uniapp基于Android的在线招聘求职平台的小程序_015s5

总体上看,基于Android的在线招聘平台具有用户管理、企业管理、行业领域管理、岗位分类管理、企业招聘管理、应聘信息管理、录取通知管理、在线留言管理等功能模块。
 前端开发:vue
语言:java+python+nodejs+php均支持
运行软件:idea/eclipse/vscode/pycharm/wamp均支持
框架支持:Ssm/django/flask/thinkphp/springboot/springcloud均支持
数据库 mysql
数据库工具:Navicat等
小程序端运行软件  微信开发者工具/hbuiderx
uni-app框架:使用Vue.js开发跨平台应用的前端框架,编写一套代码,可编译到Android、小程序等平台。


原生wxml开发对Node、预编译器、webpack支持不好,影响开发效率和工程构建。所以都会用uniapp框架开发
前后端分离,后端给接口和API文档,注重前端,接近原生系统
利用安卓操作系统下的应用平台,发展一套Android的在线招聘平台,将会给企业来更大的效益,而在在线招聘效能上,也必然会有很大的方便!这样可以节省大量的人力、时间和金钱。该系统主要包括行业领域、企业招聘、应聘信息、录取通知、在线留言等。方便了管理员随时随地,只要电脑联网,就能对所有信息等进行管理。
本篇论文对Android的在线招聘平台的需求分析、功能设计、系统设计进行了较为详尽的阐述,并对系统的整体设计进行了阐述,并对各功能的实现和主要功能进行了说明,并附上了相应的操作界面图。
关键词:基于Android的在线招聘平台;
 (1)用户在安卓APP页面各种操作可及时得到反馈。
(2)该平台是提供给多个用户使用的平台,用户使用之前需要注册登录。登录验证后,用户才可进行各种操作[7]。
(3)管理员用户拥有信息新增,修改和删除等权限。
(4)数据库表设计简单,各表之间联系直观清晰明了。
(5)界面布局设计简洁合理,能够让用户具有更加流畅且愉悦的体验。

目  录
摘  要    I
Abstract    II
1 绪  论    1
1.1研究背景    1
1.2研究目的及意义    2
1.3研究方法    2
2 系统开发环境及关键技术    3
2.1 Java语言介绍    3
2.2 springboot框架    3
2.3 HBuilderX简介    4
2.4 MySQL数据库介绍    4
3 系统的设计    5
3.1 APP性能需求    5
3.2可行性分析    6
3.2.1经济可行性    6
3.2.2技术可行性    7
3.2.3社会可行性    7
3.3系统用例分析    7
3.4软硬件需求    8
3.5系统流程图    8
4 系统设计    10
4.1系统设计总体描述    10
4.2数据库设计    12
4.2.1 数据库系统    12
4.2.2数据库实体及属性    12
4.2.3数据库设计表    12
5系统的实现    14
5.1 App端用户功能的实现    14
5.2 App端企业功能的实现    14
5.2管理员服务端功能的实现    16
6系统测试    27
6.1 系统测试运行环境    27
6.2 系统测试    27
6.3 测试运行记录    28
6.4系统运行与维护    29
结  论    30
参考文献    31
致  谢    32

  • 14
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
`deeplabv3_unet_s5-d16` 是 mmsegmentation 提供的一种语义分割模型,其网络结构是将 DeepLabv3 和 UNet 结合在一起,可以同时兼顾 DeepLabv3 的优秀语义分割能力和 UNet 的精细边缘检测能力。 具体来说,`deeplabv3_unet_s5-d16` 的 backbone 是一个 ResNet-101,decode_head 是一个 Deeplabv3+UNet 的结合体,其中 DeepLabv3 部分使用空洞卷积(ASPPHead)来扩大感受野,UNet 部分使用上采样和融合不同层的特征图来增强精细边缘检测的能力。该模型的输入大小为 $512\times512$,输出大小为 $512\times512$,输出通道数为 19(COCO 数据集的类别数)。 下面是该模型的网络结构: ```python norm_cfg = dict(type='BN', requires_grad=True) model = dict( type='EncDec', backbone=dict( type='ResNet', arch='resnet101', replace_stride_with_dilation=[False, True, True], output_stride=16), decode_head=dict( type='DepthwiseSeparableASPPHead', in_channels=2048, in_index=3, channels=512, dilations=(1, 12, 24, 36), c1_in_channels=256, c1_channels=48, dropout_ratio=0.1, num_classes=19, norm_cfg=norm_cfg, align_corners=False, loss_decode=dict( type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0)), auxiliary_head=dict( type='FCNHead', in_channels=1024, in_index=2, channels=256, num_convs=1, concat_input=False, dropout_ratio=0.1, num_classes=19, norm_cfg=norm_cfg, align_corners=False, loss_decode=dict( type='CrossEntropyLoss', use_sigmoid=False, loss_weight=0.4))) ``` 其中,`DepthwiseSeparableASPPHead` 是 DeepLabv3 的 ASPPHead 和 UNet 的 Decoder 部分结合的产物,`FCNHead` 是 UNet 的 Encoder 部分。该模型在训练时使用交叉熵损失函数,损失函数的权重为 1.0 和 0.4(对应 decode_head 和 auxiliary_head)。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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