自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

太阳当空照，花儿对我笑，微风轻轻拂，心情无限好。

  • 博客(390)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 基于dlib库实现摄像头多人脸注册及多人脸同时识别系统（附源码+教程）

基于OpenCV GUI的人脸信息采集录入。请注意存储人脸图片时，矩形框不要超出摄像头范围，否则无法保存到本地，超出会有“out of range”的提醒。：基于Tkinter GUI的人脸信息采集录入。：从上一步存下来的图像文件中提取人脸数据存入CSV。会生成一个存储所有特征人脸数据的，大小为n*129，其中n表示注册的人脸数量，129表示人脸名字加上该人脸的128D特征。：实现实时人脸识别，将捕获到的人脸数据和之前存的人脸数据进行对比计算欧式距离，由此判断是否是同一个人。

2025-03-14 17:52:23 85

原创 PyTorch学习资料与常见错误积累

它可以接收一个子模块的有序字典（OrderedDict）或者一系列子模块作为参数来逐一添加Module的实例模型的前向计算就是将这些实例按添加的顺序逐一计算# view相当于reshape，这里的img.shape[0]是batch_size，-1代表自动计算出来的H*W*Channels。

2024-12-06 10:30:00 62

原创 深度神经网络Pytorch图像增强

数据增强对深度神经网络的训练来说是非常重要的，尤其是在数据量较小的情况下能起到扩充数据的效果。本文总结了pytorch中使用torchvision提供的transform模块中进行数据增强常用的7种方式。

2024-12-05 17:01:22 126

原创 DenseNet pytorch版本解析

DenseNet是CVPR2017的best paper，之前写过论文笔记，详见博文。本文先回顾DenseNet的网络架构与思想，再使用Pytorch框架实现该网络。

2024-12-05 16:59:47 86

原创 深度学习小麦头检测-基于Faster-RCNN的小麦头检测——附项目源码

csv_remake.py：根据csv文件并返回train_df和valid_dfWheatData.py：通过df文件载入image和targets，目标检测的数据集载入可参考issueevaluate.py：评估计算Iou和Map等指标train.py：训练代码WheaTesttData.py：载入测试数据predict.py：加载训练模型进行预测，并保存画出矩形框的图像。

2024-12-05 16:35:16 288

原创 客户端安全开发基础-PC篇-附项目源码

由于PE文件加载时会进行重定向操作，所以printf函数的地址不固定，需要通过PE文件加载的基地址+函数偏移量得到printf函数的准确地址，另外shellcode需要申请可执行内存块确保指令可以正常执行，需要修改printf函数的内存块可写，修改其前几行指令。将输出结果修改称正确，patch一下分支语句或者将错误的gbk编码patch成正确就可以，但是题目要求用DLL注入hook程序，因此此处用注入的DLL修改程序，hook掉。，换行回车符号，猜测v32地址处为输出字符串，结合测试时的输出。

2024-12-04 09:35:38 1559

原创 UE4外挂实现分析-PC端-附源码

至此，已实现获取玩家坐标、玩家视角、敌人坐标的目标，对坐标数据进行数学处理，使用GUI工具绘制到屏幕上，即可实现透视效果，同样可以通过计算玩家视角需要转动的角度，实现自瞄的功能。寻找游戏内能直接获取的与玩家信息有关的详细数据，游戏中子弹数量能够直接查看到准确数值，并且方便控制，因此使用CE查找子弹数量的地址。可以遍历游戏中所有的Actor对象，包括敌人的Actor对象，进而获取敌人坐标信息，在一局游戏中，等数据，偏移的计算在游戏分析部分得到的偏移基本相同，对所有的全局变量进行注释，方便后续分析。

2024-12-04 09:25:11 1921

原创 指针部分较难的知识点

以int a[3][4]为例：（1）a[0],a[1],a[2]均为一维数组名，则a[0]=&a[0][0] (C语言规定一维数组名代表数组首元素地址)（2）a+1=(a+1)的值相同，（a+1）=a[1]. a+1虽然等于a[1],但是二者含义不同，a+1表示第1行的首址，而a[1]=a[1]+0表示a[1][0]的地址，因此对a+1与a[1]分别加1会得到不同的值事实上，a[1]的类型为int* 型，而a+1为 int(*)[4]型。

2024-10-22 11:45:00 982

原创 指针变量作为被调函数形参时让人易混淆的地方

它让p不再等于数组b. name首地址，而是指向由malloc函数分配的一块内存区域，所以后续对p的操作不会引起b.name的任何变化。，，所以执行完这条语句之后，s就不等于r了，即s和r不再指向同一个变量（p），所以后续对s的任何操作都不会引起r和p的变化。上面两段代码函数的形参都是指向指针变量的指针（指针的指针），下面再看一个简单点的例子：指向普通变量的指针作为函数形参。看上去似乎没什么区别，但就是这两句的不同导致了运行结果的不同。上述代码段1和2的main函数部分都相同，但运行结果却不同，表现在。

2024-10-21 12:00:00 218

原创 指向一维数组的指针与指向一维数组中的元素的指针的区别

先看几段代码吧：1.分析：int (* p)[4]; p=&a（而不是p=a）; 则*p =a ,表示指针p指向含有4个元素的一维数组a，而不是指向数组a的元素， 故p+1=&a+1。又因为数组a为int型，每个元素占4B，每行4个元素，故a+1与a的值应该相差16，所以若p是指向一维数组a，那么p+1与p应该也相差16，运行结果确实如此，可见p确实是指向一维数组a的指针。2.运行结果：在VC++6.0中：在Visual Studio Code中：分析：代码2与代码1的唯一区别就是代码2中是令

2024-10-20 11:45:00 367

原创 结构体指针的初始化以及结构体变量作为函数实参传递时易混淆的知识点

等标准数据类型是一致的，故结构体指针变量名并不代表结构体变量首地址，在对结构体指针进行初始化时要用。形参是结构体变量名，故传给函数的实参是结构体变量名，它不代表结构体变量占用内存空间的首地址。.前面已经说了，结构体类型是用户自己定义的一种数据类型，其本质上与。首先要明确，结构体类型是用户自己定义的一种数据类型，其本质上与。,是因为数组名代表数组首地址。结构体变量作为函数实参传递时。等标准数据类型是一致的。

2024-10-19 16:30:00 275

原创 C语言中几个0之间的区别

\0’是转义字符，ASCII码为0，故以%d形式输出时为0，以%c形式输出时不可见，因为它不是可打印字符，它是字符串的结束标志。0是整数，ASCII码为0，以%d形式输出时为0，以字符形式输出时为NULL，为空字符，也不可见。NULL是一个普通字符,ASCII码为0，故以%d形式输出时为0，以%c形式输出时不可见。故以%d形式输出时为48，以%c形式输出时为0。‘0’是一个普通字符,ASCII码为。

2024-10-19 11:45:00 242

原创 C语言复习

1.声明结构体类型的同时定义结构体变量struct stint a;project1.cLinking...2.先声明结构体类型，再定义结构体变量struct stint a;project1.cLinking...错误的定义方法struct stint a;}c[3];project1.c执行 cl.exe 时出错.## 用scanf函数进行输入时，注意区分“%c”和“%s”格式。"%c"格式是将所有输入的字符都输入到指定内存地址中，包括空格、回车和tab，

2024-10-18 16:20:21 238

原创 C语言二级刷题

return 0;在GCC编译器（64位）上编译运行，输出为886。sizeof(str1)为求字符串的字符个数，包括结尾符。而strlen(str1)为求字符串的实际字符个数，不包括结尾符。字符串中的字符依次存储在内存中一块连续的区域内，并且把空字符’ \0’自动附加到字符串的尾部作为字符串的结束标志。故字符个数为n的字符串在内存中应占（n+1）个字节。语句char str[10] =“string!和char str[10]={“string!

2024-10-18 16:19:44 826

原创 Java岗位面试--单例模式、生产者消费者线程同步

答：一个类的构造函数私有化，然后在类中定义一个私有静态变量，通过一个静态函数get获得私有变量实例即可实现单例。如果想要懒加载，可以用上双重检验锁在get函数中。9.手写一个生产者消费者模式，用的ReentrantLock，为什么判断当前count是否满足生产或者消费时用while。4.用volatile+synchronized写一个单例模式，用双重校验锁方法，说出两个if判断语句的作用。写个单例保证线程安全(虽然写出了，但被问住了，告诉我代码不能死记硬背)10.手写单例模式 1.写一个单例模式，

2024-08-04 10:15:00 141

原创 Java岗位面试总结--计算机网络

10.上面说到http建立在tcp连接上，所以开始了http和tcp连接之间的各种关系，这块复习的比较少，讲的不太好，问到了长连接/短连接，哪个版本开始支持长连接。一个tcp连接是否可以并发，这个没有复习到，所以一开始回答不能，后来面试官就问，如果现在一个网页要加载很多张图片，他们应该怎么样加载，根据平常上网经验，明显是多个图片同时向下加载，所以随即改口。校验和，流量控制，拥塞控制，连接管理，确认应答，超时重发都答了。答：物理层，链路层，网络层，传输层，应用层（应用层，展示层，通信层）

2024-08-03 14:30:00 136

原创 Java岗位面试--手撕算法题

假设有一个非常大的文件，全英文的，统计一下所有单词出现的频率，我回答的是mapreduce来查频率，他说单机情况下，用map，有改进吗？算法题1：出现奇数次的数字：给定一个非空整数数组，取值范围[0,100]，除了某个元素出现1次以外，其余每个元素均出现次数为2次。1.编程题，快速排序（当时脑子不知道在想啥，没做出来，很尴尬，不过面试官一直引导我，后来写出来了还是有点问题，面试官一时也没发现哪里错了，就直接跳过了）算法题：一棵树的右视图，小哥哥说在框里写，，，我还没问能不能用ide呢，，， 5.5。

2024-08-03 11:15:00 197

原创 Java岗位面经--Spring相关

我：一开始没听明白，后来理解了，是url访问的流程加springmvc的过程，emmm不好意思，中间忘记说tomcat干啥活了。6.Spring的IOC和好处，AOP，问了动态代理的实现，两种动态代理的。答：简单解释了一下，动态代理和代理的两个类别；讲讲你熟悉的Java设计模式，知道装饰者模式吗，IoC机制符合了Java设计模式的什么原则。就比如注入的时候，我会依赖一个接口的注入或者基类注入，这种的话，怎么找到它的实例呢？注入的过程发生在什么时期我答的是初始化容器的时候。spring的ioc和aop。

2024-08-02 10:15:00 102

原创 java岗位真实面试经验总结--基础知识

当JVM在加载一个类的时候，如果这个类在编译时是可用的，但是在运行时找不到这个类的定义的时候，JVM就会抛出一个NoClassDefFoundError错误。32 - 1，面试官可能知道我的意思，没有指出）最大值为什么要减一，int的最小值在计算机中怎么表示(我回答的是二进制表示，没有思考直接说是32位全是1，回答错了，实际是10000…结果是，不会有错误。答：一个是标记的变量只能自己使用，一个是标记的变量可以让父子都可以访问，一个是可以接收同一个包的其他类的引用，一个是所有的其他包都可以引用。

2024-08-02 10:15:00 120

原创 Java岗位面试--MySQL相关

6.数据库问题，表结构是t ，sql语句是select * from t where a= , b= , c= 问这个语句执行的效率，我当时直接说会很慢，可以建立联合索引，然后就开始了最左匹配原则的各种情况。最后一个问题是如果查询条件固定，联合索引的顺序怎么样安排比较好，之前没考虑过，只能当场思考，回答的是区分度较高的排在前面，让搜索的范围尽早缩小。数据库一定会走索引吗回答了最左匹配原则和索引没及时更新数据位置，没答到他想要的点，他想问的是where语句中出现了!

2024-08-01 17:00:00 145

原创 async、await剖析

JavaScript是单线程的，为了避免同步阻塞可能会带来的一些负面影响，引入了异步非阻塞机制，而对于异步执行的解决方案从最早的回调函数，到ES6的Promise对象以及Generator函数，每次都有所改进，但是却又美中不足，他们都有额外的复杂性，都需要理解抽象的底层运行机制，直到在ES7中引入了，他可以简化使用多个Promise时的同步行为，在编程的时候甚至都不需要关心这个操作是否为异步操作。

2024-08-01 14:00:00 67

原创 Java岗位面经--JVM相关

强引用，在内存不足的时候，宁可报错：oom，也不会回收。这样内存不足的时候，标记了软弱虚引用的对象会被回收。虚引用：直接回收了，就像没有引用一样gcroot找不到一样。但是会有一个回调函数，比如打印一个日志：我被回收了之类的。答：强引用，就是标记了引用，不会直接回收的；而软引用是：在gc后还内存不足的时候，才会去回收，平时不会回收；弱引用是：在GC的时候，不管内存空间足不足都会回收这个对象。1.说一下几种引用方式，并说出其作用，以及垃圾回收时机。每种垃圾回收算法的原理和适用，G1简单说了下设计思想。

2024-08-01 12:00:00 70

原创 async、await使用

async是ES7的与异步操作有关的关键字，其返回一个Promise对象，await操作符用于等待一个Promise对象,它只能在异步函数内部使用。的目的是简化使用多个promise时的同步行为，并对一组Promises执行某些操作。正如Promises类似于结构化回调，更像结合了generators和promises。

2024-08-01 11:15:00 305

原创 apply()、call()、bind()使用

每个Function对象都存在apply()call()bind()方法，其作用都是可以在特定的作用域中调用函数，等于设置函数体内this对象的值，以扩充函数赖以运行的作用域。

2024-07-31 15:30:00 331

原创 Java岗位面经--Java集合

ArrayList扩容机制，上次看ArrayList源码还是去年9月份，，，真的忘了，只记得1.5倍扩容和grow方法的流程，其他的模模糊糊。面试官可能将计就计的问了我add方法一次添加一个元素为什么会不满足条件呢，当时内心有点懵，所以也没回答出来，面试官又问如果让你去写这个代码，你觉得的该怎么写，只说思路就好。万年不变的集合开头，hashmap底层数据结构，什么时候转化为红黑树，put操作的流程，讲定位下标的时候说到了扰动，又问扰动的过程和好处（讲一半小哥哥网不稳定，掉线了，，，）线程安全的方式有哪些？

2024-07-31 15:00:00 94

原创 行内元素和块级元素

HTML可以将元素种类分为行内元素、块级元素和行内块级元素三种，在使用过程中可以通过CSS的display属性相互转换。

2024-07-31 10:15:00 607

原创 Java岗面经总结--Java多线程

1.多个线程同时对volatile类型的变量进行i++操作，可以保证结果吗，为什么不能，说说volatile的原理，那我们在什么时候使用volatile是正确的，刚才的场景怎么保证结果(synchronized)，说说sync的原理，它和ReentrantLock有什么不同。2.Java的加锁的方式，读写锁的实现，synchronized和reentrantlock的比较，CAS的实现。4.说一下线程池，以及线程池的几个核心参数，如果提交一个cpu密集型的任务怎么选取线程池。对象锁和类锁互斥吗？

2024-07-31 10:15:00 93

原创 图片等比例缩放方案

在Web开发时无可避免的需要将图片进行缩放，缩放时需要保证图片不变形，也就是需要等比例缩放。

2024-07-30 12:00:00 812

原创 手动实现轮播图功能

使用纯、、实现轮播图功能。使用的绝对定位与相对定位实现轮播图，首先将图片全部拼接成为一行，使用将其他图片隐藏，将这一行图片加入定时任务不断进行左移，从而只显示中间的图片，对于边缘特殊处理，将第一张轮播图追加到一行图片之后，当切换到最后一张轮播图时，下一张即播放第一张图，当此图轮播完成后，将所有图片归位，提供两个，第一个是单纯的轮播不存在任何控制按钮，第二个则比较完善。opacity首先通过对图片绝对定位来使图片堆叠，通过使用来控制图片的显示与隐藏，即不使用控制轮播图的切换动画，而使用动画来完成，由于是

2024-07-30 10:15:00 493

原创 实现消息提示组件

在浏览器页面中，通用的消息提示组件一般可以分为静态局部提示和动态全局提示，用于反馈用户需要关注的信息，使用频率较高。实现消息提示组件，动态全局提示，主要使用原生实现，实现的代码基本都作了注释。

2024-07-29 14:45:00 429

原创 实现图片懒加载

图片懒加载就是当页面需要展示较多图片时，首先只加载显示在当前屏幕位置的图片，在页面向下滚动时，再加载其他需要显示在当前屏幕位置的图片，这样可以防止一次性对服务器发送大量请求，并可以在用户不需要完整浏览页面的情况下减少服务器资源消耗。

2024-07-29 11:00:00 362

原创 实现三栏布局

三栏布局在开发十分常见，即两边固定宽度，中间自适应宽度的布局。

2024-07-28 14:30:00 409

原创 实现瀑布流布局

瀑布流，又称瀑布流式布局。是比较流行的一种网站页面布局，视觉表现为参差不齐的多栏布局，随着页面滚动条向下滚动，这种布局还会不断加载数据块并附加至当前尾部，瀑布流的主要特性便是错落有致，定宽而不定高的设计让页面区别于传统的矩阵式图片布局模式。

2024-07-28 09:45:00 826

原创 实现拼图滑动验证码

拼图滑动验证码的纯前端简单实现，重要部分都已标注注释，如果需要配合后端可以参考此思路，后端处理图片生成一个带缺口的背景图与一个符合缺口的拼图，并将取得拼图块的位置记录到，将图片与拼图传给前端展示，当用户拖动并松开鼠标后将鼠标轨迹与停留位置发送到后端，后端从中取得位置信息并与前端传递的位置进行对比，有需要的话可以分析此用户轨迹用以区分人机，如果位置偏差小于一定阈值则认为拼图成功。

2024-07-27 15:30:00 631

原创 实现加载提示组件

在开发时经常需要用到加载提示，例如发起一个请求时就需要给予用户一个交互的反馈，实现一个加载提示组件，重要的部分已经做出注释。附带种实现的提示动画。

2024-07-27 12:00:00 330

原创 前端性能优化方案

前端资源比较庞大，包括HTMLCSSJavaScriptImageFlashMediaFontDoc等等，前端优化相对比较复杂，对于各种资源的优化都有不同的方式，按粒度大致可以分为两类，第一类是页面级别的优化，例如减小HTTP请求数、脚本的无阻塞加载、内联脚本的位置优化等，第二类则是代码级别的优化，例如JavaScript中的DOM操作优化、图片优化以及HTML结构优化等等。

2024-07-26 22:00:00 573

原创 默认行为及阻止

浏览器以及HTML元素提供了一些默认行为，也可以称作默认事件。

2024-07-26 16:58:01 706

原创 蒙层禁止页面滚动的方案

弹窗是一种常见的交互方式，而蒙层是弹窗必不可少的元素，用于隔断页面与弹窗区块，暂时阻断页面的交互。但是在蒙层出现的时候滚动页面，如果不加处理，蒙层底部的页面会开始滚动，实际上我们是不希望他进行滚动的，因此需要阻止这种行为。当弹出蒙层时禁止蒙层下的页面滚动，也可以称为滚动穿透的问题，文中介绍了一些常用的解决方案。首先需要实现一个蒙层下滚动的效果示例，当我们点击弹窗按钮显示蒙层之后，再滚动鼠标的话能够看到蒙层下的页面依旧是能够滚动的。如果在蒙层的内部进行滚动，当蒙层内滚动条滚动到底部的时候再继续滚动的话，蒙层下

2024-07-23 13:00:00 717

原创 可替换元素和非替换元素

可替换元素也称作可置换元素，其展现效果不是由CSS来控制的，这些元素是一种外部对象，它们外观的渲染，是独立于CSS的。非置换元素也称作非替换元素，其内容由CSS渲染直接表现给客户端。

2024-07-23 09:30:00 563

原创 常见的兼容性问题

浏览器有着大量不同的版本，不同种类的浏览器的内核也不尽相同，所以不同浏览器对代码的解析会存在差异，这就导致对页面渲染效果不统一的问题。

2024-07-22 16:00:00 980

基于FastAPI和Vue构建的前后端分离的智能电商客服系统（源码+部署教程，支持多个大模型）.zip
基于FastAPI和 Vue 构建的前后端分离的智能电商客服系统（源码+部署教程，支持多个大模型） 一个基于 FastAPI 和 Vue 3 构建的前后端分离的智能客服助手项目，支持多种大语言模型，如DeepSeek V3，Qwen2.5系列，Llama3系列等。涵盖了 Agent、RAG 在智能客服领域的主流应用落地需求场景。 功能特性 1. 通用问答能力 支持 DeepSeek V3 在线API 支持 使用 Ollama 接入任意对话模型，如Qwen2.5系列，Llama3系列 灵活的模配置 2. 深度思考能力 支持 DeepSeek R1 在线API 支持 使用 Ollama 接入任意 Deepseek r1 模型系列 灵活的模配置 3. ollama 性能测试工具 单请求性能测试 并发性能测试 系统资源监控 自动化测试报告 快速启动 1. 安装依赖 # 创建虚拟环境 python -m venv .venv # 激活虚拟环境 # Windows .venv\Scripts\activate # Linux/Mac source .venv/bin/activate # 安装依赖 pip install -r requirements.txt 2. 配置环境变量 复制 env.example 文件到 llm_backend/.env 文件中，并根据实际情况修改配置： # LLM 服务配置 CHAT_SERVICE=OLLAMA # 或 DEEPSEEK REASON_SERVICE=OLLAMA # 或 DEEPSEEK # Ollama 配置 OLLAMA_BASE_URL=http://localhost:11434 OLLAMA_CHAT_MODEL=deepseek-coder:6.7b OLLAMA_REASON_MODEL=deepseek-coder:6.7b # DeepSeek 配置（如果使用） DEEPSEEK_API_KEY=your-api-key DEEPSEEK_BASE_URL=https://api.deepseek.com/v1 DEEPSEEK_MODEL=deepseek-chat 3. 安装Mysql数据库并在 .env 文件中配置数据库连接信息 4. 启动服务 # 进入后端目录 cd llm_backend # 启动服务（默认端口 9000） python run.py # 如果需要修改 IP 和端口，编辑 run.py 中的配置： uvicorn.run( "main:app", host="0.0.0.0", # 修改监听地址 port=8000, # 修改端口号 access_log=False, log_level="error", reload=True ) 服务启动后可以访问： API 文档：http://localhost:8000/docs 前端界面：http://localhost:8000 技术栈 后端： FastAPI SQLAlchemy MySQL Ollama/DeepSeek 前端： Vue 3 Element Plus TypeScript 注意事项 生产环境部署时： 修改 .env 中的 SECRET_KEY 配置正确的 CORS 设置 使用 HTTPS 关闭 reload=True 开发环境： 可以启用 reload=True 实现热重载 可以设置 log_level="debug" 查看更多日志 基于 FastAPI 和 Vue 3 构建的前后端分离的智能客服助手项目。它支持多种大语言模型，如 DeepSeek V3、Qwen2.5 系列和 Llama3 系列等,涵盖了 Agent 和 RAG 在智能客服领域的主流应用落地需求场景。 主要功能点 通用问答能力:支持 DeepSeek V3 在线 API 和使用 Ollama 接入任意对话模型 深度思考能力:支持 DeepSeek R1 在线 API 和使用 Ollama 接入任意 Deepseek r1 模型系列 Ollama 性能测试工具:包括单请求性能测试、并发性能测试和系统资源监控等功能 技术栈 后端: FastAPI、SQLAlchemy、MySQL、Ollama/DeepSeek 前端: Vue 3、Element Plus、TypeScript

2025-05-14

基于python+html+JavaScript的旅游景点智能导览系统+数据库sql+数据（2025毕设）.zip
基于python+html+JavaScript的旅游景点智能导览系统+数据库sql+数据（2025毕设）.zip [项目说明] 项目介绍 旅游景点智能导览系统，旨在通过现代技术手段，为游客提供全面、便捷、智能的导览服务。平台集成了地图服务、景点介绍、路线推荐等功能，帮助游客更好地规划行程，提高旅游体验。 主要功能模块 用户管理模块：包括用户注册、登录等功能。 地图服务模块：集成高德地图API，实现地图显示、景点标记、路 线规划等功能。 景点推荐模块：根据用户偏好，推荐旅游景点，并提供各个景点的 详细介绍及图片展示 路径规划模块：根据推荐数据结合用户兴趣、消费偏好等需求规划 最优观光路线 项目部署 将sql文件导入本地数据库中 更改final/web.py文件中关于数据库的配置 将final/templates/index_forth.html中的line40,line43改为自己高德地图JS api 中的安全密钥和key 启动web.py文件 用户默认密码为123456_1 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-05-14

基于大模型的金融风险预测及分析项目python源码+数据.zip
基于大模型的金融风险预测及分析项目python源码+数据.zip 【项目介绍】 基于大模型的金融风险预测及分析项目。该项目提供了一些示例代码,包括信用数据分析和风险预测的演示。 主要功能点 利用大模型进行金融风险预测和分析 提供信用数据分析和风险预测的示例代码 技术栈 Python 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-05-14

课程设计基于软件定义网络(SDN)的负载均衡方案项目python实现源码+数据集.zip
基于软件定义网络(SDN)的负载均衡方案项目python实现源码.zip 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-05-13

毕设基于BiLSTM实现评论文本情感分析系统（6种细分情感+模型下载）.zip
毕设基于BiLSTM实现评论文本情感分析系统（6种细分情感+模型下载）.zip 【项目说明】 识别分类6种情感，分别是："中性", "喜爱", "悲伤", "厌恶", "愤怒", "高兴" 测试数据集 1 情感对话生成数据集 测试数据集 2 SMP2020微博情绪分类评测 数据集 train acc test acc 情感对话生成数据集 0.9649 0.9117 SMP2020微博情绪分类 0.8214 0.6771 对于 情感对话生成数据集，我们将问题与回答分开作为一条数据，随机分割 0.1 作为测试集。 对于 SMP2020微博情绪分类数据集，我们使用 测试数据集/真实测试数据/usual_test_labeled.txt 作为测试集。

2025-05-06

基于matlab实现Keller压力表数据源码（课程作业）.zip
基于matlab实现Keller压力表数据源码（课程作业）.zip

2025-05-06

基于python+opencv开发自动检测和测量模拟仪表针角度的图像处理系统+说明文档（图像处理课设）.zip
基于python+opencv开发自动检测和测量模拟仪表针角度的图像处理系统+说明文档（图像处理课设）.zip 这个项目是一个自动检测和测量模拟仪表针角度的图像处理系统。它可以处理模拟仪表的图像,检测圆形仪表表面,识别指针位置,并测量角度。它将处理结果存储在SQLite数据库中,并提供基于时间的绘图功能,包括时间过滤和平均选项。该系统还可以将角度读数转换为压力单位(PSI/BAR),用于压力表监控。 【主要功能】 使用霍夫圆检测算法检测图像中的圆形仪表表面 通过图像处理技术识别仪表指针位置 计算指针角度(以度为单位) 使用线性插值将角度转换为压力值(PSI/BAR) 维护仪表读数历史记录 提供调试模式以进行故障排查 【技术栈】 Python 3 OpenCV(用于图像处理) SQLite3(用于数据存储) Matplotlib(用于绘图,可选)

2025-05-06

毕设新作品基于SpringBoot+Vue前后端分离的光伏发电监测管理系统（完整源码+数据库+多张运行截图）.zip
毕设新作品基于SpringBoot+Vue前后端分离的光伏发电监测管理系统（完整源码+数据库+多张运行截图）.zip 【项目介绍】 光伏发电监测管理系统，基于Spring Boot + Vue前后端分离版本。是一种基于物联网、大数据及云计算技术的智能化管理平台，用于实时监控、分析和优化光伏电站的运行状态，旨在提升发电效率、保障系统安全、降低运维成本，并为电站的长期稳定运行提供数据支持。 前端采用Vue、Element UI。 后端采用Spring Boot、Spring Security、Redis & Jwt。 权限认证使用Jwt，支持多终端认证系统。 支持加载动态权限菜单，多方式轻松权限控制。 高效率开发，使用代码生成器可以一键生成前后端代码。 实时监测电站和设备的运行状态 提供电站发电统计、同比分析、环比分析等数据分析功能 支持尖峰平谷分析、电能质量分析等功能 提供智能报警、运维管理等功能 提供移动端小程序,支持实时监测、统计分析等功能 前端: Vue、Element UI 后端: Spring Boot、Spring Security、Redis、JWT 权限认证: JWT,支持多终端认证 动态权限菜单: 支持加载动态权限菜单,多方式轻松权限控制

2025-05-06

基于python深度学习的人脸识别门禁系统+设计文档（毕业设计）.zip
基于python深度学习的人脸识别门禁系统+设计文档（毕业设计） 项目介绍 这是一个基于深度学习的人脸识别门禁系统，可用于企业、社区等需要进行人员身份识别和权限管理的场景。系统采用深度学习技术进行人脸检测和识别，支持用户管理、权限控制、访问日志记录等功能。 主要功能 人脸识别：使用深度学习模型识别人脸，支持多人脸识别 用户管理：支持注册、删除、查询用户及其权限 访问控制：基于用户角色和权限等级控制门禁访问 访客管理：支持临时访客创建与权限控制 日志记录：自动记录所有访问尝试，支持日志查询 设备管理：支持多设备管理和状态监控 系统要求 Python 3.7+ OpenCV dlib face_recognition PyQt5 (桌面版UI) Flask (Web服务) 摄像头设备(可选，支持模拟模式) 模拟模式说明 为了方便在没有摄像头的环境下使用和演示，系统支持以下几种模拟模式： 1. 样本图像模拟 从预设的样本图像文件夹中随机选择人脸图像，模拟摄像头输入。适合基本功能测试和演示。 2. IP摄像头模式 通过网络连接到IP摄像头或使用手机作为摄像头（通过IP Webcam等应用）。这种模式可以在没有物理摄像头的电脑上使用手机摄像头作为输入源。 使用方法： 在手机上安装IP Webcam应用 启动应用并记录提供的URL地址 在系统设置中选择"IP摄像头"模式并输入URL 3. 场景模拟模式 按顺序播放特定场景下的一系列图像，用于模拟特定的应用场景如人员接近、识别和通过的完整流程。 系统内置多个预设场景，也支持创建自定义场景。 门禁系统模拟元素 系统提供了丰富的门禁模拟元素，增强真实感和用户体验： 1. 开关门动画效果 系统包含精心设计的开关门动画序列，可视化显示门禁状态变化。这些动画显示： 门的开启/关闭过程 权限验证状态 操作进度百分比 2. 声音提示系统 集成声音反馈提供多种音效： 访问授权提示音 拒绝访问警告音 开门/关门操作音 安全警报音效 3. 门禁状态显示 直观显示门禁系统当前状态： 门开启/关闭状态 锁定/解锁状态 最近访问记录 AidLux平台优化 本系统专为AidLux平台优化，确保在Android设备上流畅运行： 1. 自动平台适配 自动检测AidLux平台并应用优化配置 智能调整图像处理参数，降低资源占用 根据设备性能动态调整识别频率 2. 多摄像头API支持 支持AidLux多种摄像头API (CVS, Camera, OpenCV) 摄像头故障自动恢复机制 摄像头不可用时自动切换到模拟模式 3. 手机摄像头集成 支持通过IP Webcam使用手机摄像头 内置摄像头连接测试工具 URL格式自动验证和错误提示 4. Web界面优化 响应式界面设计，适配不同屏幕尺寸 触控友好的交互元素 实时状态更新和动画反馈 5. 原生TFLite模型加速 利用AidLux原生API加载和推理TFLite模型 支持GPU和CPU加速，提高性能 优化内存使用，降低资源占用 活体检测功能 系统集成了先进的活体检测技术，有效防止照片、视频等欺骗手段： 1. 眨眼检测 通过面部特征点跟踪眼睛状态变化 分析眼睛宽高比(EAR)实时变化 要求用户完成眨眼动作确认真人 2. 面部特征点分析 检测468个面部特征点，精确捕捉面部微表情 实时分析面部特征点变化，识别自然面部运动 可视化面部特征点，增强用户体验 3. 姿态变化检测 分析头部姿态变化，防止静态照片欺骗 检测自然的头部运动模式 结合多种特征提高检测准确性 4. 安全流程设计 用户尝试访问时自动启动活体检测 声音和视觉提示引导用户完成验证 多级验证机制，确保安全性 5. TFLite模型支持 使用轻量级TFLite模型进行面部特征点检测 支持离线运行，无需网络连接 针对AidLux平台优化，提供高效推理 注意：首次使用系统前，请确保已下载所需的TFLite模型文件到models目录。如果模型文件不存在，系统将自动尝试下载。 快速开始 安装所需依赖： pip install -r requirements.txt 运行桌面应用： python app/main.py 运行AidLux版本（适用于Android设备）： python app/aidlux_main.py 操作指南 模拟模式设置 进入"系统管理"标签页 勾选"启用模拟模式" 选择需要的模拟类型（样本图像/IP摄像头/场景模拟） 根据选择的模式配置相关参数 点击"应用设置"保存变更 添加样本图像 进入"系统管理"标签页，启用模拟模式 点击"添加样本图像"按钮 选择一个或多个包含人脸的图像文件 图像将被添加到系统的样本库中 创建场景模拟 进入"系统管理"标签页，启用模拟模式并选择"场景模拟"

2025-04-29

毕设Web开发基于React+Node.js实现多人在线中国象棋游戏平台源码（含DFS、BFS搜索+AI对战）+详细说明.zip
毕设Web开发基于React+Node.js实现多人在线中国象棋游戏平台源码（含DFS、BFS搜索+AI对战）+详细说明 【项目说明】 1. 系统概述 中国象棋在线对战系统是一个基于Web的多人在线游戏平台，支持人机对战和在线多人对战模式。系统采用现代Web技术栈构建，提供实时对战、游戏记录回放、聊天系统等功能，为用户提供流畅的中国象棋对弈体验。 2. 系统架构 2.1 整体架构 本系统采用典型的三层架构设计： 前端层：负责用户界面展示和交互 后端层：处理游戏逻辑和业务规则 数据层：负责数据的持久化存储 整个系统通过Socket.io实现前后端的实时通信，保证了对弈过程的即时性和流畅性。 2.2 系统组件图 系统主要由以下组件构成： 前端组件： 客户端UI（React）：整体用户界面框架 游戏棋盘：展示棋盘和棋子 游戏控制器：处理用户的游戏操作 聊天界面：支持对战时的实时聊天 Socket.io客户端：处理与服务器的实时通信 后端组件： Express服务器：提供HTTP API服务 Socket.io服务器：处理实时通信 游戏逻辑模块：实现象棋规则和游戏状态管理 用户管理模块：处理用户认证和信息管理 AI引擎：实现人机对战的AI算法 数据层组件： Sequelize ORM：对象关系映射中间件 MySQL数据库：存储游戏数据和用户信息 2.3 数据流图 系统中的数据流动主要包括： 玩家输入移动 → 前端UI → Socket.io服务器 → 游戏逻辑验证 → 数据库存储 AI计算移动 → 游戏逻辑验证 → Socket.io服务器 → 前端UI → 玩家界面更新 用户聊天信息 → 前端UI → Socket.io服务器 → 其他用户前端 → 聊天界面更新 3. 数据库设计 3.1 数据库架构 系统使用MySQL数据库作为持久化存储，通过Sequelize ORM实现数据的操作和管理。 数据库名称：chinese_chess_db 字符集：utf8mb4 排序规则：utf8mb4_unicode_ci 3.2 核心数据表 games表 存储游戏的所有相关信息，包括棋盘状态、玩家信息、移动历史等。 字段名 类型 描述 约束 id INT 自增主键 AUTO_INCREMENT, PRIMARY KEY gameId VARCHAR(36) 游戏唯一标识符 NOT NULL, UNIQUE boardState JSON 棋盘当前状态 NOT NULL currentTurn VARCHAR(10) 当前回合(red/black) NOT NULL status VARCHAR(20) 游戏状态(waiting/playing/over) NOT NULL, DEFAULT 'waiting' players JSON 玩家信息 NOT NULL moveHistory JSON 移动历史记录 NOT NULL chatMessages JSON 聊天记录 NOT NULL createdAt TIMESTAMP 创建时间 NOT NULL, DEFAULT CURRENT_TIMESTAMP updatedAt TIMESTAMP 更新时间 NOT NULL, DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP 3.3 数据模型设计 系统使用Sequelize ORM管理数据模型，主要模型包括： Game模型： const Game = sequelize.define('Game', { gameId: { type: DataTypes.STRING, primaryKey: true, allowNull: false }, boardState: { type: DataTypes.JSON, allowNull: false }, currentTurn: { type: DataTypes.STRING, allowNull: false }, status: { type: DataTypes.STRING, allowNull: false, defaultValue: 'waiting' }, players: { type: DataTypes.JSON, allowNull: false, defaultValue: [] }, moveHistory: { type: DataTypes.JSON, allowNull: false, defaultVal

2025-04-29

基于python深度学习加密流量分类系统源码（下载即用，部署简单）.zip
基于python深度学习加密流量分类系统源码（下载即用，部署简单）.zip 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-04-26

人工智能作业基于python卷积神经网络(CNN)的垃圾邮件分类系统（含源码+模型+数据+设计报告）.zip
人工智能作业基于python卷积神经网络(CNN)的垃圾邮件分类系统（含源码+模型+数据+设计报告）.zip 【项目介绍】 构建一个能够准确识别中文垃圾邮件的模型。 【主要功能】 数据预处理:从原始数据集中随机选取1000封邮件,包括659封垃圾邮件和341封正常邮件。 模型构建:使用CNN架构,包括词嵌入层、卷积层、最大池化层、全连接层和Dropout层。 模型训练:设置batch_size为100,epoch为400,使用交叉熵损失函数和SGD优化器进行训练。 模型评估:在测试集上计算loss、accuracy、Precision、Recall、F1和混淆矩阵,并绘制ROC曲线。 【技术栈】 Python PyTorch 卷积神经网络(CNN) 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-04-23

金融爬虫与数据分析-基于python实现股吧新浪财经爬虫情感分析舆情分析项目源码+详细运行教程+数据库（本科毕设）.zip
金融爬虫与数据分析-基于python实现股吧新浪财经爬虫情感分析舆情分析项目源码+详细运行教程+数据库（本科毕设）.zip 本地运行 在执行程序前，需要在以下文件中配置相关参数： tools/config.py import pymysql class MyMysql: def __init__(self): self.connect = pymysql.connect( host=Mysql服务IP地址, port=Mysql数据库端口, user=数据库用户名, password=数据库密码, database=数据库名, charset='utf8' ) self.cursor = self.connect.cursor() 如果需要实现邮件发送功能，则还需要配置如下参数： data_process/email_send.py import smtplib from email.mime.application import MIMEApplication from email.mime.text import MIMEText from email.mime.multipart import MIMEMultipart def send_email(): user = '发件人邮箱@qq.com' pwd = 'QQ邮箱的SMTP授权码' to = '收件人邮箱@qq.com' ... 在完成上述配置后，运行data_process/whole_process.py即可自动开始

2025-04-22

基于Django框架开发的学生社团管理系统源码（课程作业）.zip
基于 Django 框架开发的学生社团管理系统。该项目提供了一个可以帮助学生社团管理的解决方案。 主要功能点 社团信息管理: 包括社团基本信息的增删改查 社团成员管理: 包括成员信息的增删改查 社团活动管理: 包括活动信息的发布、查看和管理 技术栈 后端框架: Django 前端技术: HTML、CSS、JavaScript

2025-04-21

期末课设基于python+jieba+request爬虫技术实现B站弹幕评论爬取分析可视化系统+说明文档.zip
期末课设基于python+jieba+request爬虫技术实现B站弹幕评论爬取分析可视化系统+说明文档.zip [功能介绍] 通过视频的BV号获取视频的aid和cid,然后使用cid获取弹幕数据,使用aid获取评论数据,并将数据保存为CSV文件。 对获取的弹幕和评论数据进行预处理,包括去除标点符号、表情、数字等,并使用自定义的词典进行分词。 使用Word2Vec模型将分词后的结果转化为词向量,并对词向量进行降维可视化。 【技术栈】 Python 爬虫技术(requests、BeautifulSoup等) 自然语言处理(jieba、Word2Vec等) 数据可视化(matplotlib等) 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-04-18

大数据课设-基于vue.js+python爬虫的农产品数据可视化分析系统（含完整源码+使用教程）.zip
大数据课设-基于vue.js+python爬虫的农产品数据可视化分析系统（含完整源码+使用教程）.zip [介绍] 运行依赖 以下各依赖版本为推荐配置。 node 14.17.3 LTS npm 7.20.0 python 3.8.16 MySQL 8.0.25 （必须为 MySQL 8） JDK 8u301 （必须为 JDK 8） hadoop 2.7.7 （必须为 hadoop 2.7.x） spark-3.0.3-bin-hadoop2.7 （必须） nginx 1.20.1 （可选，部署需要） 运行方法 第一次运行需要以下步骤进行初始化： 运行后端项目。运行后将自动进行数据库建表，并添加一个超级管理员用户，用户名与密码均为“admin”。 运行爬虫项目。首先爬取区域数据（省、市和市场数据）以及农产品种类数据（种类和品种），然后正是爬取农产品价格和售卖行情数据。 运行前端项目。 之后运行只需要将运行前后端项目，并按需要爬取某一时间段农产品价格和售卖行情数据即可。 在 Linux 操作系统下，详细初始化流程如下（Windows 操作系统类似）： 【主要功能】 爬取农产品价格和销售行情数据 基于Spark的大数据分析和可视化展示 提供管理员后台功能 【技术栈】 前端: Vue.js 后端: Python + Flask 爬虫: Python + Scrapy 数据库: MySQL 大数据处理: Spark

2025-04-18

Android毕业设计-基于Java实现的健身社交APP源码+使用教程.zip
Android毕业设计-基于Java实现的健身社交APP源码+使用教程 Android健身app，在普通健身app的基础上加入了社交功能（类似KEEP、FEEL、轻+、减约、薄荷等） 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项 收起 五个模块 登录和注册模块 健身锻炼模块 朋友圈模块 每日打卡模块 个人信息模块 Tips APP的服务器地址请在 com.lilei.fitness.utils.Constants 中修改，或者在登录界面按 菜单键 进入服务器地址修改界面（Debug用）

2025-04-16

毕设基于vue+webpack+sprinboot的团队聊天室匹配系统（含数据库+前后端源码+部署教程）.zip
毕设基于vue+webpack+sprinboot的团队聊天室匹配系统（含数据库+前后端源码+部署教程）.zip 思路: - 需要把之前的`messageCard`给修改一下，在这个组件加载的同时，向后端获取到`Map<Id, avatarUrl>` 这样一个哈希表,然后前端根据这样一个表来获取到各种用户的id对应的头像，`messageList` 里有对应的ID，所以这个不需要修改 - `messageCard` 还需要设置一下对应的type，从哪个地方转移进来的之类的，或者说，直接把对应`avatarMap` 通过`props`传递过去。 - 那么这么定了，有两个`ChatPage`，`ChatPage`需要做的就是把对应的`avatarMap传递到`messageCard`里面去 - `messageCard` 需要做的就是把`Templete` 重写一下，把头像的地址改成，根据`avatarList`来展示。

2025-04-12

基于Vue.js+Go语言实现试卷网络管理系统完整源码（含前端、后端）+论文+运行教程（98分毕设项目）.zip
基于Vue.js+Go语言实现试卷网络管理系统完整源码（含前端、后端）+论文+运行教程（98分毕设项目）.zip 这是一个面向教师的试卷网络管理系统,使用Golang和vben框架开发。该项目旨在为教师提供一个方便的试卷管理平台。 主要功能点 试卷的上传、下载和管理 试卷的在线编辑和预览 试卷的共享和协作编辑 试卷的统计分析和成绩管理 技术栈 后端: Golang 前端: Vue.js, vben框架 环境准备 在开始运行项目之前，你需要确保系统中已经安装了以下工具： Go：版本 1.20 或更高。 Node.js：用于前端项目的依赖管理和构建。 pnpm：Node.js 的包管理器，可以使用 npm install pnpm -g 进行安装。 步骤 1：csdn下载项目代码 解压重命名为paper-manager cd paper-manager 步骤 2：后端项目运行 2.1 安装 Go 依赖 在项目根目录下，使用以下命令安装 Go 依赖： bash go mod tidy 2.2 启动后端服务 在项目根目录下，运行以下命令启动后端服务： bash go run main.go 默认情况下，后端服务将监听 [::]:3000 端口。你可以使用 -l 标志指定监听地址，例如： bash go run main.go -l [::]:8080 步骤 3：前端项目运行 3.1 安装前端依赖 进入前端项目目录并安装依赖： bash cd frontend/vben pnpm install 3.2 启动前端开发服务器 在前端项目目录下，运行以下命令启动前端开发服务器： bash pnpm run dev 前端开发服务器将默认监听 3344 端口，并在浏览器中自动打开预览页面。 步骤 4：构建项目（可选） 如果你需要构建生产版本的项目，可以按照以下步骤操作： 4.1 构建前

2025-04-11

基于matlab实现蒙特卡洛方法模拟薄膜生长过程源码（课程作业）.zip
基于matlab实现蒙特卡洛方法模拟薄膜生长过程源码（课程作业）.zip 主要功能 使用蒙特卡洛方法模拟薄膜生长过程 不考虑分子间作用力 matlab语言实现 课程作业，仅供参考

2025-04-09

国产不同硬件平台的算法部署模板（含海思、瑞芯微和比特大陆等）+说明文档.zip
不同平台的算法部署模版 本项目旨在提供不同平台的算法部署模板，包括海思、瑞芯微、比特大陆，这些模板可帮助您在各种硬件平台上轻松部署算法，并提供了基本的配置指南。 部署案例 硬件平台 链接 HI3519DV500 Yolov5 支持的平台包括 Algorthim_Deployment/ ├── Bitmain │ └── BM1684X ├── Hisi │ ├── Hi3519_DV500 │ └── SS928 ├── images │ ├── Bitmain │ ├── Hisi │ └── RockChip ├── LICENSE ├── readme.md └── Rockchip ├── RK3588 └── RV1126 海思（Hisilicon）平台 硬件平台 链接 SS928 SS928部署教程 Hi3519_DV500 Hi3519_DV500部署教程 部署步骤： 准备环境：安装适用于海思平台的开发工具链和依赖库。 导出模型：导出你的模型文件。 转换模型文件：将训练好的模型转换为海思平台可用的格式。 配置硬件参数：根据目标硬件平台的特性，调整算法参数和性能设置。 测试和调优：在目标平台上测试部署的算法，并根据性能表现进行调优。 瑞芯微（Rockchip）平台 硬件平台 链接 RV1126 RV1126部署教程 RK3588 RK3588部署教程 部署步骤： 安装环境：配置适用于瑞芯微平台的开发环境和工具链。 导出模型：导出你的模型文件。 模型转换：将训练好的模型转换为Rockchip平台支持的格式。 硬件优化：根据硬件平台的特性进行性能优化和参数调整。 部署测试：在目标平台上进行算法的部署测试，并评估性能和稳定性。 比特大陆（Bitmain）平台 硬件平台 链接 BM1684X BM1684X部署教程 部署步骤

2025-04-07

课程设计基于python实现的智能简历解析系统源码（简历解析、人岗匹配）.zip
课程设计基于python实现的智能简历解析系统源码（简历解析、人岗匹配）.zip 主要功能 简历解析: 利用合适的 prompt 使用 Grok-beta 大模型完成解析任务,得到结构化的 JSON 数据。 人岗匹配: 采用语义相似度和结构化数据相似度结合的方式实现,使用 google-bert/bert-base-chinese 预训练模型。 技术栈 Python Grok-beta 大模型 Google-bert/bert-base-chinese 预训练模型

2025-04-06

基于RAG大模型技术开发的私有知识库智能问答系统源码+运行部署教程.zip
基于RAG大模型技术开发的私有知识库智能问答系统源码+运行部署教程 基于大模型技术开发的智能问答系统,针对本地知识库进行服务。该系统实现了大模型应用部署的五大核心场景:大模型通用领域知识问答、本地私有知识库问答、实时互联网搜索问答、AI代理问答以及大模型推荐系统。同时,该系统包含完整的RAG评估方案和流程,并支持Docker容器部署,提供了灵活高效的应用部署选择。 【主要功能】 综合功能:包括大模型通用领域知识问答、本地私有知识库问答、实时互联网搜索问答、AI代理问答和大模型推荐系统。 数据预处理:从零到一处理并优化百万级公开Wiki语料、Markdown、PDF等多种类型的私有语料。 用户权限管理:实现细粒度的用户访问控制,有效确保数据安全和隐私。 与基础大模型的灵活集成:支持与主流在线和开源大模型集成,确保系统的适应性和前瞻性。 数据库集成:集成关系型数据库和向量数据库,优化数据访问效率和查询响应时间。 高效完备的RAG评估体系:提供完整的RAG评估流水线,为模型评估和优化提供强有力支持。 Docker容器部署:支持Docker容器部署,简化部署过程,增强系统的可移植性和可维护性。 【技术栈】 后端:Python 前端:Vue3 数据库:MySQL、Milvus 容器:Docker

2025-04-03

毕设基于深度学习YOLOv12+React前端+FastAPI后端开发的智能害虫识别检测系统含使用教程（支持docker部署）.zip
基于 YOLOv12 的智能害虫检测系统，提供图像和视频中农作物害虫的实时识别、分析与管理功能。该系统采用全栈架构，包括 FastAPI 后端和 React 前端。 【主要功能】 用户认证(登录/注册) 图像和视频害虫识别上传与结果展示 历史记录管理 个人信息管理 自定义 YOLOv12 模型集成 实时检测结果可视化 检测结果统计分析 响应式界面设计 【环境要求】 Python 3.8+ Node.js 18+ npm 9+ Redis 7+ Docker 20.10+ (可选) 后端 cd backend # 创建并激活虚拟环境 python -m venv .venv source .venv/bin/activate # Linux/Mac # 或 .venv\Scripts\activate # Windows # 安装依赖 pip install -r requirements.txt # 安装本地修改的YOLOv12 pip install -e ./ultralytics # 初始化数据库表结构 python create_tables.py # 启动服务 uvicorn main:app --reload 访问 API 文档：http://localhost:8000/docs 前端 cd frontend npm install npm run dev 访问应用：http://localhost:5173

2025-04-03

RK3588成功移植部署yolov11算法模型（C++可编译完整源码）+使用说明+转换好的模型.zip
RK3588成功移植部署yolov11算法模型（C++可编译完整源码）+使用说明+转换好的模型.zip 含rknn模型、说明、完整教程 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-04-03

毕业设计-分别基于VGG19与EfficientNetV2算法实现中文手写汉字识别系统+详细说明文档.zip
毕业设计-分别使用VGG19与EfficientNetV2算法实现中文手写汉字识别系统+详细说明文档.zip 基于VGG19和EfficientNetV2的中文手写汉字识别项目。该项目使用中科院提供的手写汉字数据集，实现了3755类汉字的识别。项目提供了预训练模型和保姆级教程，帮助新手快速上手。 【功能】 使用EfficientNetV2模型实现3755类汉字识别 提供预训练模型和完整的项目源码 使用中科院提供的手写汉字数据集，无需自行处理数据 提供保姆级教程，帮助新手快速上手 技术栈 Python PyTorch VGG19 EfficientNetV2

2025-04-02

车辆路径规划问题-智能优化算法源码C++、python、java集合（ 模拟退火、粒子群、蚁群、遗传、禁忌搜索、变邻域搜索）.zip
车辆路径规划问题-智能优化算法源码C++、python、java集合（ 模拟退火、粒子群、蚁群、遗传、禁忌搜索、变邻域搜索）.zip 【资源简介】 一些关于车辆路径规划问题（Vehicle Routing Problem, VRP）的智能优化算法。其中包括用于解决旅行商问题（Traveling Salesman Problem, TSP）的模拟退火算法、粒子群算法、蚁群算法、遗传算法、禁忌搜索算法和变邻域搜索算法。此外,还有用于解决VRP问题的基于CFRS（Cluster First Route Second）规则和RFCS（Route First Cluster Second）规则的模拟退火算法。 【主要功能】 提供了多种用于解决TSP和VRP问题的智能优化算法 包含C++、Java和Python三种语言的实现 算法实现涵盖了模拟退火、粒子群、蚁群、遗传、禁忌搜索和变邻域搜索等 技术栈 编程语言: C++、Java、Python 优化算法: 模拟退火、粒子群、蚁群、遗传、禁忌搜索、变邻域搜索

2025-04-02

基于.NET框架和C#语言开发的虚假新闻检测系统源码+部署文档资料（课程设计）.zip
基于.NET框架和C#语言开发的虚假新闻检测系统源码+部署文档资料（课程设计）.zip 使用 Visual Studio 打开 FakeNewsDetector.sln 解决方案文件。 选择 生成 -> 生成解决方案 菜单项，等待项目构建完成。 4.2 使用命令行 打开命令行工具，导航到项目根目录，执行以下命令： bash dotnet build 五、运行项目 在项目构建成功后，就可以运行项目了。可以通过以下两种方式启动项目： 5.1 使用 Visual Studio 打开 FakeNewsDetector.sln 解决方案文件。 按下 F5 键或选择 调试 -> 开始调试 菜单项，启动项目。 5.2 使用命令行 打开命令行工具，导航到项目根目录，执行以下命令： bash dotnet run --project FakeNewsDetector/FakeNewsDetector.csproj

2025-04-01

分别基于传统机器学习方法、传统深度学习方法和bert模型实现虚假新闻检测（含源码+详细部署文档及全部资料）.zip
分别基于传统机器学习方法、传统深度学习方法和bert模型实现虚假新闻检测（含源码+详细部署文档及全部资料）.zip 【项目简介】 一个虚假新闻检测项目,使用了机器学习、深度学习和BERT模型等方法来解决这个中文文本分类问题。项目包含了数据预处理、特征工程、模型训练和评估等完整的流程。 主要功能 使用传统机器学习方法(如随机森林、支持向量机、朴素贝叶斯、逻辑回归等)进行虚假新闻检测 使用深度学习方法(如CNN、RNN)进行虚假新闻检测 使用BERT预训练模型进行虚假新闻检测 提供了完整的代码实现和运行流程 【技术栈】 Python PyTorch Jieba分词 Word2Vec BERT预训练模型 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研

2025-04-01

基于python开发的高校自习室预约系统（含源码+数据库sql+报告及使用说明）.zip
基于python开发的高校自习室预约系统（含源码+数据库sql+报告及使用说明） 【简单运行】 python -m pip install --upgrade pip pip install -r requirements.txt # 检查 ./mydjangoDemo01/settings.py 中的 DATASET列表 # 如果使用 sqlite数据库 python ./mydjangoDemo01/manage.py makemigrations pythoon ./mydjangoDemo01/manage.py migrate python ./mydjangoDemo01/manage.py test # 如果使用 本地mysql数据库 python ./mydjangoDemo01/manage.py test Django 运行代码 进入 django的python环境后, python manage.py runserver Django 同步数据库 python manage.py makemigrations python manage.py migrate

2025-03-27

机器学习课设-深度学习CNN中文情感分析系统python实现源码（含模型+数据+说明文档+设计报告）.zip
机器学习课设-深度学习CNN中文情感分析系统python实现源码（含模型+数据+说明文档+设计报告） 【项目介绍】 这个项目是一个中文情感分析项目，使用了CNN和BI-LSTM两种模型来解决文本分类任务。该项目在小数据集上训练，在验证集上的准确率、召回率和F1因子均接近90%。 主要功能 采用CNN和BI-LSTM两种模型进行中文情感分析 支持不同语料的多种分类任务 提供了模型导出和serving功能 技术栈 Python 3.6 TensorFlow 1.13 scikit-learn 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-03-27

视觉课程实验-基于MeanShift和CamShift算法实现目标跟踪C++实现源码（含实验报告）.zip
视觉课程实验-基于MeanShift和CamShift算法实现目标跟踪C++实现源码（含实验报告）.zip 利用课上学习的meanshift算法对视频中的目标进行跟踪。 具体要求包括: ​ (1)输入一段短视频载入一段视频，选择其中一个物体并对其进行跟踪(使用opencv库函数即可)。 ​ (2)课下学习camshift目标跟踪方法，使用camshift方法对目标物体进行跟踪（使用opencv库函数即可)。 ​ (3)比较camshift方法与meanshift方法的异同，并在报告中进行分析。 提交内容: ​ a.源码。 ​ 完成(1)(30分)完成(2)(30分) ​ 使用c++，提交cpp文件。 ​ b.报告。 ​ 包含实验结果分析及运行结果截图。 原视频截图+(1）中跟踪结果+(2）中跟踪结果+camshaft和meanshift的方法比较（30分) Pdf文件，10+(30)分

2025-03-26

新开发-基于python机器学习实现二手房价预测系统源码+数据集+GUI界面+报告.zip
新开发-基于python机器学习实现二手房价预测系统源码+数据集+GUI界面+报告.zip 基于 pandas、Scikit-Learn、matplotlib 和 PyQt5 的二手房价分析与预测系统。该项目提供了一个可视化的界面,用于分析和预测二手房价格。 [主要功能] 数据导入和预处理 数据分析和可视化 房价预测模型训练和评估 提供可视化的用户界面 [技术] 数据分析和处理: pandas 机器学习算法: Scikit-Learn 数据可视化: matplotlib 用户界面: PyQt5 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-03-26

120类狗不同品种识别数据集2万多张.zip
120类狗不同品种识别数据集2万多张.zip

2025-03-22

毕设新项目基于JavaScript+React+python构建猫狗图像分类应用程序源码（含前端+后端）.zip
毕设新项目基于JavaScript+React+python构建猫狗图像分类应用程序源码（含前端+后端）.zip [介绍] 这是一个使用React构建的猫狗图像分类应用。该项目旨在通过机器学习模型来识别上传的图片是猫还是狗。 主要功能点 图片上传：用户可以上传待分类的图片 图像分类：使用预训练的机器学习模型进行猫狗识别 结果展示：显示分类结果及置信度 技术栈 前端: JavaScript/React (80%) 后端: Python 其他: CSS (15%), HTML (5%) 如何运行 backend: 在backend目录中，您可以运行以下命令： cd backend pip install -r requirements.txt python app.py 在项目目录中，您可以运行以下命令： cd frontend npm install 启动前端应用： npm start

2025-03-22

python贝叶斯过滤垃圾短信模型系统+模型+运行说明.zip
python贝叶斯过滤垃圾短信模型系统+模型+运行说明.zip 【快速开始】 测试的短信内容（可到test.py中修改） 执行测试脚本 python3 test.py 结果输出 垃圾短信测试：（0表示正常短信，1表示垃圾短信） ['0' '1' '0' '0' '0' '0' '1']

2025-03-22

基于深度学习的图像隐写分析系统python源码+答辩PPT+设计报告（可作毕设）.zip
基于深度学习的图像隐写分析系统python源码+答辩PPT+设计报告（可作毕设）.zip ，拿到了95分。 主要任务为实现图像隐写分析以及隐写去除，其中隐写分析采用SRNet网络模型，隐写去除采用DDSP网络模型。 ​ 项目中有4个文件夹，分别为: 0.SRNet、1.GUI、2.DDSP、3.SRNet 其中0.SRNet为图像隐写分析，使用Jessica教授的官方源码，框架为tensorflow；1.GUI为隐写嵌入以及隐写分析可视化演示系统，由PyQ5实现；2.DDSP为图像隐写去除，pytorch实现；3.SRNet为图像隐写分析，pytorch实现。其中自己复现的SRNet网络模型其性能弱于官方代码。 隐写去除 ​ 隐写去除采用的是DDSP模型，DDSP模型本质上是一个GAN网络，和SRGAN网络的结构非常类似，只不过DDSP网络的Generator是一个自编码器Autoencoder，在训练模型的过程中需要先训练自编码器，当自编码器收敛之后，再代入到GAN网络框架中进行对抗训练，GAN网络的鉴别器Discriminator是一个普通的卷积神经网络，主要是判别输入的图片

2025-03-18

基于Dlib库+python+opencv实现的人脸识别系统（支持多人脸同时检测识别+使用说明+gui界面）.zip
基于Dlib库+python+opencv实现的人脸识别系统（支持多人脸同时检测识别+使用说明） 该项目更多详细介绍请看博客：https://blog.csdn.net/Runnymmede/article/details/146262803 【项目说明】 1.多数小白下载后，在使用过程，可能会遇到些小问题，若自己解决不了，请及时私信描述你的问题，我会第一时间提供帮助，也可以远程指导 2.项目代码完整可靠，但难度适中，满足一些毕设、课设要求，且属于易上手的优质项目，项目内基本都有说明文档，按照操作即可，遇到困难也可私信交流 3.适用人群：各大计算机相关专业行业的在校学生、高校老师、公司程序员等下载使用 4.特别是那种爱钻研学习的学霸，强烈推荐此项目，可以二次开发提升自己。拿来作毕设、课设直接用也行，不过尽量弄懂项

2025-03-14

智能车自动导航项目文档开发.zip
智能车自动导航项目文档开发.zip

2025-03-11

2022年美赛赛题数据集.zip
2022年美赛赛题数据集.zip

2025-03-11

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除