试验记录

于 2017-11-29 15:21:34 发布
阅读量213 收藏
点赞数
分类专栏： 深度学习 文章标签： 迁移 图片
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/moulei0322/article/details/78665768
版权

说明：

  • 记录试验过程以及数据
  • 每次更新内容在最上，旧的内容在下，按照时间顺序排列

试验内容：

  • 用迁移学习的方法，利用前期获得的视网膜血管分割 ‘caffemodel’ ，在Caffe框架上进行finetune，重新得到 地面裂缝 识别的caffemodel
  • 样例图片
    • 视网膜血管图片：
      视网膜血管.jpg
    • 地面裂缝图片：
      地面裂缝.jpg

2017-10-31

实验数据：

总览：

  • retina_20171017_21_train_iter_250000.caffemodel (视网膜血管caffemodel)
  • solver.prototxt
  • train_val.prototxt
  • train_val_deploy.prototxt

细览：

  • solver.prototxt
net: "C:/Users/M&L/Documents/Python Scripts/TF/data/train_val.prototxt"
test_iter: 100
test_interval: 500
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 40000
display: 20
max_iter: 10000
momentum: 0.9
weight_decay: 0.0005
snapshot: 30000
snapshot_prefix: "C:/Users/M&L/Documents/Python Scripts/TF/data/transfer_20171027_train"
solver_mode: GPU
  • train_val.prototxt
name: "RetinaNet"
layer {
   type: "Data"
   top: "X" # same name as given in create_dataset!
   top: "y"
   include { 
    phase:TRAIN 
  }
  data_param {
    source: "C:/Users/M&L/Documents/Python Scripts/TF/data/train_lmdb"
    batch_size: 128
    backend: LMDB
  }
 }
layer {
   type: "Data"
   top: "X" 
   top: "y"
   include {
    phase: TEST
  }
  data_param {
    source: "C:/Users/M&L/Documents/Python Scripts/TF/data/test_lmdb"
    batch_size: 128
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "X"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "conv1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "conv2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 128
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 128
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv4_1"
  type: "Convolution"
  bottom: "conv4"
  top: "conv4_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_1"
  type: "ReLU"
  bottom: "conv4_1"
  top: "conv4_1"
}
layer {
  name: "conv4_2"
  type: "Convolution"
  bottom: "conv4_1"
  top: "conv4_2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_2"
  type: "ReLU"
  bottom: "conv4_2"
  top: "conv4_2"
}
layer {
  name: "fc5-my"
  type: "InnerProduct"
  bottom: "conv4_2"
  top: "fc5-my"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 512
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "fc5-my"
  top: "fc5-my"
}
layer {
  name: "drop5"
  type: "Dropout"
  bottom: "fc5-my"
  top: "fc5-my"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "fc5-my"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 512
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 2
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc7"
  bottom: "y"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc7"
  bottom: "y"
  top: "accuracy"
  include {
    phase: TRAIN
  }
}
layer {
 name: "loss"
 type: "SoftmaxWithLoss"
 bottom: "fc7"
 bottom: "y"
 top: "loss"
}
  • train_val_deploy.prototxt
name: "RetinaNet"
input: "data"
input_shape: {
  dim: 1
  dim: 3
  dim: 25
  dim: 25
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "conv1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "conv2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 128
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 128
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv4_1"
  type: "Convolution"
  bottom: "conv4"
  top: "conv4_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_1"
  type: "ReLU"
  bottom: "conv4_1"
  top: "conv4_1"
}
layer {
  name: "conv4_2"
  type: "Convolution"
  bottom: "conv4_1"
  top: "conv4_2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_2"
  type: "ReLU"
  bottom: "conv4_2"
  top: "conv4_2"
}
layer {
  name: "fc5"
  type: "InnerProduct"
  bottom: "conv4_2"
  top: "fc5"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 512
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "fc5"
  top: "fc5"
}
layer {
  name: "drop5"
  type: "Dropout"
  bottom: "fc5"
  top: "fc5"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "fc5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 512
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 2
    weight_filler {
      type: "xavier"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
 name: "result"
 type: "Softmax"
 bottom: "fc7"
 top: "result"
}

图片数据：

序号名称图片大小数量(张)标签文件
1img_seg_train25*2520520train.txt
2img_seg_test25*255016test.txt
3img_seg_veri25*251368veri.txt

将图片数据转换成lmdb格式数据：

  • 创建一个bat文件： lmdb.bat
C:\Caffe\caffe-master\Build\x64\Release\convert_imageset.exe --shuffle --resize_width=25 --resize_height=25 img_seg_train\ train.txt train_lmdb --backend="lmdb"
C:\Caffe\caffe-master\Build\x64\Release\convert_imageset.exe --shuffle --resize_width=25 --resize_height=25 img_seg_test\ test.txt test_lmdb --backend="lmdb"
Pause

Finetune训练：

  • 创建一个bat文件，进行训练run.bat
C:\Caffe\caffe-master\Build\x64\Release\caffe.exe train -solver solver.prototxt -weights retina_20171017_21_train_iter_250000.caffemodel
Pause

其中参数：-weights retina_20171017_21_train_iter_250000.caffemodel 就代表进行finetune

试验结果

  • 识别效果：

    • 标签图片
      标签图标签图
    • 结果图片
      结果图
      结果图

  • 结果分析
    1、图片分辨率太低，背景太复杂，导致特征提取不明显
    25*25 像素级图片

  • loss曲线

    • 未画出

更新

2017/11/01

本次更新主要内容：

  • 对数据切割的大小进行调整，调整为21*21像素大小
  • 考虑到原来数据集较小，通过旋转变换等，将原来图片数据集扩大了三倍，观察是否会有更好的结果，如果结果并不比之前较好，说明迁移学习的方法有待改善

将调整后的数据制作成lmdb文件，重新进行训练，漫长的等待…

更新

2017/11/04

本次更新主要内容：

  • 考虑到上次识别效果特别差，猜想是网络结构的原因，故这次试验使用不同的网络架构——LeNet
  • 本次试验主要参数：
net: "examples/mnist/lenet_train_test.prototxt"
test_iter: 100
test_interval: 500
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
lr_policy: "inv"
gamma: 0.0001
power: 0.75
display: 100
max_iter: 10000
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"
solver_mode: GPU

试验效果：

  • 识别图片&标签图片：

识别结果

标签图片

总体来看是被效果还是不错的，准确率为：0.907308

  • 曲线图：

曲线图

总结：

  • 视网膜血管图片和道路裂缝图片特征相差太大，不能使用视网膜血管中的网络模型
  • 道路裂纹图片中背景复杂，干扰很大，导致在训练时提取特征的困难
康思父
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
制冷系统气密性试验记录.doc
04-26
4. **试验结果**：记录试验后的压力值，对比初始压力，如果压力降在允许范围内，则视为合格。 二、真空试验 真空试验是另一种确认系统密封性的方法，它通过抽真空来检测系统的微小泄漏。在记录中： 1. **设计真空...
关于SSD训练时默认框输出层输出通道num_output的计算
xunan003的博客
02-03 6723
申明，本博文是为解决以下两个问题而撰写。 Check failed: num_priors_ * num_loc_classes_ * 4 == bottom[0]->channels() (264348 vs. 88116) Number of priors must match number of location predictions. Check failed: num_pr
图像语义分割代码实现（1）
热门推荐
zizi7的专栏
08-14 1万+
针对《图像语义分割（1）- FCN》介绍的FCN算法，以官方的代码为基础，在 SIFT-Flow 数据集上做训练和测试。介绍了如何制作自己的训练数据数据准备
Caffe学习系列(3)：视觉层（Vision Layers)及参数
weixin_33850890的博客
12-23 448
所有的层都具有的参数，如name, type, bottom, top和transform_param请参看我的前一篇文章：Caffe学习系列(2)：数据层及参数 本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。 1、Convolution层： ...
caffe 的layer的参数说明
Losteng的博客
03-08 1万+
最近在学习caffe做实验 今天就记录一下layer的参数及这些常用的参数的解释吧主要还是参考官方网站 http://caffe.berkeleyvision.org/tutorial/layers.html下面就介绍一下常用的layer的配置 以caffe中根目录下的models 中caffenet 其中主要有三个文件 deploy.prototxt solver.protot
Caffe代码解读(四):solver_param
Donut的博客
11-05 6823
这是ssd_pascal.py中的一段代码,因为在读ssd的代码,所以贴的这一段,一般别的solver param也差不多...... solver_param = {     # Train parameters //base_lr:网络的基础学习速率,一般设一个很小的值,然后根据迭代到不同次数,对学习速率做相应的变化.lr过大不会收敛,过小收敛过慢     'base_
实验记录模板.docx
04-12
实验记录是科研活动中至关重要的一步，它不仅是对实验过程的详尽记录，更是科研成果的直接反映和未来改进的基础。规范化的实验记录本如"实验记录模板.docx"旨在提供一个标准化的框架，帮助研究人员更好地组织和管理...
水池满水试验记录.doc
04-26
这个试验记录文档详细地列出了进行此类试验时所需记录的各项数据和参数，以确保试验的准确性和完整性。 首先，试验记录编号是区分不同项目的重要标识，它通常包含了工程名称，便于追溯和管理。试验日期则是记录试验...
电力电缆线路试验记录.doc
04-26
电力电缆线路试验记录是电力系统中对安装或维修后的电缆线路进行质量检查的重要环节，确保电缆线路的安全稳定运行。这份文档记录了多个关键参数，包括电缆的型号、规格、长度、额定电压、电缆编号、环境温度以及试验...
漏电开关模拟试验记录.doc
04-26
《漏电开关模拟试验记录》是对电气工程中安装的漏电保护开关进行功能验证的重要文档。这份记录详尽地记录了在特定工程中，漏电开关的模拟试验过程及其结果，确保了电气设备的安全性和可靠性。 漏电开关，全称为漏电...
005 - 马科维茨投资组合理论实现
08-10
python基于tushare实现马科维茨投资组合理论实现
基于ASP的学生信息档案管理系统毕业论文及源码.rar
08-10
资源包主要包含以下内容： ASP项目源码：每个资源包中都包含完整的ASP项目源码，这些源码采用了经典的ASP技术开发，结构清晰、注释详细，帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码，用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件：为了方便用户更好地理解系统的后台逻辑，每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档，以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境，并了解各个数据表之间的关系和作用。 详细的开发文档：每个资源包都附有详细的开发文档，文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料，使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南：为帮助用户更好地理解和使用这些ASP项目，每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程，使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考：对于正在准备毕业设计的学生来说，这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰，还符合常见的毕业设计要求和标准。通过这些项目，学生可以学习到如何从零开始构建一个完整的Web系统，并积累丰富的项目经验。
[毕业设计]VB与Access共筑文档安全管理与分享平台(源代码+论文+答辩PPT).zip
08-10
[毕业设计]VB与Access共筑文档安全管理与分享平台(源代码+论文+答辩PPT)
毕业设计，基于ASP+SqlServer开发的高校工资管理系统，内含完整源代码，数据库，毕业论文
08-10
毕业设计，基于ASP+SqlServer开发的高校工资管理系统，内含完整源代码，数据库，毕业论文 随着网络应用技术的飞速发展，基于网络的应用系统给人们带来了诸多便利。建立高校工资管理系统是为了适应现代化校园管理的需要，方便管理职工工资情况和职工个人信息；同时也方便职工可以上网查询自己的工资信息，还有利于提高办公效率，改善办公质量，规范高校职工工资的常规管理工作。 高校工资管理系统的开发是基于B/S结构，采用ASP编程技术及SQL Server数据库进行开发。本文首先对网站开发环境和运行平台、数据库、ASP编程技术做了简要的介绍，并对工资管理系统的设计进行了详细的需求分析；然后给出了高校工资管理系统的设计方案及系统的具体实现，实现了高校工资管理系统的构建，主要包括系统工资管理模块、职工信息查询模块和系统信息管理及维护模块；最后，通过测试与分析，说明该系统运行稳定、可靠，具有一定的实用价值。 关键词：工资管理系统；信息查询；信息管理；信息维护；网络数据库
基于MATLAB稳态潮流仿真和优化.zip
08-10
基于MATLAB稳态潮流仿真和优化.zip
ASP物流管理系统设计(源代码+论文).rar
08-10
资源包主要包含以下内容： ASP项目源码：每个资源包中都包含完整的ASP项目源码，这些源码采用了经典的ASP技术开发，结构清晰、注释详细，帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码，用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件：为了方便用户更好地理解系统的后台逻辑，每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档，以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境，并了解各个数据表之间的关系和作用。 详细的开发文档：每个资源包都附有详细的开发文档，文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料，使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南：为帮助用户更好地理解和使用这些ASP项目，每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程，使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考：对于正在准备毕业设计的学生来说，这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰，还符合常见的毕业设计要求和标准。通过这些项目，学生可以学习到如何从零开始构建一个完整的Web系统，并积累丰富的项目经验。
yolov8n-pose.onnx
08-10
yolov8n-pose.onnx
之前复现的一个网站论坛项目
最新发布
08-10
之前花了几天时间复现的一个的网站论坛项目 根据书上和视频教程复现得到，基于FLASK框架开发，具备缓存，分布式等功能
java基于ssm+jsp 高校疫情防控出入信息管理系统源码 带毕业论文
08-10
【资源说明】 1、开发环境：ssm框架；内含Mysql数据库；JSP技术 2、该资源包括项目的全部源码，下载可以直接使用！ 3、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为参考资料学习借鉴。 4、本资源作为“参考资料”如果需要实现其他功能，需要能看懂代码，并且热爱钻研，自行调试。
做网络实验记录实际体验过程
05-05
好的，我可以给你讲述我所知道的网络实验记录的实际体验过程。 首先，网络实验记录是指通过计算机网络进行的实验，并将实验过程、实验数据、实验结果等信息记录在计算机上。网络实验记录通常包括以下几个步骤： 1....
评论
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