A

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! 1670

IBM借Linux让习惯封闭源代码的微软尝到苦头

        在办公室里惟一的一张照片上,IBM首席执行官帕米萨诺选择了与Linux的创始人莱纳斯·托瓦尔斯并排站立。   作为帕米萨诺的改造IBM计划的主要武器之一,开放源代码运动和Linux正在给IBM带来巨大的改变,而Linux也让习惯封闭源代码的对手微软尝到苦头。 全面Linux化   第五届LinuxWorld大会8月底开幕,国内外数十家Linux厂商云集北京,而作为Lin

ZCatLinux --资讯与技术社区--Open Source World----Linux/Shell/DevOPS-- 866

【数据集5】土地利用类型数量预测数据LUH2

简介土地利用类型数量预测数据LUH2

WW、forever的博客 4549

Codex 接入国产大模型指南:客户端与 CLI 双端实战

CC Switch是目前最流行的 Codex / Claude Code 模型切换工具,内置了协议转换功能,支持几乎所有主流国产模型。核心原理Codex → 本地 8317 端口(CC Switch)→ 协议转换 → 国产模型 API整个过程对 Codex 完全透明,Codex 以为自己在跟标准的 Responses API 对话。用户类型推荐方案理由新手 / 不想折腾配置简单,免费额度够用追求稳定体验通义千问(原生接入)官方兼容,功能最完整企业用户自建 AI 网关可控性强,支持多用户管理预算有限。

篮球界最会写bug的人;程序猿中打球最菜的人。 580

IBM 全面 Linux 化 改写微软垄断局面进展不顺利

凭借 Linux,IBM 不但可以平衡与微软的关系,还可以借这一开放源代码的伟大成果,改写微软在操作系统领域的垄断局面   在办公室里惟一的一张照片上,IBM 首席执行官帕米萨诺选择了与 Linux 的创始人莱纳斯·托瓦尔斯并排站立。  作为帕米萨诺的改造IBM计划的主要武器之一,开放源代码运动和 Linux 正在给IBM带来巨大的改变,而 Linux 也让习惯封闭源代码的对手微软尝到苦头。  全

ZCatLinux --资讯与技术社区--Open Source World----Linux/Shell/DevOPS-- 1186

使用DrissionPage和自动化技术实现得物鞋子信息爬取

本文介绍了一个基于DrissionPage技术的得物鞋子信息采集系统,能自动化采集商品图片、价格等数据并保存为Excel。系统采用浏览器模拟技术处理动态加载内容,通过XPath定位元素,实现智能交互和完整数据采集。关键技术包括:图片URL提取与下载、Excel数据集成与图片嵌入、文件名安全处理等。项目适用于市场分析和学术研究,强调必须遵守法律法规和平台规则,仅用于非商业用途。与API爬虫相比,浏览器自动化能更好处理现代Web应用,但需注意知识产权保护。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 1667

不,Linux桌面未死

不,Linux桌面未死 今天的开源综述:Linux并没有在桌面上死掉。附:慕尼黑市转向Linux并因此节省了数百万的花费,以及怎样为新Linux用户找到最好的桌面。 生活中总有一些不变的事情,其中之一便是潮水般永不停息地关于Linux在桌面上已经死掉的预测。不可避免地,我们看到这类文章时不时地出现。CIO有一个例子试图证明Linux桌面已死。 据CIO所说: 所有专家都同意

zhuhuiblog的专栏 1084

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

别了,CentOS。以后只有Rocky Linux、CloudLinux和CentOS Stream

随着IBM/红帽决定将CentOS从传统版本转换为滚动版本,Linux和商业技术界在哀叹。因为这让人感觉到CentOS背后的公司让依赖开源操作系统的社区无法再与其选择的平台建立联系。什么...

开源云中文社区 3918

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 重磅开源 Power 芯片指令集!国产芯迎来新机遇?

整理 | 郭芮 出品 | 优快云(ID:优快云news) 自去年 IBM 以 340 亿美元收购了 Linux 巨头红帽之后,这家 107 岁的蓝色巨人终于又在开源方面有大动作了! 近日在 Linux 基金会开源峰会上,IBM 宣布向开源社区提供 Power 指令集架构(ISA,Instruction Set Architecture),为开源贡献力量!除开源 ISA外,其还计划...

优快云资讯 3589

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

按系列罗列Linux的发行版与不同发行版之间的联系与区别

按系列罗列Linux的发行版与不同发行版之间的联系与区别 Linux 发行版 slackware:SUSE Linux Enterprise Server (SLES) , OpenSuse桌面 debian: ubuntu,deepin(深度),mint redhat: (1)、RHEL: RedHat Enterprise Linux, 每18个月发行一个新版本 (2)、CentOS: Community Enterprise Operating System 兼容RHEL的格式 (3)、中标麒麟:中

qq_49310821的博客 422

IBM重磅开源Power芯片指令集?国产芯迎来新机遇?

整理 | 郭芮出品 | 优快云(ID:优快云news)自去年 IBM以 340 亿美元收购了 Linux 巨头红帽之后,这家 107 岁的蓝色巨人终于又在开源方面有...

AI科技大本营 3万+

CentOS 并没有死,Rocky Linux 让其重生

点击上方“开源Linux”,选择“设为星标”回复“学习”获取独家整理的学习资料!近日,CentOS 官方发文称CentOS Stream才是CentOS项目的未来,在接下来的一年里,将逐...

关注微信公众号【开源Linux】,后台回复『10T』,领取10T学习资源大放送,涵盖Linux、虚拟化、容器、云计算、网络、Python、Go等书籍和视频 370

CentOS已死,Rocky Linux 重生

近日,CentO 官方发文称CentOS Stream才是CentOS项目的未来,在接下来的一年里,将逐步把开发工作的重心从CentOS Linux往CentOS Stream转移,引发...

互扯程序的博客 576

linux成长之路_与Linux一起成长

linux成长之路 我的Linux故事始于1998年,直到今天。 那时,我在The Gap工作,管理成千上万个运行OS / 2的台式机(以及几年后的Warp 3.0 )。 作为OS / 2的家伙,那时我真的很高兴。 台式机嗡嗡作响,使用GAP内置的工具轻松支持数以千计的用户。 不过,变化即将到来。 1998年11月,我受邀加入一个全新的初创公司,该公司专注于企业中的Linux。 这家初创公司...

cumo7370的博客 169

共创桌面linux(baby2)系统使用感觉

20060313 阴有小雨 天气寒冷使用共创桌面co-create linux系统,是一种巧合。原因其实很简单,就是我厌倦了Windows xp,我想给我的IBM X21装个轻量级的linux系统。装完之后,有点惊喜,也有点...

congsutuo8308的博客 255

国内Linux市场规模6000万 跨国巨头唱主角

ZDNet China讯 据业内人士透露,与IBM 、惠普、甲骨文每年数十亿美元的相关收入相比,我国Linux 市场总体规模不过6 千余万人民币。 由于国内重要Linux 厂商中科红旗、所有办公软件厂商以及往届LinuxWorld重要参与者,因诉讼一直处于风头浪尖的SCO的倒戈缺席,让8月24日开幕的LinuxWorld China在规模上显得略逊往届。 不过,这并不妨碍业界对Linux 在最近一

ZCatLinux --资讯与技术社区--Open Source World----Linux/Shell/DevOPS-- 1194

国内Linux市场6000万 跨国巨头唱主角

据业内人士透露,与IBM 、惠普、甲骨文每年数十亿美元的相关收入相比,我国Linux 市场总体规模不过6千余万人民币。   由于国内重要Linux厂商中科红旗、所有办公软件厂商以及往届LinuxWorld重要参与者,因诉讼一直处于风头浪尖的SCO的倒戈缺席,让8月24日开幕的LinuxWorld China在规模上显得略逊往届。 不过,这并不妨碍业界对Linux 在最近一年所取得成绩的认可。   

ZCatLinux --资讯与技术社区--Open Source World----Linux/Shell/DevOPS-- 945

竞争对手Google对Vista制定十大策略

1.为推出与Office 2007相似的桌面套装,Google公司所有员工为这个产品可谓绞尽脑汁,当然也包括Google的副总裁David Girouard。员工在产品设计方面发挥的作用越来越大。“你不可以强迫用户来使用自己的产品,IT人士认为是优秀的产品,用户却未必若可。”他如是说,Google正在推出可选择的其他产品,例如Docs&Spreadsheets combo等现在都...

aebe49167的博客 129

linux职业_IT的新职业导致Linux

linux职业 与我们这一代中的许多其他人一样,在开始使用Windows之前,我开始使用名称如Apple II和Commodore 64的计算机。 我仍然记得在高中多年坐在父母家中的Windows 3.1。 然后,我将计算机搁置了一段时间,并决定以汽车为生,就像OBD II成为标准一样。 现在让我们前进几年。 我曾在家庭自动化行业中使用Netstreams , RTI和Crestron等设备...

cumo7370的博客 121
上一篇: 维也纳政府拥抱 Linux 欧洲成为开源重地
下一篇: 中日韩分工推进 Linux 中国可能动用财政支持
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