铭瑾熙-CSDN博客

原创强化学习应用实例

例如一家日本公司 Fanuc，工厂机器人在拿起一个物体时，会捕捉这个过程的视频，记住它每次操作的行动，操作成功还是失败了，积累经验，下一次可以更快更准地采取行动。在库存管理中，因为库存量大，库存需求波动较大，库存补货速度缓慢等阻碍使得管理是个比较难的问题，可以通过建立强化学习算法来减少库存周转时间，提高空间利用率。例如算法 LinUCB （属于强化学习算法 bandit 的一种算法），会尝试投放更广范围的广告，尽管过去还没有被浏览很多，能够更好地估计真实的点击率。

2025-01-09 14:48:17 326

原创深度学习与强化学习

强化学习是机器学习的一个重要分支，是多学科多领域交叉的一个产物，它的本质是解决 decision making 问题，即自动进行决策，并且可以做连续决策。它主要包含四个元素，agent，环境状态，行动，奖励, 强化学习的目标就是获得最多的累计奖励。我们列举几个形象的例子：小孩想要走路，但在这之前，他需要先站起来，站起来之后还要保持平衡，接下来还要先迈出一条腿，是左腿还是右腿，迈出一步后还要迈出下一步。

2025-01-09 14:46:48 335

原创机器学习之强化学习

2024-12-14 11:54:58 359

原创深度学习之全景分割

（两者不是完全的隔绝，实例分割也有用IoU监督的，而confidence score是否能够反映mask的真实质量也有存疑过，这个标准也不是固定的）但是实例分割基于region的，允许重叠的segmentation，而全景分割和语义分割一样是像素级的label，不允许重叠标签的出现。PQ的计算类似mAP，也是类内求取，然后求类间的平均值，以便不敏感类别不平衡。式中出去FP与FN后，剩下的式子描述的是match的segmentation的平均IoU，加上FP与FN是为了惩罚match失败的分割实例。

2024-12-14 11:50:26 850 1

原创深度学习之 DenseNet和2图像分割常用数据集

卷积神经网络结构的设计主要朝着两个方向发展，一个是更宽的网络（代表：GoogleNet、VGG），一个是更深的网络（代表：ResNet）。但是随着层数的加深会出现一个问题——梯度消失，这将会导致网络停止训练。到目前为止解决这个问题的思路基本都是在前后层之间加一个identity connections(short path)。由上图中可知Resnet是做值的相加（也就是add操作），通道数是不变的。

2024-11-30 06:04:56 1006

原创深度学习之CNN在基于弱监督学习的图像分割中的应用

最近基于深度学习的图像分割技术一般依赖于卷积神经网络CNN的训练，训练过程中需要非常大量的标记图像，即一般要求训练图像中都要有精确的分割结果。对于图像分割而言，要得到大量的完整标记过的图像非常困难，比如在ImageNet数据集上，有1400万张图有类别标记，有50万张图给出了bounding box,但是只有4460张图像有像素级别的分割结果。对训练图像中的每个像素做标记非常耗时，特别是对医学图像而言，完成对一个三维的CT或者MRI图像中各组织的标记过程需要数小时。

2024-11-30 06:01:09 678

原创深度学习之Mask-R-CNN

图中灰色部分是原来的RCNN结合ResNet or FPN的网络，下面黑色部分为新添加的并联Mask层，这个图本身与上面的图也没有什么区别，旨在说明作者所提出的Mask RCNN方法的泛化适应能力：可以和多种RCNN框架结合，表现都不错。后面我们把结果对比贴出来（Table2 c & d），能够看到 ROIAlign 带来较大的改进，可以看到，Stride 越大改进越明显。Why K个mask？另外，作者给出了很多实验分割效果，就不都列了，只贴一张和FCIS的对比图（FCIS出现了Overlap的问题）

2024-11-29 12:50:52 973

原创深度学习之DeepLab系列

最终输出的特征与主干网的最后一层特征图融合，特征图增加 5×128=640 个通道。论文受到 Spatial Pyramid Pooling (SPP) 的启发，提出了一个类似的结构，在给定的输入上以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文，称为 ASPP (atrous spatial pyramid pooling) 模块。在实验中发现 DCNNs 做语义分割时精准度不够的问题，根本原因是 DCNNs 的高级特征的平移不变性，即高层次特征映射，根源于重复的池化和下采样。

2024-11-29 12:47:50 1488

原创深度学习之PSPNet

场景解析对于无限制的开放词汇和不同场景来说是具有挑战性的.本文使用文中的pyramid pooling module实现基于不同区域的上下文集成，提出了PSPNet，实现利用上下文信息的能力进行场景解析。对于尤其复杂的场景理解，之前都是采用空间金字塔池化来做的，和之前方法不同（为什么不同，需要参考一下经典的金字塔算法），本文提出了pyramid scene parsing network(PSPNet)。(3) 构建了一个用于state-of-the-art的场景解析和语义分割的实践系统（具体是什么？

2024-11-27 13:30:15 1026

原创深度学习之 RefineNet

接下来仔细看一下RefineNet block，可以看到主要组成部分是Residual convolution unit, Multi-resolution fusion, Chained residual pooling, Output convolutions. 切记这个block作用是融合多个level的feature map输出单个level的feature map，但具体的实现应该是和输入个数、shape无关的。注意如果是像RefineNet-4那样的单输入block这一部分就直接pass了；

2024-11-27 13:29:06 488

原创深度学习之 SegNet

解码网络使用保存的最大池化索引上采样，得到稀疏的特征图，将特征图与可训练的解码滤波器族卷积得到致密的特征图。图3中右边是FCN的解码技术，FCN对编码的特征图进行降维，降维后输入到解码网络，解码网络中，上采样使用反卷积实现，上采样的特征图与降维的编码图进行element-wise add得到最终的解码特征图。可训练的图像分割引擎，包含一个encoder网络，一个对应的decoder网络，衔接像素级分类层，解码网络与VGG16的13层卷积层相同。上采样得到的稀疏图与可训练的滤波器卷积得到致密的特征图。

2024-11-26 10:29:55 696

原创深度学习之U-Net

因为上采样可以补足一些图片的信息，但是信息补充的肯定不完全，所以还需要与左边的分辨率比较高的图片相连接起来（直接复制过来再裁剪到与上采样图片一样大小），这就相当于在高分辨率和更抽象特征当中做一个折衷，因为随着卷积次数增多，提取的特征也更加有效，更加抽象，上采样的图片是经历多次卷积后的图片，肯定是比较高效和抽象的图片，然后把它与左边不怎么抽象但更高分辨率的特征图片进行连接）。(1) 使用全卷积神经网络。第二，由于输入的训练数据是patches，这样就相当于进行了数据增广，解决了生物医学图像数量少的问题。

2024-11-26 10:27:31 1038

原创深度学习之FCN

但是在进入全连接层时，feature map（假设大小为n×n）要拉成一条向量，而向量中每个元素（共n×n个）作为一个结点都要与下一个层的所有结点（假设4096个）全连接，这里的权值个数是4096×n×n，而我们知道神经网络结构一旦确定，它的权值个数都是固定的，所以这个n不能变化，n是conv5的outputsize，所以层层向回看，每个outputsize都要固定，那每个inputsize都要固定，因此输入图片大小要固定。然而在两类层中，神经元都是计算点积，所以它们的函数形式是一样的。

2024-11-21 17:39:35 924

原创深度学习之图像分割

与语义分割不同，实例分割只对特定物体进行类别分配，这一点与目标检测有点相似，但目标检测输出的是边界框和类别，而实例分割输出的是掩膜（mask）和类别。图像分割是预测图像中每一个像素所属的类别或者物体。为图像中的每个像素分配一个类别，如把画面中的所有物体都指出它们各自的类别。

2024-11-21 17:25:40 299

原创深度学习之目标检测的常用标注工具

CVAT 是一款开源的基于网络的交互式视频/图像标注工具，是对加州视频标注工具（Video Annotation Tool）项目的重新设计和实现。 LabelImg 是一款开源的图像标注工具，标签可用于分类和目标检测，它是用 Python 编写的，并使用Qt作为其图形界面，简单好用。当然还有一些数据标注公司，可能包含更多标注功能，例如对三维目标检测的标注（3D Bounding box Labelling），激光雷达点云的标注（LIDAR 3D Point Cloud Labeling）等。

2024-11-20 14:33:25 1398

原创深度学习之目标检测的常用数据集

VOC数据集是目标检测经常用的一个数据集，自2005年起每年举办一次比赛，最开始只有4类，到2007年扩充为20个类，共有两个常用的版本：2007和2012。 COCO的检测任务共含有80个类，在2014年发布的数据规模分train/val/test分别为80k/40k/40k，学术界较为通用的划分是使用train和35k的val子集作为训练集（trainval35k），使用剩余的val作为测试集（minival），同时向官方的evaluation server提交结果（test-dev）。

2024-11-20 14:31:41 371

原创深度学习之目标检测的技巧汇总

颜色变换的增强方法是从色彩空间角度拟合偏置，效果有限的可能性是多样的：1. 真实几何多样性比颜色更简单 2. 色彩的变化多样性更多，导致增强不够反而学不好，颜色空间的欠拟合 3.而NIPS的对抗攻击大赛很多从神经网络的学习策略下手，进行梯度攻击，更加偏向于人为的攻击了，对于普适的检测性能提高意义反而不大，更强调安全需求高的场合。由于实际图像中一定存在光线偏差，所以光线的增强十分有必要（但是IJCV的光流文章指出，3D建模的灯光增强实在是很难学习到，所以对于光线增强的效果不如几何也可能因为。

2024-11-19 15:23:26 1003

原创深度学习之人脸检测

在目标检测领域可以划分为了人脸检测与通用目标检测，往往人脸这方面会有专门的算法（包括人脸检测、人脸识别、人脸其他属性的识别等等），并且和通用目标检测（识别）会有一定的差别，着主要来源于人脸的特殊性（有时候目标比较小、人脸之间特征不明显、遮挡问题等），下面将从人脸检测和通用目标检测两个方面来讲解目标检测。

2024-11-19 15:18:41 1110

原创深度学习之One Stage目标检测算法2

YOLO（You Only Look Once: Unified, Real-Time Object Detection）是one-stage detection的开山之作。之前的物体检测方法首先需要产生大量可能包含待检测物体的先验框, 然后用分类器判断每个先验框对应的边界框里是否包含待检测物体，以及物体所属类别的概率或者置信度，同时需要后处理修正边界框，最后基于一些准则过滤掉置信度不高和重叠度较高的边界框，进而得到检测结果。这种基于先产生候选区再检测的方法虽然有相对较高的检测准确率，但运行速度较慢。

2024-11-17 22:16:10 964

原创深度学习之 Two Stage目标检测算法

R-CNN作为R-CNN系列的第一代算法，其实没有过多的使用“深度学习”思想，而是将“深度学习”和传统的“计算机视觉”的知识相结合。比如R-CNN pipeline中的第二步和第四步其实就属于传统的“计算机视觉”技术。使用selective search提取region proposals，使用SVM实现分类。原论文中R-CNN pipeline只有4个步骤，光看上图无法深刻理解R-CNN处理机制，下面结合图示补充相应文字预训练模型。

2024-11-17 22:02:02 1117

原创深度学习之目标检测基本概念

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。检测-Detection：解决“是什么？在哪里？

2024-11-15 15:08:13 511

原创深度学习之GAN应用

图像超分辨与补全均可以作为图像翻译问题，该类问题的处理办法也大都是训练一个端到端的网络，输入是原始图片，输出是超分辨率后的图片，或者是补全后的图片。 GAN在2014年被提出之后，在图像生成领域取得了广泛的研究应用。对于每一对摄像头都训练一个cycleGAN，这样就可以实现将一个摄像头下的数据转换成另一个摄像头下的数据，但是内容（人物）保持不变。在CVPR19中，[9]进一步提升了图像的生成质量，进行了“淘宝换衣”式的高质量图像生成（如下图），提供了更高质量的行人训练数据。

2024-11-15 15:03:21 821

原创深度学习之其他常见的生成式模型

自回归模型通过对图像数据的概率分布pdataxpdatax进行显式建模，并利用极大似然估计优化模型。pdatax∏i1npxi∣x1x2xi−1pdataxi1∏npxi∣x1x2...xi−1 上述公式很好理解，给定x1x2xi−1x1x2...xi−1条件下，所有pxip(x_i)pxi。

2024-11-14 15:10:30 1006

原创深度学习之GAN的生成能力评价

这个核函数把样本映射到再生希尔伯特空间(Reproducing Kernel Hilbert Space, RKHS) ，RKHS相比于欧几里得空间有许多优点，对于函数内积的计算是完备的。对于GAN的评价问题，作者分别用正样本的分类精度，生成样本的分类精度去衡量生成样本的真实性，多样性。也就是说，这些评价指标的计算无法只利用：生成的样本，真实样本来计算。如果一个GAN过拟合了，那么生成的样本会非常真实，人类主观评价得分会非常高，可是这并不是一个好的GAN。根据前面分析，如果是一个训练良好的GAN，

2024-11-14 15:03:01 866

原创深度学习之生成对抗网络（GAN）

某个模式(mode)出现大量重复样本，例如：上图左侧的蓝色五角星表示真实样本空间，黄色的是生成的。生成样本缺乏多样性，存在大量重复。比如上图右侧中，红框里面人物反复出现。

2024-11-13 15:31:14 2090

原创深度学习之RNNs

并且，时钟周期小组的神经元不会连接到时钟周期大组的神经元，只允许周期大的神经元连接到周期小的(组与组之间的连接以及信息传递是有向的)。CW-RNNs 与 SRNs 网络结构类似，也包括输入层 (Input)、隐藏层 (Hidden)、输出层 (Output)，它们之间存在前向连接，输入层到隐藏层连接，隐藏层到输出层连接。以语句为例，序列中不同单词处的数据对当前隐藏层状态的影响不同，越前面的影响越小，即每个之前状态对当前的影响进行了距离加权，距离越远，权值越小。（5）Woutbias - 输出层的偏置项。

2024-11-13 14:04:24 1143

原创深度学习之 LSTM

RNN在处理长期依赖（时间序列上距离较远的节点）时会遇到巨大的困难，因为计算距离较远的节点之间的联系时会涉及雅可比矩阵的多次相乘，会造成梯度消失或者梯度膨胀的现象。粉色的圈代表 pointwise 的操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。由Kyunghyun Cho等人提出的Gated Recurrent Unit (GRU)，其将忘记门和输入门合成了一个单一的更新门，同样还混合了细胞状态和隐藏状态，和其他一些改动。最终的模型比标准的 LSTM 模型要简单，也是非常流行的变体。

2024-11-12 11:17:41 1076

原创深度学习之循环神经网络(RNN)

其一般处理单个的输入，前一个输入和后一个输入完全无关，但实际应用中，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。由于RNN特有的memory会影响后期其他的RNN的特点，梯度时大时小，learning rate没法个性化的调整，导致RNN在train的过程中，Loss会震荡起伏，为了解决RNN的这个问题，在训练的时候，可以设置临界值，当梯度大于某个临界值，直接截断，用这个临界值作为梯度的大小，防止大幅震荡。中必须包含原始序列中的所有信息，它的长度就成了限制模型性能的瓶颈。

2024-11-12 11:12:28 864

原创深度学习之全连接、局部连接、全卷积与局部卷积

四者的比较如表1所示。，计算每一个x和它聚类中心的残差，然后把残差加起来，即是每个类别k的结果，最后分别L2正则后拉成一个长向量后再做L2正则，正则非常的重要，因为这样才能统一所有聚类算出来的值，而残差和的目的主要是消减不同聚类上的分布不均，两者共同作用才能得到最后正常的输出。那么NetVLAD考虑的主要是最后一层卷积层输出的特征这里，我们不想直接进行欠采样或者全局映射得到特征，对于最后一层输出的W x H x D，设计一个新的池化，去聚合一个“局部特征“，这即是NetVLAD的作用。

2024-11-11 21:56:32 1327

原创深度学习之卷积神经网络相关问题

权值共享带来的好处是大大降低了网络的训练难度。如下图，假设在局部连接中隐藏层的每一个神经元连接的是一个10 × 10的局部图像，因此有10 × 10个权值参数，将这10 × 10个权值参数共享给剩下的神经元，也就是说隐藏层中10^6个神经元的权值参数相同，那么此时不管隐藏层神经元的数目是多少，需要训练的参数就是这 10 × 10个权值参数（也就是卷积核的大小）。卷积神经网络中常见的参数在其他类型的神经网络中也是类似的，但是参数的设置还得结合具体的任务才能设置在合理的范围，具体的参数列表如表XX所示。

2024-11-10 20:02:30 648

原创深度学习之池化、卷积问题

'VALID’填充的方式则相反，实际并不进行任何填充，在输入特征边缘位置若不足以进行卷积操作，则对边缘信息进行舍弃，因此在步长为1的情况下该填充方式的卷积层输出特征维度可能会略小于输入特征的维度。事实上，同一层特征图可以分别使用多个不同尺寸的卷积核，以获得不同尺度的特征，再把这些特征结合起来，得到的特征往往比使用单一卷积核的要好，如GoogLeNet、Inception系列的网络，均是每层使用了多个卷积核结构。在原始版本的Inception模块中，由于每一层网络采用了更多的卷积核，大大增加了模型的参数量。

2024-11-10 19:53:29 950 2

原创深度学习之卷积问题

卷积层中需要用到卷积核（滤波器或特征检测器）与图像特征矩阵进行点乘运算，利用卷积核与对应的特征感受域进行划窗式运算时，需要设定卷积核对应的大小、步长、个数以及填充的方式，如表3所示。常见的卷积主要是由连续紧密的卷积核对输入的图像特征进行滑窗式点乘求和操作，除此之外还有其他类型的卷积核在不同的任务中会用到，具体分类如表5.5所示。在卷积神经网络中，卷积常用来提取图像的特征，但不同层次的卷积操作提取到的特征类型是不相同的，特征类型粗分如表1所示。| 边缘检测（突出边缘差异） |

2024-11-09 23:17:26 1214

原创深度学习之卷积神经网络（CNN）

卷积神经网络是一种用来处理局部和整体相关性的计算网络结构，被应用在图像识别、自然语言处理甚至是语音识别领域，因为图像数据具有显著的局部与整体关系，其在图像识别领域的应用获得了巨大的成功。

2024-11-09 23:09:18 959

原创深度学习经典模型之GoogLeNet

GoogLeNet作为2014年ILSVRC在分类任务上的冠军，以6.65%的错误率力压VGGNet等模型，在分类的准确率上面相比过去两届冠军ZFNet和AlexNet都有很大的提升。从名字GoogLeNet可以知道这是来自谷歌工程师所设计的网络结构，而名字中GoogLeNet更是致敬了LeNet0^{[0]}0。GoogLeNet中最核心的部分是其内部子网络结构Inception，该结构灵感来源于NIN，至今已经经历了四次版本迭代（Inceptionv1−4_{v1-4}v1−4。

2024-11-08 02:07:52 1788

原创深度学习经典模型之VGGNet

VGGNet是由牛津大学视觉几何小组（Visual Geometry Group, VGG）提出的一种深层卷积网络结构，他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军（冠军由GoogLeNet以6.65%的错误率夺得）和25.32%的错误率夺得定位任务（Localization）的第一名（GoogLeNet错误率为26.44%）5^{[5]}5，网络名称VGGNet取自该小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型，同时该网络所采用的3×3。

2024-11-08 02:00:36 709

原创深度学习经典模型之Network in Network

Network In Network (NIN)是由MinLinMin LinMinLin等人提出，在CIFAR-10和CIFAR-100分类任务中达到当时的最好水平，因其网络结构是由三个多层感知机堆叠而被成为NIN5^{[5]}5。NIN以一种全新的角度审视了卷积神经网络中的卷积核设计，通过引入子网络结构代替纯卷积中的线性映射部分，这种形式的网络结构激发了更复杂的卷积神经网络的结构设计，其中下一节中介绍的GoogLeNet的Inception结构就是来源于这个思想。

2024-11-07 12:03:22 1090

原创深度学习经典模型之ZFNet

ZFNet是由MatthewMatthewMatthewDZeilerD. ZeilerDZeiler和RobRobRobFergusFergusFergus在AlexNet基础上提出的大型卷积网络，在2013年ILSVRC图像分类竞赛中以11.19%的错误率获得冠军（实际上原ZFNet所在的队伍并不是真正的冠军，原ZFNet以13.51%错误率排在第8，真正的冠军是ClarifaiClarifaiCl。

2024-11-07 12:01:01 1338

原创深度学习经典模型之Alexnet

AlexNet是由AlexAlexAlex提出的首个应用于图像分类的深层卷积神经网络，该网络在2012年ILSVRCImageNetLargeScaleVisualRecognitionCompetition）图像分类竞赛中以15.3。

2024-11-05 17:22:01 1311

原创深度学习经典模型之LeNet-5

LeNet-5是由LeCunLeCunLeCun提出的一种用于识别手写数字和机器印刷字符的卷积神经网络（Convolutional Neural Network，CNN）1^{[1]}1，其命名来源于作者LeCunLeCunLeCun的名字，5则是其研究成果的代号，在LeNet-5之前还有LeNet-4和LeNet-1鲜为人知。

2024-11-05 17:18:24 502

原创深度学习之数据增强

其中一个重要的原因是，深度神经网络涉及到很多层的叠加，而每一层的参数更新会导致上层的输入数据分布发生变化，通过层层叠加，高层的输入分布变化会非常剧烈，这就使得高层需要不断去重新适应底层的参数更新。大家细想便会发现，的确，对于神经网络的各层输出，由于它们经过了层内操作作用，其分布显然与各层对应的输入信号分布不同，而且差异会随着网络深度增大而增大，可是它们所能“指示”的样本标记（label）仍然是不变的，这便符合了covariate shift的定义。简而言之，每个神经元的输入数据不再是“独立同分布”。

2024-11-04 14:42:43 470

深度学习人脸动漫风格最强模型AnimeGAN PyTorch版本

## PyTorch Implementation of [AnimeGANv2](https://github.com/TachibanaYoshino/AnimeGANv2) **Updates** * `2021-10-17` Add weights for [FacePortraitV2](#additional-model-weights). [![Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/github/bryandlee/animegan2-pytorch/blob/main/colab_demo.ipynb) ![sample](https://user-images.githubusercontent.com/26464535/142294796-54394a4a-a566-47a1-b9ab-4e715b901442.gif) * `2021-11-07` Thanks to [ak92501]

2024-11-30

深度学习 c++ yolo

# DAMO YOLO C++ ![](https://github.com/tinyvision/DAMO-YOLO/raw/master/assets/logo.png) This is an industrial application which do inference on the DAMO YOLO tiny models. Be note, this repo contains source code inference DAMO in C++ via our own DL framework, but didn't include DL framework it-self. You gonna need link our static lib, **Linux version will be supported soon**. Currently, we only support **test on windows**. ![](https://jihulab.com/mingliu/pics/-/raw/main/pictures/2023/03/2

2024-11-30

计算机毕业设计：c++ 深度学习 yolo

2024-11-30

计算机毕业设计：java+进销存+企业进销存管理系统

企业进销存管理系统使用说明书配置源程序附加数据库SQL Server 2000 （1）将TM\01\Database文件夹中的扩展名为db_JXC_Data.MDF和db_JXC_Log.LDF的两个文件拷贝到SQL Server安装路径下的Data文件夹中。（2）打开SQL Server 2000中的“企业管理器”，然后展开本地服务器，在“数据库”数据项上单击鼠标右键，在弹出的快捷菜单中选择“所有任务”/“附加数据库”菜单项。（3）将弹出“附加数据库”对话框，在该对话框中单击【】按钮，选择所要附加数据库的db_JXC_Data.MDF文件，单击【确定】按钮，即可完成数据库的附加操作。发布与运行（1）将光盘\TM\01\JXCManager文件夹拷贝到Eclipse的工作空间中。（2）启动Eclipse。（3）选择“文件”/“导入”菜单项，展开“常规”节点，选择“现有项目到工作空间中”子节点

2024-11-26

计算机毕业设计：JAVA+爬虫

一个JAVA开发的简单网络爬虫可以实现对指定站点新闻内容的获取程序很简单大家一起学习

2024-11-26

计算机毕业设计：VB+学校用电收费管理系统

目录引言…………………………………………………………………………………1 一系统分析………………………………………………………………………………2 ㈠业务流程分析……………………………………………………………………………2 ㈡功能模块划分……………………………………………………………………………2 1 功能介绍…………………………………………………………………………………2 2 档案管理…………………………………………………………………………………3 3 通知管理…………………………………………………………………………………4 4 抄表系统…………………………………………………………………………………5 5 查询系统…………………………………………………………………………………6 6 报表系统…………………………………………………………………………………7 7 交费系统…………………………………………………………………………………8 8 维护系统…………………………………………………………………………………9 9 辅助功能……………………………

2024-11-20

计算机毕业设计：小城西+企业OA小程序

# mobile attendance ## 多语言支持相关数据结构 ### 语言相关全局变量 > Sample Code ```js //app.js App({ onLaunch: function () { //进入应用时检查语言设置 var language = wx.getStorageSync('selectedLanguage'); if(language){ this.globalData.settings.language = language; }else{ //TODO 使用系统语言设定 user-info COUNTRY this.globalData.settings.language = 0; //暂时默认为中文 }, globalData:{ settings:{ language: null }, userInfo:null } }) ``` - App启动时读取LocalStorage, 取得当前语言设置, 并写

2024-11-20

计算机毕业设计：小程序+装修预约小程序

小程序+装修预约小程序

2024-11-19

计算机毕业设计：小程序+家具装修团购小程序

家具装修团购小程序

2024-11-19

计算机毕业设计：java+•基于 J2EE 架构的在线考试系统

现阶段，学校与社会上的各种考试大都采用传统的考试方式，在此方式下，组织一次考试至少要经过五个步骤，即人工出卷、考生考试、人工阅卷、成绩评估和试卷分析。显然，随着考试类型的不断增加及考试要求的不断提高，教师的工作量将会越来越大，并且其工作将是一件十分烦琐和非常容易出错的事情，可以说传统的考试方式已经不能适应现代考试的需要。随着计算机应用的迅猛发展，网络应用不断扩大，如远程教育和虚拟大学的出现等等，且这些应用正逐步深入到千家万户。人们迫切要求利用这些技术来进行在线考试，以减轻教师的工作负担及提高工作效率，与此同时也提高了考试的质量，从而使考试更趋于公证,客观！更加激发学生的学习兴趣。例如目前许多国际著名的计算机公司所举办的各种认证考试绝大部分采用这种方式。为了适应新形势的发展，目前，国内有很多公司团体研究开发了许多基于web的考试系统。二、系统介绍基于数据库和网络应用的系统实现技术有多种，可以采用传统的客户机/服务器（C/S）架构，也可以采用目前流行的基于WEB的方式。所谓客户机/服务器（C/S）模式，即数据库（比如，试题库）内容放在远程的服务器上，在客户机上安装相应软件； C/S

2024-11-15

计算机毕业设计：小程序+体育圈招聘小程序

体育圈招聘小程序

2024-11-15

计算机毕业设计：小程序+电器租赁

2024-11-15

计算机毕业设计论文：java+信息查询与后端信息发布系统

WML信息查询与后端信息发布系统实现 ——WML信息查询设计摘要 21世纪，人类社会已进入崭新的信息化时代，信息技术正以前所未有的速度发展,人们对信息的交互需求也与日俱增。无线通讯技术以及手机终端的发展，从一定程度上满足了人们的需求，人们随时随地上网已经基本实现。首先，无线通讯技术的发展使基于WAP方式的信息浏览查询存在技术前提，这也是我们系统存在的前提；其次，随着无线通讯技术以及手机终端的发展，在当前的无线网络环境下，通过本信息发布系统，人们可以自由发布信息和查询信息，从而实现随时随地的信息交互。结合系统开发所需要的及现行的数据管理技术，系统采用了tomcat＋My eclipse +SQL server 2005数据库进行开发，开发语言为java + WML + WML script。系统完成就酒店、景区等信息的发布，管理，维护等功能，并实现了Internet WEB与WAP两种方式对信息的浏览查询。系统以提供操作简单方便、快捷，易懂易用为开发目标，用户界面设计简洁，操作使用方便，及具有高效的数据处理能力。而SQL SERVER 2005数据库以其强大的数据管理功能保证用

2024-11-14

计算机毕业设计：小程序+柠檬树婚纱照

# wechat_wending ### 微信小程序做一个柠檬树摄影的页面交互 #### 先上效果动态图 #### 个人信息 ![微信个人信息](https://github.com/chocolate1/wechat_wending/blob/master/image/%E4%B8%AA%E4%BA%BA%E4%BF%A1%E6%81%AFGIF.gif) #### 预约 ![微信预约](https://github.com/chocolate1/wechat_wending/blob/master/image/%E5%BE%AE%E4%BF%A1%E9%A2%84%E7%BA%A6GIF.gif) ## 微信上的滑动模块 #### 微信官方网站上有这个组件叫做sroll-view 你可以直接进行引用他的wxml，但是有个问题是你的css里scroll-view中需写入 white-space: nowrap;(强制换行即文本不会换行，文本会在在同一行上继续，直到遇到 标签为止。)而且拖动的元素需在一行内，使用inline-block即可。

2024-11-14

计算机毕业设计：小程序+装修预约

#wxapp_newRestaurant <image src="https://github.com/A13253565831/wxapp_decoration/blob/master/images/galler/01.jpg"></image> <image src="https://github.com/A13253565831/wxapp_decoration/blob/master/images/galler/02.png"></image> <image src="https://github.com/A13253565831/wxapp_decoration/blob/master/images/galler/03.png"></image> <image src="https://github.com/A13253565831/wxapp_decoration/blob/master/images/galler/04.png"></image> <image src="https://github.com/A13253565831/wxapp_decoration/bl

2024-11-13

计算机毕业设计：python+scrapy

17部署scrapy到 scrapyd 16_scrapy 的部署工具介绍-scrapyd 15_抓取过程中的常见问题3-js的处理技巧 14_抓取过程中的常见问题2-cookie的处理 13_抓取过程中的常见问题1-代理ip的使用 12_实用技巧2-图片的抓取 11_实用技巧1-多级页面的抓取技巧 10_Scrapy 框架解读一深入理解爬虫原理 09_“西刺”网站爬虫的核心代码解读 08_抓取进阶-对“西刺”网站的抓取 07_scrapy 内置服务介绍 06_基本概念介绍3-scrapy中的重要对象 05_基本概念介绍2-scrapy的重要组件 03_scrapy的基本使用步骤 02_初步使用scrapy 01_scrapy 是什么

2024-11-13

计算机毕业设计：小程序+大学生阅读

# BookShare "BookShare"是以大学生为主要适用对象，专注于大学生而设计的一款APP，鼓励当代大学生阅读

2024-11-12

计算机毕业设计：小程序+IT书单

# symphony-weapp Symphony 社区平台的微信小程序，提供一些实用工具服务，比如[『书单』](https://hacpai.com/tag/book_share)。小程序暂不支持注册，体验需前往[注册](https://hacpai.com/register?r=Vanessa) ![hacpai 小程序](http://git.oschina.net/uploads/images/2017/0109/095544_a27820f2_301269.png "在这里输入图片标题") ## 登录 ![login](http://git.oschina.net/uploads/images/2017/0108/131646_c5875567_301269.png) * 对 md5.js 进行封装，使其可以在小程序中进行使用 * 微信提交登录请求 * 使用微信数据缓存存储用户标识以实现类似 Cookie 的作用 ## 书单 ![isbn](http://git.oschina.net/uploads/images/2017/0108/131547_5e30

2024-11-12

计算机毕业设计：python+爬虫+百度云爬虫

# BaiduyunSpider 包含百度云网盘爬虫、网站前后端、搜索，整套服务。http://www.githubs.cn/project/16085 ![爱百应](screenshot1.png) ![爱百应](screenshot2.png) ## 技术栈 * 网站： PHP Codeigniter * 爬虫：Python * 搜索引擎：Xunsearch * 数据库：MySql ## 演示站点 * [爱百应搜索](http://pan.ibying.com) - [ ] 分布式爬虫 - [ ] 爬虫IP代理 - [ ] Web 控制面板 - [ ] 死链检

2024-11-12

计算机毕业设计：python+爬虫+b站爬虫

# bilibili-user Bilibili用户爬虫 **该爬虫仅供学习使用** ## 文件介绍 * `bilibili_user.py`：爬虫文件 * `bilibili_user_info.sql`：数据库文件 * `get_face.py`：用户头像下载器 ## Bilibili用户报告（Web App）演示地址：[http://ursb.me/bilibili-report](http://ursb.me/bilibili-report) GitHub：[https://github.com/airingursb/bilibili-report](https://github.com/airingursb/bilibili-report) **跪求Star Orz...** ## 用户数据初步分析 > 转自我的博客 [B站2000万用户分析](http://ursb.me/2016/02/23/B%E7%AB%992000%E4%B8%87%E7%94%A8%E6%88%B7%E5%88%86%E6%9E%90/) ### 基本概况 - 总数据数：201

2024-11-12

计算机毕业设计：python+爬虫+分布式爬虫

distribute_crawler ================== 使用scrapy,redis, mongodb,graphite实现的一个分布式网络爬虫,底层存储mongodb集群,分布式使用redis实现, 爬虫状态显示使用graphite实现。这个工程是我对垂直搜索引擎中分布式网络爬虫的探索实现，它包含一个针对http://www.woaidu.org/ 网站的spider，将其网站的书名，作者，书籍封面图片，书籍概要，原始网址链接，书籍下载信息和书籍爬取到本地： * 分布式使用redis实现，redis中存储了工程的request，stats信息，能够对各个机器上的爬虫实现集中管理，这样可以解决爬虫的性能瓶颈，利用redis的高效和易于扩展能够轻松实现高效率下载：当redis存储或者访问速度遇到瓶颈时，可以通过增大redis集群数和爬虫集群数量改善。 * 底层存储实现了两种方式： * 将书名，作者，书籍封面图片文件系统路径，书籍概要，原始网址链接，书籍下载信息，书籍文件系统路径保存到mongodb 中，此时mongodb使用单个服务器,对图片采用图片的

2024-11-08

计算机毕业设计：python+爬虫+cnki网站爬

##bug报告 1. issue 2. pull request 3. 联系颜登程<yanzhou@mail.ustc.edu.cn> ##使用说明 1. 在src/CnkiSpider.py设置检索条件 2. 执行src/CnkiSpider.py抓取数据 3. 抓取数据存储在/data目录下，文件名格式为"data-keyword-年月日时分秒.txt.txt"，如"data-新媒体-20131128224556.txt" 4. 每个数据文件的第一行为字段名称 5. 每次运行都根据当前时间生成新的数据文件 6. 如果抓取过程中断，可以在src/CnkiSpider.py中设置startPage为中断时的页码，并重新运行src/CnkiSpider.py从中断的页面继续抓取，最后将各个数据文件合并 7. 生成的文本文件直接修改后缀名为.csv然后用LibreOffice打开并在LibreOffice中设置字段分隔符为src/CnkiSpider.py中变量fieldsSep设置的字符串 8. Windows下打开Excel 2013,然后【打开】->【浏览】->

2024-11-08

计算机毕业设计：python+爬虫+爬爱书网

2024-11-08

计算机毕业设计：python+爬虫

doubanspiders ============= 豆瓣电影、书籍、小组、相册、东西等爬虫集 writen by Python. PS: 哎, 八个月后自己尝试设计了下爬虫框架, 感觉doubanspiders代码简直糟蹋了Scrapy, 阿弥陀佛! ###依赖服务 1. MongoDB ###依赖包 1. pip install scrapy 2. pip install pybloom 3. pip install pymongo ###运行豆瓣电影爬虫 1. 进入douban/movie目录 2. 执行scrapy crawl movie ###运行豆瓣相册爬虫 1. 进入douban/album目录 2. 执行scrapy crawl album

2024-11-04

计算机毕业设计：Python+去哪儿携程机票爬虫

# Findtrip说明文档 ## 介绍 Findtrip是一个基于Scrapy的机票爬虫，目前整合了国内两大机票网站（去哪儿 + 携程） ## Introduction Findtrip is a webspider for flight tickets by Scrapy,which contains two major china ticket websites ---- Qua & Ctrip ## 安装在用户目录下执行,将代码clone到本地 ``` git clone https://github.com/fankcoder/findtrip.git ``` 所需运行环境,请看 ./requirements.txt 本程序使用selenium+ phantomjs模拟浏览器行为获取数据，phantomjs浏览器下载地址（当然使用Firefox也可以，不过打开速度就会慢很多） http://npm.taobao.org/dist/phantomjs 数据库使用Mongodb存储，运行需要安装Mongodb，安装传送门 https://www.mongo

2024-11-04

计算机毕业设计：python+爬虫可视化

欢迎使用 SpiderKeeper SpiderKeeper** 是一款基于[scrapyd](https://github.com/scrapy/scrapyd)服务的scrapy爬虫管理程序，实现了对scrapy爬虫的可视化管理，包括爬虫的启动与取消，定时抓取任务的设置和周期执行,并可对在运行爬虫的日志，运行状态进行查看。

2024-11-01

计算机毕业设计：python2+爬虫+股票

一个股票数据（沪深）爬虫和选股策略测试框架，数据基于雅虎YQL和新浪财经。 * 根据选定的日期范围抓取所有沪深两市股票的行情数据。 * 根据指定的选股策略和指定的日期进行选股测试。 * 计算选股测试实际结果（包括与沪深300指数比较）。 * 保存数据到JSON文件、CSV文件。 * 支持使用表达式定义选股策略。 * 支持多线程处理。能干什么如果你想基于沪深股市行情数据进行一些工作，它可以帮助你导出指定时间范围内所有沪深A股的行情数据和一些技术指标，包括代码、名称、开盘、收盘、最高、最低、成交量、均线、KDJ等。 如果你对于技术分析有兴趣，它可以帮你根据你自定义的规则在所有沪深A股的范围内进行选股，并回测选股策略的收益情况（详细说明后面会有）。这样就能够非常方便快捷地测试和调整基于技术分析的选股策略。 还有些什么问题行情数据目前来源于雅虎YQL，每日数据的更新时间不太稳定（一般在中国时间午夜左右）。 目前支持的技术指标还不多，还有一些指标如

2024-11-01

计算机毕业设计：网络爬虫之链家爬取+爬虫

链家爬虫爬取北京地区链家历年二手房成交记录。[链家爬虫](http://lanbing510.info/2016/03/15/Lianjia-Spider.html)一文的全部代码，包括链家模拟登录代码。爬取数据的部分截图 ![Aaron Swartz](https://github.com/lanbing510/LianJiaSpider/raw/master/screenshots/lianjia.jpg)

2024-10-31

计算机毕业设计：QQ群爬去 python+爬虫

QQ-Groups-Spider QQ Groups Spider（QQ 群爬虫）批量抓取 QQ 群信息，包括群名称、群号、群人数、群主、群简介等内容，最终生成 XLS(X) / CSV 结果文件。代码说明运行环境 * Python (2.7) * [bottle](http://bottlepy.org/) (0.12.9) 第三方库支持 * [requests](http://python-requests.org) * [pyexcel](https://github.com/pyexcel/pyexcel) * [XlsxWriter](https://github.com/jmcnamara/XlsxWriter) * [unicodecsv](https://github.com/jdunck/python-unicodecsv) 本地运行 ``` $ python app.py ``` SAE 上运行参照 [https://www.sinacloud.com/doc/sae/python/tutorial

2024-10-31

计算机毕业设计：QQ空间采集分析 python+爬虫

如果出现报错： ``` Traceback (most recent call last): File ".\init.py", line 20, in <module> my_messages.backups() # 备份爬虫信息 NameError: name 'my_messages' is not defined ``` 多半的原因是 BitVector 模块用不了，可自行调试。如果确定是BitVector用不了的话可以用 "BitVector模块报错解决" 里面的两个文件替换掉原有文件，不使用BitVector判重，改用python的list判重（数据量不大的话效果是一样的）。

2024-10-30

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

深度学习 人脸动漫风格最强模型AnimeGAN PyTorch版本

深度学习 c++ yolo

计算机毕业设计：c++ 深度学习 yolo

计算机毕业设计：java+进销存+企业进销存管理系统

计算机毕业设计：JAVA+爬虫

计算机毕业设计：VB+学校用电收费管理系统

计算机毕业设计：小城西+企业OA小程序

计算机毕业设计：小程序+装修预约小程序

计算机毕业设计：小程序+家具装修团购小程序

计算机毕业设计：java+•基于 J2EE 架构的在线考试系统

计算机毕业设计：小程序+体育圈招聘小程序

计算机毕业设计：小程序+电器租赁

计算机毕业设计论文：java+信息查询与后端信息发布系统

计算机毕业设计：小程序+柠檬树婚纱照

计算机毕业设计：小程序+装修预约

计算机毕业设计：python+scrapy

计算机毕业设计：小程序+大学生阅读

计算机毕业设计：小程序+IT书单

计算机毕业设计：python+爬虫+百度云爬虫

计算机毕业设计：python+爬虫+b站爬虫

计算机毕业设计：python+爬虫+分布式爬虫

计算机毕业设计：python+爬虫+cnki网站爬

计算机毕业设计：python+爬虫+爬爱书网

计算机毕业设计：python+爬虫

计算机毕业设计：Python+去哪儿携程机票爬虫

计算机毕业设计：python+爬虫可视化

计算机毕业设计：python2+爬虫+股票

计算机毕业设计：网络爬虫之链家爬取+爬虫

计算机毕业设计：QQ群爬去 python+爬虫

计算机毕业设计：QQ空间采集分析 python+爬虫

计算机毕业设计：网络爬虫之Selenium使用代理登陆爬取去哪儿 python+爬虫+金融数据

python+爬虫+淘宝天猫爬虫+计算机毕业设计

python+爬虫+微博爬虫+计算机毕业设计

爬虫+python+微信公众号爬虫接口+计算机毕业设计

JAVA语言考试系统的设计与实现(论文+源代码+文献综述+外文翻译+开题报告)

计算机毕业设计-JAVA在线考试管理系统(源代码+论文+开题报告+外文翻译+英文文献+答辩PPT)

计算机毕业设计-java-作业管理系统

计算机毕业设计-java信息查询与后端信息发布系统实现

计算机毕业设计-Python2-乌云公开漏洞、知识库爬虫和搜索

爬虫-Python2-计算机毕业设计

空空如也

深度学习人脸动漫风格最强模型AnimeGAN PyTorch版本