- 博客(31)
- 收藏
- 关注
RSS订阅原创 项目实训11——用户编写sql语句insert、select数据
用户不仅可以通过json数组进行insert或select，还可以通过编写sql语句进行insert或select。
2022-06-09 08:57:42
248
1
原创 项目实训10——有join条件的select
前端增加join关系输入框，并且只有在选择select的时候才显示到页面上。效果如下：新增变量代表是否选择select单选组添加isSelect响应改变方法@change=“changeType”join关系输入框通过v-if显示或隐藏2.JSON格式添加字段添加flag字段表示是否有join条件，添加join字段保存join条件。示例如下：3.后端处理4.效果展示......
2022-06-05 17:21:38
406
原创 项目实训7——使用事务实现回滚
首先设置事务不自动提交：然后把想要一次性提交的几个sql语句用事务进行提交若捕获了执行异常，进行回滚，回滚到设置不自动提交之前，记得把事务再改成自动提交。
2022-06-04 10:05:05
364
原创 项目实训6——解决指定数据库操作数据的问题
因为这个项目一直在使用Mybatis框架操作数据库，我们的思路只局限于如何使用Mybatis切换数据库。刚好我在进行查询操作的时候使用了原生JDBC，就想到了我们可以在每次需要进行指定用户数据库操作时，根据前端用户传来的需要操作哪个数据库的指定信息，拼接形成url，实现指定数据库。...
2022-06-03 10:29:23
63
原创 项目实训4——初步完成用户上传json处理
我们项目是这样提供用户上传数据功能的：用户上传json数据，系统验证该json数据格式是否符合管理员定义的标准，如果符合，则将其插入数据中心数据库的相关表中。实现这个功能共包含以下几个难点：解析json数据，配置多个数据源，多个数据源的使用，将解析好的JSONObject对象转化成操作数据库的sql语句。我采用了FastJson提供的对象JSONObject进行json解析。......
2022-04-16 23:36:10
144
原创 项目实训3——完成部分功能的前后端交互和后端代码设计和编写
本周我使用axios、springboot、mybatis完成了我们项目处理申请和历史申请功能的前后端交互和后端代码设计和编写。
2022-04-11 12:43:03
1690
原创 LeNet-5 数字识别（下）
一、配置Train Program 配置然后我们需要设置训练程序 train_program。它首先从分类器中进行预测。 在训练期间，它将从预测中计算 avg_cost。注意: 训练程序应该返回一个数组，第一个返回参数必须是 avg_cost。训练器使用它来计算梯度。def train_program(): """ 配置train_program Return: predict -- 分类的结果 avg_cost -- 平均损失
2021-12-23 15:51:23
1012
原创 LeNet-5 数字识别（上）
一、背景介绍当我们学习编程的时候，编写的第一个程序一般是实现打印"Hello World"。而机器学习（或深度学习）的入门教程，一般都是 MNIST 数据库上的手写识别问题。原因是手写识别属于典型的图像分类问题，比较简单，同时MNIST数据集也很完备。MNIST数据集作为一个简单的计算机视觉数据集，包含一系列如图1所示的手写数字图片和对应的标签。图片是28x28的像素矩阵，标签则对应着0~9的10个数字。每张图片都经过了大小归一化和居中处理。MNIST数据集是从 NIST 的Special Datab
2021-12-23 15:32:33
1566
原创 卷积神经网络：LeNet-5
2021SC@SDUSCLeNet-5卷积神经网络的整体框架：特征映射：一幅图在经过卷积操作后得到结果称为特征图。LeNet-5共有8层，包含输入层，每层都包含可训练参数；每个层有多个特征映射(，每个特征映射通过一种卷积核（或者叫滤波器）提取输入的一种特征，然后每个特征映射有多个神经元。C层代表的是卷积层，通过卷积操作，可以使原信号特征增强，并且降低噪音。 S层是一个降采样层，利用图像局部相关性的原理，对图像进行子抽样，可以减少数据处理量同时保留有用信息。计算公式：输入图像的大小为nxn，卷积核的
2021-12-14 14:24:38
11377
1
原创 L2Decay
2021SC@SDUSCpaddle.regularizer. L2Decay ( coeff=0.0 )参数:coeff (float) – 正则化系数，默认值为0.0。L2Decay实现L2权重衰减正则化，用于模型训练，有助于防止模型对训练数据过拟合。该类生成的实例对象，需要设置在 cn_api_paddle_ParamAttr 或者 optimizer (例如 Momentum )中，在 ParamAttr 中设置时， 只对该网络层中的参数生效；在 optimizer 中设置时，会对所有
2021-12-10 12:10:50
1055
原创 通过OCR实现验证码识别
2021SC@SDUSC一、概要本篇将介绍如何通过飞桨实现简单的CRNN+CTC自定义数据集OCR识别模型，数据集采用CaptchaDataset中OCR部分的9453张图像，其中前8453张图像在本案例中作为训练集，后1000张则作为测试集。二、运行环境Paddle 2.2.0三、自定义数据集读取器常见的开发任务中，我们并不一定会拿到标准的数据格式，好在我们可以通过自定义Reader的形式来随心所欲读取自己想要数据。设计合理的Reader往往可以带来更好的性能，我们可以将读取标签文件列表、制
2021-11-30 10:31:19
4292
原创 Week8：CTC Loss
2021SC@SDUSC1.CTC loss出现的背景在图像文本识别、语言识别的应用中，所面临的一个问题是神经网络输出与ground truth的长度不一致，这样一来，loss就会很难计算，举个例子来讲，如果网络的输出是”-sst-aa-tt-e'', 而其ground truth为“state”，那么像之前经常用的损失函数如cross entropy便都不能使用了，因为这些损失函数都是在网络输出与ground truth的长度一致情况下使用的。除了长度不一致的情况之外，还有一个比较难的点在于有多.
2021-11-24 16:27:42
4660
原创 Week:7 版面分析与表格识别技术：PP-Structure
2021SC@SDUSC1.核心功能支持对图片形式的文档进行版面分析，可以划分文字、标题、表格、图片以及列表5类区域（与Layout-Parser联合使用）支持文字、标题、图片以及列表区域提取为文字字段（与PP-OCR联合使用）支持表格区域进行结构化分析，最终结果输出Excel文件支持Python whl包和命令行两种方式，简单易用支持版面分析和表格结构化两类任务自定义训练2.版面分析与表格识别核心技术（1）传统方法：版面分析比较著名的是O’Gorman在1993年TPAMI中发表的算法
2021-11-15 11:33:31
5142
5
原创 Week6：PACT量化
2021SC@SDUSC模型量化简单来说就是用更低比特数据（如8位整型）代替原浮点数据（32位）。听上去似乎是非常简单，但是实际操作下来会发现这个坑远远比想象中的大。量化最核心的挑战，是如何在减少模型数据位宽的同时，模型的准确度不要掉下来，也就是在压缩率与准确率损失间作trade-off。这衍生出很多有趣的子问题，比如量化对象是谁（weight，activation，gradient），量化到几位（8位，4位，2位，1位），量化参数选哪些（如moving rate，clipping value），量化参数
2021-11-07 19:50:14
1623
原创 Week5:线性学习率热身——warm up
2021SC@SDUSC1.什么是学习率？（1）理解学习率将输出误差反向传播给网络参数，以此来拟合样本的输出。本质上是最优化的一个过程，逐步趋向于最优解。但是每一次更新参数利用多少误差，就需要通过一个参数来控制，这个参数就是学习率（Learning rate）,也称为步长。从bp算法的公式可以更好理解：（2）学习率对模型的影响从公式就可以看出，学习率越大，输出误差对参数的影响就越大，参数更新的就越快，但同时受到异常数据的影响也就越大，很容易发散。2.什么是warmup？warmup是一种学习
2021-10-28 15:03:20
1219
原创 Week4:L2正则化
2021SC@SDUSCL2 正则化公式非常简单，直接在原来的损失函数基础上加上权重参数的平方和：L=Ein+λ∑jw2j其中，Ein 是未包含正则化项的训练样本误差，λ 是正则化参数，可调。但是正则化项是如何推导的？接下来，我将详细介绍其中的物理意义。我们知道，正则化的目的是限制参数过多或者过大，避免模型更加复杂。例如，使用多项式模型，如果使用 10 阶多项式，模型可能过于复杂，容易发生过拟合。所以，为了防止过拟合，我们可以将其高阶部分的权重 w 限制为 0，这样，就相当于从高阶的形式转换为低
2021-10-24 23:31:27
571
原创 Mybatis-plus selectByMap条件查询
List<T> selectByMap(@Param("cm") Map<String, Object> columnMap);如上，可以看到BaseMapper中的selectByMap接口需要的参数是Map<String ,Object>，故Map<String, Object> map=new HashMap<>();map.put("列名1",约束1);//条件1map.put("列名2",约束2);//条件2xxxMapper
2021-10-19 20:23:34
4076
原创 Week3：CRNN文本识别
2021SC@SDUSC一.简介PaddleOCR算法主要包含三个部分，分别是：DB文本检测检测框矫正CRNN文本识别在训练时，这三个模型单独进行训练，得到三个模型的训练权重，在推理预测时会把三个模型整合在一起，即PaddleOCR推理模型的最终结果是由上述三个模型串联推理而得，推理步骤大致如下：进行文本检测，得到文本位置的检测框；根据得到的文本检测框对其进行角度分类；进行文本识别。二.CRNN 介绍 CRNN 模型，即将 CNN 与 RNN 网络结合，共同训练。主要用于在一定
2021-10-17 20:55:38
1595
原创 Vue项目创建及插件安装
1.使用vue自带的图形界面vue ui2.记得关掉git仓库3.下一步选择手动配置。4.5.6.点击创建项目7.点击插件进行插件安装安装完成之后，要点击完成安装，进行调用，不然会出现问题。8.最后Ctrl+c终止操作...
2021-10-14 20:47:37
206
原创 @Component注解的作用
1、@controller 控制器（注入服务）用于标注控制层，相当于struts中的action层2、@service 服务（注入dao）用于标注服务层，主要用来进行业务的逻辑处理3、@repository（实现dao访问）用于标注数据访问层，也可以说用于标注数据访问组件，即DAO组件.4、@component （把普通pojo实例化到spring容器中）泛指各种组件，就是说当我们的类不属于各种归类的时候（不属于@Controller、@Services等的时候），我们就可以使用@Compon
2021-10-14 19:37:22
4364
原创 Week2：PaddleOCR论文分析及文字识别部分关键策略简介
2021SC@SDUSC1.PaddleOCR论文分析PP-OCR是一种实用的超轻型OCR系统。整个PaddleOCR模型仅用3.5M识别6622个汉字;2.8M识别63个字母数字符号。PP-OCR引入了一系列策略来增强模型的能力、减小模型的规模。并给出了相应的烧蚀实验和实际数据。同时，发布了几个预先训练的中英文识别模型，包括文本检测器(使用97K图像)、方向分类器(使用600K图像)和文本识别器(使用17.9M图像)。此外，该算法在法语、韩语、日语和德语等语言识别任务中也得到了验证。PP-OCR可
2021-10-10 23:07:26
1042
原创 Week1：PaddleOCR概述
2021SC@SDUSC分组： 组长：佟义哲 博客链接：https://blog.csdn.net/shy2218 组员： 郑茜 https://blog.csdn.net/pinkray_c?spm=1010.2135.3001.5343 贾颖欣 https://blog.csdn.net/weixin_45873017 耿杉杉 https://blog.csdn.net/scarlettwx选题：Paddle
2021-09-29 15:11:22
155
原创 SpringBoot项目运行页面报错Whitelabel Error Page This application has no explicit mapping for /error
记录一个超无语的错误。。。运行项目后报错如下：原因是：controller类中的注解写成了@Controller但是但是，这是mybatis plus给我自动生成的啊。。。最后解决方法是把@Controller注解改成@RestController就对了。...
2021-09-24 19:35:34
370
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人