- 博客(1452)
- 资源 (9149)
- 收藏
- 关注
RSS订阅原创 讨论 Git 在版本控制中的重要性（面试题200合集，中频、实用）
在深入探讨 Git 的重要性之前，我们首先需要理解什么是版本控制以及为什么它如此关键。1. 什么是版本控制？版本控制是一种记录一个或若干文件内容变化，以便将来查阅特定版本修订情况的系统。简单来说，它就像一个“时光机”，可以让你随时回溯到项目的任何一个历史状态。无论是源代码、配置文件、文档还是其他数字资产，版本控制系统都能有效地管理它们的演变过程。2. 为什么需要版本控制？手动备份文件容易出错，一旦误操作或硬盘损坏，历史版本可能永久丢失。多人协作时，很容易发生代码相互覆盖的问题。
2025-05-09 17:41:12
478
1
原创 大语言模型中知识库具体如何切片
它的目的是将原始的、可能非常庞大的文档资料（如 PDF、Word 文档、网页、代码库、数据库记录等）分解成更小、更易于管理和检索的单元，我们称之为“块”（Chunks）或“片段”（Segments/Slices）。通过精心设计和执行知识库切片策略，我们可以为 LLM 提供高质量、上下文相关的知识片段，从而使其能够更有效地回答特定领域的问题，克服其固有知识的局限性。知识库切片没有一刀切的完美方法，最佳策略往往取决于知识库的性质、文档的结构、下游任务的需求以及所用 LLM 的特性。是 200 tokens，
2025-05-09 16:35:14
214
原创 编写一个简单的线性回归模型（面试题200合集，高频、关键）
线性回归是统计学和机器学习领域中一种基础且重要的预测模型。它试图找到一个或多个自变量（解释变量）与一个因变量（响应变量）之间的线性关系。简单线性回归特指只有一个自变量的情况。由于其简单性、易于解释和广泛的应用性，简单线性回归模型是技术面试中的常客。本文将深入探讨简单线性回归模型的理论基础、实现方法、实例应用以及面试中常见的追问点。简单线性回归模型旨在描述因变量 YYY 和自变量 XXX 之间的线性关系。其核心思想是找到一条直线，使得这条直线能够最好地拟合数据点。这条直线被称为回归线。简单线性回归模型的数学表
2025-05-09 15:33:36
457
原创 解释 Docker 在深度学习项目中的应用（面试题200合集，中频、实用）
Docker 已经从一个“锦上添花”的工具演变为深度学习项目中不可或缺的“基础设施”。它通过提供标准化、可移植、可复现的环境，极大地解决了深度学习在依赖管理、团队协作、实验复现和生产部署等方面的核心痛点。熟练掌握 Docker 的原理和实践，并能将其有效地融入 MLOps 流程，是现代深度学习工程师和研究人员必备的关键技能。尽管存在镜像大小、GPU 配置等挑战，但通过采用最佳实践和不断发展的工具生态，这些挑战都是可以有效管理的。
2025-05-09 15:20:17
489
原创 讨论 Weights & Biases（WandB）在实验管理中的应用（面试题200合集，中频、实用）
客户端库 (wandb开发者在 Python 训练脚本中导入wandb库，并通过初始化一个运行（run）。用于记录超参数，用于记录指标和媒体数据，用于管理产物。客户端库会在本地缓存数据，并通过一个后台进程（wandb sync daemon）异步地将这些数据安全地发送到 WandB 的云服务器（或用户自己部署的本地服务器）。接收并存储来自客户端的数据，包括元数据、指标、系统统计信息、文件和 Artifacts。
2025-05-09 14:55:05
430
原创 解释 TensorBoard 在模型训练监控中的作用（面试题200合集，中频、实用）
在模型训练代码中（例如 TensorFlow 或 PyTorch），开发者使用特定的 API（如或 PyTorch 的中的对应方法）来记录需要监控的数据。这些 API 会将数据序列化为特定的 Protocol Buffer 格式。记录的数据被写入到磁盘上的事件文件（通常以.tfevents.开头）中。每个训练运行（run）通常会有一个或多个事件文件，存储在指定的日志目录（logdir）下。用户通过命令行启动 TensorBoard 服务器，并指定包含事件文件的日志目录。。
2025-05-09 14:51:07
297
原创 讨论 OpenCV 在计算机视觉中的应用（面试题200合集，中频、实用）
它包含了超过2500种优化的算法，涵盖了计算机视觉领域的诸多方面，从经典的图像处理到现代的深度学习推理。自诞生以来，OpenCV 经历了多个重要版本的迭代，从最初的图像处理基础功能，逐步扩展到物体检测、机器学习、三维重建、视频分析等高级领域。本文将深入探讨 OpenCV 在计算机视觉中的广泛应用，结合具体实例进行说明，并总结面试中可能遇到的相关追问点，希望能为准备相关面试的同学提供有价值的参考。：用于识别图像中的显著点，并为这些点生成描述性的向量，以便进行匹配和识别。
2025-05-09 11:30:28
550
原创 解释 Hugging Face Transformers 库在 NLP 任务中的应用（面试题200合集，中频、实用）
Hugging Face Transformers (通常简称为) 是一个由Hugging Face公司维护的Python库。它最初专注于提供Transformer模型的PyTorch和TensorFlow实现，但现在已经发展成为一个庞大的生态系统，包含了模型、分词器、配置、训练工具以及一个拥有数万个预训练模型、数据集和指标的中心——Hugging Face Hub。核心理念与目标：易用性：提供简洁统一的API，使得加载预训练模型、进行分词、执行推理或微调模型等操作变得非常简单。
2025-05-09 11:23:43
397
原创 解释 Matplotlib 和 Seaborn 在数据可视化中的作用（面试题200合集，中频、实用）
Matplotlib和Seaborn是Python数据可视化领域的核心工具。Matplotlib提供了底层的灵活性和强大的定制能力，是构建一切可视化图表的基础。Seaborn在此基础上，提供了更高级的接口，专注于统计可视化，使得创建美观且信息丰富的统计图表变得更加简单高效，尤其与Pandas DataFrames配合无间。在实际工作中，两者往往结合使用：利用Seaborn快速生成具有统计意义和良好默认样式的图表框架，然后通过Matplotlib对图表的细节进行精细调整和完善，以满足最终的展示需求。
2025-05-09 11:15:23
496
原创 讨论 Scikit-learn 在机器学习中的应用（面试题200合集，中频、实用）
Scikit-learn起源于Google Summer of Code项目，由David Cournapeau于2007年发起。其设计哲学是提供易于使用、通用、高效且可重用的机器学习组件。核心优势：简洁统一的API设计：Scikit-learn为不同的算法提供了高度一致的API接口。例如，几乎所有的估算器（estimator）对象都遵循fit(X, y)（训练模型）、predict(X)（进行预测）、（数据转换）等接口模式。这种一致性极大地降低了学习成本，使得用户可以轻松地在不同模型之间切换和尝试。
2025-05-09 11:10:50
686
原创 讨论 Pandas 在数据分析中的应用（面试题200合集，中频、实用）
数据导入与导出：连接外部数据源。数据清洗：处理缺失值、重复值等。数据探索：快速生成统计信息和分组分析。数据转换：支持特征工程、合并和重塑。时间序列：处理时间相关数据。可视化支持：为数据可视化提供基础。Pandas 的易用性、高效性和灵活性使其成为数据分析的首选工具，尤其是在探索性数据分析（EDA）、数据预处理和报表生成中。如果你有具体的场景或问题想深入探讨，可以告诉我，我会进一步帮你解答！
2025-05-09 11:02:04
445
原创 面试题：详细解释 NumPy 在数据预处理中的作用（面试题200合集，中频、实用）
NumPy (Numerical Python) 是 Python 中用于科学计算的核心库。它提供了一个强大的 N 维数组对象、复杂的广播功能、用于集成 C/C++ 和 Fortran 代码的工具，以及有用的线性代数、傅里叶变换和随机数功能。
2025-05-09 10:58:51
347
原创 实现一个学习率调度器（面试题200合集，中高频、关键）
它允许你根据训练的进展自动调整学习率，这对于帮助模型跳出局部最优、更快收敛或在训练后期进行微调非常有用。个 epoch 后，将学习率乘以一个衰减因子。这个实现与 PyTorch 中的。
2025-05-09 10:45:00
111
原创 编写一个数据增强的 pipeline（面试题200合集，中高频、关键）
数据增强是一种通过对原始训练数据进行一系列变换来生成新的、合成的训练样本的技术。这些变换旨在模拟真实世界中数据的多样性，同时保持原始数据的标签不变（或进行相应调整，但通常是保持不变）。数据增强 Pipeline 是提升模型性能的关键环节，尤其在处理图像、文本等复杂数据时。有效扩充数据多样性。保持数据标签的准确性。操作合理且强度适中。高效执行（尤其是在线增强）。
2025-05-09 10:27:30
342
原创 实现一个简单的 GAN（面试题200合集，中高频、关键）
生成器 (Generator, G)：负责学习真实数据的分布，并生成新的、与真实数据相似的假数据。它接收一个随机噪声向量zzz（通常从高斯分布或均匀分布中采样）作为输入，并输出与真实数据维度相同的数据GzG(z)Gz。判别器 (Discriminator, D)：负责判断输入的数据是真实的（来自训练集）还是虚假的（由生成器生成）。它接收一个数据样本xxx（可以是真实数据，也可以是GzG(z)Gz）作为输入，并输出一个概率值DxD(x)Dx，表示该样本为真实数据的可能性。
2025-05-09 10:18:55
755
原创 解释如何使用 RNN 进行时间序列预测（面试题200合集，中高频、实用）
时间序列数据是指按时间顺序排列的一系列数据点。时间序列预测的目标是基于历史数据点来预测未来的值。预测未来几天的股票价格。预测未来一小时的电力消耗。预测下一季度的产品销量。RNN，特别是 LSTM 和 GRU，为时间序列预测提供了一个强大的框架。通过仔细的数据准备、合理的模型设计、适当的训练策略和对多步预测方法的理解，可以构建出有效的预测模型。然而，它们并非万能药，理解其局限性并结合具体问题选择合适的方法至关重要。
2025-05-08 18:07:08
769
原创 解释如何 fine-tune 一个预训练的语言模型（面试题200合集，中高频、实用）
预训练语言模型（例如 BERT、GPT 系列、RoBERTa、T5 等）是在大规模无标签文本数据（如维基百科、书籍、网页）上通过自监督学习任务（如掩码语言建模 Masked Language Modeling, 下一句预测 Next Sentence Prediction 等）预先训练好的深度学习模型。这些模型通过预训练学习到了丰富的语言知识、语法结构、语义信息和一定的世界知识，形成了一种通用的语言表示能力。尽管预训练模型学到了通用的语言知识，但它们并没有针对任何特定的下游任务进行优化。
2025-05-08 17:58:18
402
原创 讨论如何使用 CNN 进行图像分割（面试题200合集，中高频、实用）
将图像中的每个像素都划分到某个对象类别。例如，将图像中的所有“汽车”像素标记为“汽车”，所有“道路”像素标记为“道路”，不区分同一类别的不同实例。在语义分割的基础上，进一步区分同一类别的不同实例。例如，图像中有三辆车，实例分割会为每辆车生成一个独立的分割掩码。结合了语义分割和实例分割，为图像中的每个像素分配一个语义标签和一个实例ID。对于可数物体（如人、车），它会进行实例分割；对于不可数背景（如天空、草地），它会进行语义分割。
2025-05-08 17:49:35
460
原创 如何使用预训练模型进行图像分类？（面试题200合集，中高频、实用）
预训练模型是指在大规模数据集上（例如包含数百万张图片和上千个类别的 ImageNet 数据集）已经训练好的神经网络模型。这些模型通过学习识别通用的图像特征（如边缘、纹理、形状等），这些特征对于许多不同的视觉任务都是有用的。VGG (Visual Geometry Group) 系列 (VGG16, VGG19)ResNet (Residual Networks) 系列 (ResNet50, ResNet101, ResNet152)
2025-05-08 17:45:41
833
原创 讨论 GAN 中的模式崩溃（Mode Collapse）问题（面试题200合集，中频、深入）
在数据分布中，“模式”可以理解为数据点集中的区域或簇。在 MNIST 手写数字数据集中，数字 “0” 到 “9” 的每一种都可以被看作是一个模式。在 CelebA 人脸数据集中，不同性别、不同发型、不同表情、戴眼镜或不戴眼镜等特征组合可以构成不同的模式。在一个包含多种动物图像的数据集中，猫、狗、鸟等每种动物可以是一个模式。一个理想的生成器应该能够学习并复现真实数据分布中的所有主要模式，并且能够生成每个模式内部具有多样性的样本。
2025-05-08 17:42:11
575
原创 解释 Transformer 模型中的自注意力机制（面试题200合集，中频、深入）
自注意力机制是 Transformer 模型成功的关键因素之一。它通过让序列中的每个元素关注序列中的所有其他元素，有效地捕捉了元素间的依赖关系，特别是长距离依赖。其并行计算能力和对上下文的强大建模能力，使其在自然语言处理和其他序列建模任务中取得了SOTA的性能。
2025-05-08 17:36:21
378
原创 讨论注意力机制如何提高模型性能（面试题200合集，中频、深入）
注意力机制通过让模型动态地关注输入中最相关的部分，克服了传统模型在处理长序列、复杂依赖关系时的局限性。它不仅提升了模型的性能（如准确率、鲁棒性），还增强了模型的可解释性，并推动了像 Transformer 这样更高效、更强大的模型架构的发展。如今，注意力机制已成为深度学习领域不可或缺的核心组件之一。
2025-05-08 17:28:00
576
原创 解释残差网络如何解决深层网络的训练问题（面试题200合集，中频、深入）
残差网络通过引入快捷连接，让网络学习残差函数，从而极大地简化了深层网络的优化过程。它们有效地解决了困扰传统深层网络的网络退化问题，并缓解了梯度消失问题。这使得研究人员能够成功训练前所未有的深度神经网络，并在各种计算机视觉任务（如图像分类、目标检测、语义分割）中取得了突破性的成果。
2025-05-08 15:14:55
572
原创 解释为什么 batch normalization 可以加速训练（面试题200合集，中频、深入）
Batch Normalization 通过减轻内部协变量偏移、平滑损失曲面、允许使用更高的学习率以及提供轻微的正则化效果，共同作用使得深度神经网络的训练过程更加稳定、高效，从而显著加速了模型的训练。在推理（测试）阶段，BN 使用整个训练集上计算得到的移动平均均值和方差（或者是在训练过程中估计的全局统计量）来进行归一化，以确保输出的确定性。
2025-05-08 15:07:54
513
原创 讨论 L1 和 L2 正则化的区别（面试题200合集，中频、深入）
形式：L1 用绝对值，L2 用平方。效果：L1 产生稀疏解，L2 压缩参数但不置零。优化：L1 更复杂，L2 更平滑。应用：L1 适合特征选择，L2 适合参数平滑。选择哪种正则化取决于任务需求：若追求稀疏性和解释性，选 L1；若追求稳定性和鲁棒性，选 L2；若需兼顾两者，可用 Elastic Net。
2025-05-08 14:16:57
417
原创 解释为什么使用交叉熵损失函数在分类任务中（面试题200合集，中频、深入）
其信息理论基础（最小化 KL 散度）与分类目标一致；对错误预测的强惩罚提高了模型区分能力；与 sigmoid/softmax 输出结合时提供简单有效的梯度；计算高效且易于优化。相比其他损失函数，交叉熵更好地捕捉了分类任务的本质需求，因此成为现代神经网络分类问题的标准选择。
2025-05-08 13:51:36
319
原创 讨论 sigmoid 和 tanh 激活函数的优缺点（面试题200合集，中频、深入）
fx11e−xfx1e−x1其输出范围为01(0, 1)01，输入xxx从负无穷到正无穷时，输出从 0 平滑过渡到 1。fxtanhxex−e−xexe−xfxtanhxexe−xex−e−x其输出范围为−11(-1, 1)−11，输入xxx从负无穷到正无穷时，输出从 -1 平滑过渡到 1。
2025-05-08 11:25:11
472
原创 详细解释为什么 ReLU 激活函数在深层网络中表现更好（面试题200合集，中频、深入）
非饱和性避免了梯度消失问题，保证了深层网络的可训练性；稀疏激活提高了模型的表达能力和计算效率；简单高效的计算方式适应了大规模网络的需求。这些特性共同作用，使 ReLU 成为深层神经网络训练中的关键组件，推动了深度学习在复杂任务上的成功应用。
2025-05-08 11:22:14
658
原创 实现一个模型的评估指标，如 accuracy、precision、recall 等（面试题200合集，中高频、关键）
实现一个模型评估指标的示例。我将使用 Python 实现常见的分类任务评估指标，包括 Accuracy、Precision、Recall 和 F1-Score，并支持多分类场景。我会使用 NumPy 实现，便于理解核心逻辑，同时提供 PyTorch 的示例用法。
2025-05-08 11:10:57
479
原创 编写一个自定义损失函数（面试题200合集，中高频、关键）
假设我们想实现一个均方误差损失，但是我们希望对某些样本或某些特征给予更高的权重。对于一个批次 (batch) 中的第iii个样本：单个样本的损失Liwi⋅yi−yi2Liwi⋅yi−yi2yiy_iyi是真实值 (target)yi\hat{y}_iyi是预测值 (prediction)wiw_iwi是该样本的权重批次的总损失通常是这些加权损失的平均值或总和。Lbatch1N∑。
2025-05-08 11:03:49
570
原创 讨论模型部署中的挑战和解决方案（面试题200合集，高频、关键）
在讨论模型部署中的挑战和解决方案时，我们通常会从技术、工程和运维等多个角度来分析。这是一个常见的面试题，考察候选人对机器学习模型从开发到生产环境的全面理解。在面试中，可以根据具体场景（如实时推荐系统 vs 批处理任务）调整答案侧重点，并结合实际经验（如用过哪些工具、解决过什么问题）来增强说服力。你有具体的部署场景想深入讨论吗？模型部署是一个复杂的过程，涉及性能优化、可扩展性、安全性以及运维管理等多个方面。
2025-04-24 17:58:28
863
原创 解释混淆矩阵（Confusion Matrix）和 ROC 曲线（面试题200合集，高频、关键）
混淆矩阵：像查账，看看模型在“有病”“没病”上分别对了多少、错了多少。ROC曲线：像测视力，检查模型分辨能力，AUC是视力表上的得分。
2025-04-23 17:25:22
386
原创 如何处理不平衡数据集？（面试题200合集，高频、关键）
处理不平衡数据集没有通用的“最佳”方法，具体选择取决于数据特性、任务目标和计算资源。分析数据分布和任务需求。尝试数据层面的过采样/欠采样或增强。调整算法（如加权损失或集成方法）。用合适的指标（如F1、AUC-PR）评估效果。
2025-04-23 17:16:15
873
原创 解释交叉验证（Cross-Validation）在模型评估中的作用（面试题200合集，高频、关键）
模型就像你的菜，数据就是试吃的人。我们不想只用一小部分数据来测试模型（就像只给一个朋友尝），因为结果可能不靠谱——万一这部分数据太简单或太难，模型分数就不公平。交叉验证的做法是把数据分成几份（比如5份或10份），轮流用不同的份来测试模型，其他份用来训练它。但如果每次都找同一群人，他们可能会腻了，或者记住味道，评价就不准了。所以，交叉验证就像让你的菜被不同的人轮流试吃，最后综合大家的评分，确保你的模型（或菜）是真的好，而不是靠运气或者偏心。次测试的误差（比如均方误差之类的）。最后模型的表现通常是。
2025-04-23 16:53:30
246
原创 什么是早停（Early Stopping）？它如何防止过拟合？（面试题200合集，高频、关键）
想象你在教一个学生做数学题。刚开始他啥也不会，你多教几遍，他越学越好，错误越来越少。但如果教太久，他可能会死记硬背，把课本上的题记得滚瓜烂熟，连错别字都背下来，结果一换新题就懵了。早停就像一个聪明的老师，看到学生学得差不多了，就喊停，不让他“学过头”。在模型训练的过程中，监控某个指标（通常是验证集上的表现），如果发现继续训练不再提升效果，就提前停止训练。它的核心思想是抓住模型的“最佳状态”，避免训练过度。
2025-04-23 15:34:34
707
原创 解释动量（Momentum）在优化中的作用（面试题200合集，高频、关键）
想象你在推一个大球下山。光靠每一步的坡度（梯度）推动，球可能会滚得很慢，尤其遇到小坑（局部最小值）就停下来，或者在陡坡上晃来晃去（震荡）。现在，如果你给球加点“惯性”，让它记住之前的速度和方向，就能滚得更快、更稳。这就是动量的核心思想。在优化中，动量是一种加速梯度下降的方法。它通过引入一个“速度”项（velocity），让参数更新不仅依赖当前的梯度，还会参考之前的更新方向。这样，模型就像有了“冲劲”，能更高效地找到损失函数的最优解。加速：跑平路时更快到终点。越障：遇到小坑能冲过去。稳住：窄路不乱晃。
2025-04-23 15:32:43
460
原创 什么是学习率调度（Learning Rate Scheduling）？列举几种方法（面试题200合集，高频、关键）
想象你在学骑自行车。刚开始你可能会用力蹬得很快（大步子），但容易摔倒；等熟练一点后，你会慢下来（小步子），细心调整平衡，最后稳稳地骑好。在机器学习中，学习率就像你蹬车的“步子大小”，而学习率调度就是根据训练的阶段，聪明地调整这个“步子”，让模型学得更快、更稳，最终找到损失函数的最优解。简单来说，学习率调度就是在训练过程中，动态调整学习率的大小，而不是一直用一个固定的值。这样可以避免早期的“莽撞”（步子太大跳过最优解）或者后期的“拖延”（步子太小收敛慢）。
2025-04-23 15:28:39
510
原创 解释学习率（Learning Rate）的作用。如何调整学习率？（面试题200合集，高频、关键）
学习率是控制模型训练收敛性和速度的核心超参数。选择不当会导致训练失败或效率低下。实际应用中，通常不会只使用固定的学习率，而是结合学习率衰减策略或使用自适应学习率算法（如 Adam），并通过实验（如 LR Range Test）来寻找一个合适的初始学习率和调整策略。选择哪种方法取决于具体的任务、模型和数据集。它决定了模型在每次迭代（或每个 batch）中根据损失函数的梯度。学习率是监督学习（尤其是深度学习）中一个非常重要的。
2025-04-23 15:19:25
620
原创 如何选择合适的优化器？比较 SGD、Adam、RMSprop 等（面试题200合集，高频、关键）
在训练机器学习模型时，选择合适的优化器非常重要，因为它直接影响模型的收敛速度、稳定性和最终性能。，因为它在大多数任务中表现良好。如果效果不佳，可以切换到。，并根据具体任务和数据特点进行微调，以获得最佳性能。本文将详细比较它们的特性，并提供选择建议。分别是梯度的一阶和二阶矩估计，是梯度平方的移动平均，是防止除零的小常数。
2025-04-23 15:13:53
783
原创 解释多智能体强化学习（Multi-Agent Reinforcement Learning）（面试题200合集，中频、重要）
多智能体强化学习通过扩展传统强化学习框架，研究多个智能体在动态、交互环境中的策略优化问题。它既有理论上的挑战（如非平稳性和均衡求解），也有广泛的实际应用前景。数学上，它依赖马尔可夫博弈模型，核心是设计算法让智能体在合作或竞争中达到最优。
2025-04-23 14:49:13
648
连接图像滑块以显示不同图像的小型JavaScript应用程序_CSS_HTML_下载.zip
2023-05-02
是一个检测App何时进入后台前台的组件，同时支持多进程检测_Kotlin_Java_下载.zip
2023-05-02
具有运动检测和地理围栏功能的复杂、电池敏感、跨平台背景地理定位_TypeScript_Objective-C_下载.zip
2023-05-02
一个使用NSURLSession后台传输在文件滚动时上传文件的LogFileManager_Objective-C_Sh.zip
2023-05-02
运行后台服务以按预定义的时间间隔获取用户位置并将其经纬度和地址存储到数据库中的演示。-它显示正在进行的通知以显示服务正在.zip
2023-05-02
专为Laravel5整理的后端模板，只写了由页面跳转，给开发者最大的空间自己开发_PHP_HTML_下载.zip
2023-05-02
Cordova启用了后台地理定位，因此您的MeteorCordova应用程序即使在关闭暂停时也可以更新位置_JavaSc.zip
2023-05-02
软件开发综合项目——辛德瑞拉婚纱礼服定制网站，使用SSM框架和Maven管理工具，开发环境为EclipseJeePhot.zip
2023-09-15
基于SSM的电影购票系统框架：Spring+SpringMVC+MyBatis+JSP数据库和工具：MySql,Navi.zip
2023-09-15
一个基于SSM框架的个人日志系统(个人技术博客)_JavaScript_CSS_源码_下载.zip
2023-09-15
ssm集成项目，crm管理系统，crm.sql为数据库文件，使用时需要修改configmysql.properties输.zip
2023-09-15
采用SSM框架的电商网站，数据库采用和MySql。包含用户管理，订单，品类，产品，购物车，地址，在线支付七个模块。项目的.zip
2023-09-15
基于SSM框架实现的高并发商品秒杀系统，c3p0作为连接池，Redis为存储实现高并发，同时通过MySQL优化降低了网络.zip
2023-09-15
django-tracking2跟踪访问者和注册用户在您网站上花费的时间长度 虽然这适用于网站，但更适用于具有注册用户的.zip
2023-09-05
证件照片背景颜色替换；输入一张证件照片，指定背景颜色，运行程序，自动替换证件照片底色_Python_下载.zip
2023-05-03
使用便宜的检测器和RaspberryPi监测和记录背景辐射水平_Python_Shell_下载.zip
2023-05-03
一个可以用代号处理控件的阴影效果，以及用代号在TextView、EditText、Button等控件设置selector.zip
2023-05-03
这是一个使用Swift中的CoreML和CoreImage示例去除图像背景_Swift_下载.zip
2023-05-02
当没有缓冲区打开时，在应用程序的后台显示应用程序提示_JavaScript_Less_下载.zip
2023-05-02
第一个使用jQueryCycle插件作为全屏背景幻灯片的jQuery插件_JavaScript_CSS_下载.zip
2023-05-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人