- 博客(5625)
- 资源 (245)
- 问答 (4)
- 收藏
- 关注
RSS订阅
原创 帮人修电脑再也不背锅！2026远程控制AI审计功能深度对比：ToDesk、向日葵、AnyDesk
本文针对远程控制软件的AI审计功能进行实测对比，重点测试ToDesk、向日葵和AnyDesk在事后举证场景下的表现。测试结果显示：ToDesk性能版提供单次0.99元的AI审计服务，自动生成含风险分级和截图凭证的六段式报告，云端留存无时限；向日葵需购买30元3次包，报告仅保留7天且无风险分级；AnyDesk免费版未发现AI审计功能，依赖传统录屏。在操作流畅度方面，ToDesk表现最佳，向日葵有卡顿，AnyDesk出现一次崩溃。测试特别指出ToDesk能识别明文密码输入等高风险行为，形成完整证据链。三家产品定
2026-08-13 10:30:00
70509
2
原创 当“眼见为实”失效：拆解 AI 跨模态鉴伪的技术栈、工程边界与落地路径【AI图像鉴伪】
成熟的 AI 跨模态鉴伪系统应当坚持五条边界：不把置信度冒充事实；不把 AIGC 来源等同于恶意；不把公开论文架构包装成企业私有原理；不以单一模型替代证据链和人工复核；不因一次高分忽视开放世界中的持续退化。
2026-07-20 10:36:14
38688
原创 Bright Data Data Firehose 电商价格监控实战：从 API 采集到 Firehose 实时推送全流程实战
本文详细介绍了如何利用BrightData搭建完整的电商价格监控系统，从基础采集到实时数据流处理。通过ScraperAPI实现Amazon产品数据抓取（8秒完成3个产品采集），并构建可视化仪表盘支持ASIN自定义输入和实时分析。重点讲解了DataFirehose实时数据管道的核心优势：每日10亿条记录、六维精准过滤（域名/语言/路径等）、四种交付方式（S3/Webhook等）。项目提供完整开源代码，包含S3消费脚本、Webhook接收端和价格告警模块，帮助用户实现从"手动采集&qu
2026-06-26 16:43:30
58378
1
原创 打造班级成绩单多维度成绩分析智能体|基于扣子×TextIn大模型加速器×火山引擎实战构建
本文提出了一种基于TextIn大模型加速器和火山引擎大模型的成绩单智能分析方案，实现了从文档解析到结构化输出的全自动化处理。该方案通过TextIn完成高精度OCR与表格识别，结合火山引擎进行语义理解和统计分析，最终生成标准化成绩报告并自动回写至飞书文档。测试表明，系统能准确处理不同格式的成绩单，错误率低于1%，处理时间从传统人工的20-40分钟缩短至1分钟内。方案不依赖固定模板，具备良好的扩展性，为教育领域的智能文档处理提供了可落地的技术范式，显著提升了教务管理效率。
2025-12-30 11:35:07
49518
8
原创 昇腾赋能海外主流大模型 | Llama-2-7b深度测评与部署方案
当生成式人工智能迈入规模化应用的深水区，大模型已从技术探索走向产业落地的关键节点，而算力作为支撑这一进程的核心基础设施，正面临着前所未有的双重挑战：一方面，以Llama、GPT系列为代表的大模型参数规模持续扩大，对算力的峰值性能、内存带宽、能效比提出了指数级增长的需求；另一方面，全球算力供给格局的不确定性，使得核心算力设施的国产化替代成为保障AI产业自主可控发展的战略刚需。
2025-10-27 10:32:23
24423
3
原创 面向古籍版面数字化识别应用研究—基于HisDoc-DETR模型深入剖析
HisDoc-DETR 的成功在于对古籍特性的深入理解与针对性优化。它提醒我们，技术创新不仅是算法性能的提升，更在于将技术与实际场景紧密结合，从而实现学术价值与社会价值的双重提升。未来，类似的方法有望进一步拓展到多语种、跨时代文献的数字化处理，推动古籍保护与利用进入智能化新时代。
2025-09-25 18:01:59
80924
7
原创 向日葵、ToDesk、TeamViewer，谁才是远程控制领域的“全能选手”？
在数字化和移动办公快速发展的今天，远程控制软件已经从小众工具走向大众生活的方方面面。无论是企业 IT 管理员在异地维护服务器，还是普通用户远程协助父母操作电脑，亦或是学生在家访问实验室电脑完成作业，远程控制的需求几乎无处不在。特别是在 远程办公、在线教育、远程技术支持、跨区域协作 等场景中，它不仅提高了效率，更成为一种“刚需”型的生产力工具。
2025-08-28 10:25:48
65673
1
原创 硬核AI安全技术解读 | 2025WAIC大会—合合信息推动AI鉴伪技术革新-打造可信数字世界【人工智能大会最新AI安全技术成果】
在本次世界人工智能大会上，我有幸亲眼见证了一系列AI鉴伪技术，如人脸视频、AIGC生成图像以及证件票据中的应用。该技术通过视觉特征分析、图像合理性评估以及多维度交叉验证，帮助公众深入了解AI如何精准识别并揭示多模态数据中隐形的伪造痕迹，为大模型的安全性和可信发展提供了有力的防护，下文就一起来看下我在本次大会上学习的AI安全的知识吧。
2025-08-05 23:38:40
79276
原创 GitCode首发文心4.5开源性能全揭秘 | 资深AI博主硬核实测【十种场景测评+原创UI系统+同类横测】
文心4.5的开源不仅体现了百度推动 AI技术普及化和国产化替代 的决心，也为研究者、开发者提供了一个完善且灵活的模型基础，极大地促进了 中文大模型生态 的发展。期待未来文心在行业应用、社区共创、插件拓展等方面迎来更多活力与创新，共同助推国产AI生态持续繁荣。
2025-07-14 09:30:00
41180
1
原创 开源即战力，百度文心4.5开源GitCode首发 | 全面解读百度文心4.5全栈开源策略与实战性能评测【最强文心4.5实战】
CSDN资深博主测评百度文心大模型4.5开源版，性能飙升！文本生成快35%，多模态理解大增强，写博客、智能问答都不在话下。医疗辅助诊断也显身手，资源占用还低，国产AI新标杆！内容创作、行业应用就选它！
2025-07-09 10:30:00
39339
1
原创 基于合合信息开源智能终端工具—Chaterm的实战指南【当运维遇上AI，一场效率革命正在发生】
面对云计算多平台运维的复杂挑战，合合信息推出的Chaterm智能终端开创性地融合AI与自然语言交互，重新定义云资源管理范式。本文系统解析了这款业界首个AIAgent终端的核心功能，包括智能命令补全、语音交互、可视化VIM编辑器及零信任安全架构，并通过15个实战案例（如日志清理、防火墙配置、服务监控等）验证其效能。测试数据显示，Chaterm将传统运维任务效率提升80%-90%，错误率显著降低。其开源架构支持多云环境无缝集成，使开发者无需记忆复杂命
2025-06-23 18:28:14
28609
1
原创 【大模型加速器2.0】合合信息文档图表解析全方位深度测评
在实拍发票内容提取的对比中，TextIn凭借其深度学习与OCR技术的结合，展现了出色的识别准确性和高效性，能够处理不同类型和格式的发票，并在模糊或倾斜的图像中依然保持高准确率。在实拍发票提取任务中，TextIn展示了出色的能力，能够准确识别并提取不同类型发票中的关键信息，如发票号码、金额和税号等，且能有效处理模糊、倾斜或不规则布局的图片。由于图表类型多样，不同类别的图表需要采用特定的数据提取方法，例如折线图中的关键点识别、柱状图的数据读取及文本标签解析等，增加了处理难度。
2025-03-26 09:00:00
35891
5
原创 合合信息在视觉内容安全领域的创新与应用-应对伪造挑战的前沿进展【技术文章】
在信息爆炸的时代，视觉内容的安全性已成为社会的重大关切，尤其是在深度伪造技术（如深度伪造视频、AI换脸、人脸伪造等）日益普及的背景下，如何有效识别和防范伪造内容，保障信息的真实性和安全性，已成为亟待解决的问题。例如，图像处理和传输过程中的压缩、缩放等操作可能导致伪造检测效果的下降，而伪造技术的多样性和复杂性，使得现有系统在面对未知的伪造行为时，常常表现出较低的泛化能力。通过引入更强的计算能力和数据处理能力，基于大模型的系统能够有效提高篡改检测的精度，并增强系统的泛化能力，适应更为复杂的伪造场景。
2024-12-23 12:18:04
37456
20
原创 从数据提取到管理：合合信息的智能文档处理全方位解析【合合信息智能文档处理百宝箱】
智能文档处理“百宝箱”由合合信息开发，覆盖文档解析的多环节，能够支持批量、高效解析多种文档类型，并适配多语言环境。可视化文档解析前端 TextIn ParseX：为复杂文档提供高效的可视化解析功能；向量化模型 acge-embedding：优化长文档信息抽取的精度，支持大规模信息检索和内容审核；文档解析测评工具 markdown_tester：提供定量的测评机制，使开发者能便捷、准确地评估文档解析效果。
2024-10-31 08:00:00
26646
35
原创 精通可视化技术实战千例专栏教程教程导航帖—学习可视化技术的指南宝典
精通可视化技术实战千例专栏教程教程导航帖—学习可视化技术的指南宝典可视化（Visualization）是利用计算机图形学和图像处理技术，将数据转换zhi成图形或图像在屏幕上显示出来，并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。目前正在飞度发展的虚拟现实技术也是以图形图像的可视化技术为依托的。
2023-11-10 15:52:13
18451
6
原创 i3-9100T+UHD 630：一台二手HP迷你主机跑通macOS Ventura的全过程
打开U盘：只要EFI和Recovery相关文件都已经准备好，这一步就结束。i3-9100TMacmini8,1OpenCore关闭快速引导 / PXE / 安全引导，调整显存U盘EFI → 内置硬盘EFI无U盘启动 → Mac mini识别 → 1536MB核显屏幕共享5900 → cpolar TCP → VNC Viewer硬件确认；显示连接选择；EFI下载；手动U盘制作；PowerShell一键制作；BIOS设置；OpenCore启动；Recovery；磁盘抹除；
2026-10-16 11:58:05
611
原创 【Bug已解决】What does the copy_initial_weights documentation mean in the higher library for… 解决方案
higher库的（默认）：复制权重，断开梯度路径。适用于普通训练和元学习测试（快速适应），不需要高阶梯度。：不复制权重，保持梯度路径。适用于元学习训练（MAML），需要计算高阶梯度。：控制是否跟踪高阶梯度。True用于 MAML，False用于 FOMAML 或纯推理。内存考虑会保留完整计算图，内循环步数多时内存消耗大。测试 vs 训练：训练时用，测试时用。理解对梯度路径的影响，是正确使用higher库进行元学习的关键。
2026-10-16 02:20:26
19
原创 【Bug已解决】_C.cpython-38-x86_64-linux-gnu.so: undefined symbol… 解决方案
错误的根本原因是扩展库编译时链接的 PyTorch C++ API 与运行时的 PyTorch 版本不匹配。安装匹配版本：确保 PyTorch 和扩展库（torchvision、detectron2、mmcv 等）版本对应。从源码编译：如果预编译版本不匹配，从源码编译扩展库，确保使用当前安装的 PyTorch 头文件。清理环境：完全卸载旧版本后重新安装，避免多版本共存。CUDA 版本一致：确保 CUDA 版本也匹配。使用诊断工具：使用nmldd等工具检查符号和依赖关系。
2026-10-16 02:19:40
20
原创 【Bug已解决】How to decide which mode to use for ‘kaiming_normal‘ initialization 解决方案
最后一层用较小的初始化Kaiming 初始化的mode默认使用fan_in：保持前向传播信号方差稳定，适用于绝大多数场景。深层网络考虑fan_out：当反向传播梯度消失时，使用fan_out保持梯度方差。匹配 nonlinearity参数必须与实际使用的激活函数一致。正确设置 a 参数：使用 LeakyReLU 时，a应等于 negative_slope。BatchNorm 特殊处理：BatchNorm 的 weight=1, bias=0，不用 Kaiming。卷积层同样适用。理解。
2026-10-16 02:18:54
18
原创 【Bug已解决】PyTorch : predict single example 解决方案
添加 batch 维度：使用将[C, H, W]变为。切换到 eval 模式：调用确保 Dropout 和 BatchNorm 行为正确。禁用梯度：使用节省内存和加速推理。设备一致：确保模型和输入在同一设备上。后处理：使用softmax获取概率，argmax获取预测类别。封装推理逻辑：创建统一的推理器类，处理不同输入格式和预处理步骤。通过封装一个通用的类，可以统一处理图像、文本、表格等各种类型数据的单样本推理，避免重复编写样板代码。
2026-10-16 02:18:08
10
原创 【Bug已解决】Pytorch inputs for nn.CrossEntropyLoss() 解决方案
input（预测值）：模型原始输出 logits，形状[N, C]不需要softmax。target（目标值）：类别索引，形状[N]，数据类型int64，值域[0, C-1]。batch size 一致input和target的第一维大小必须相同。不做 softmax内部已包含 softmax 操作。one-hot 转换：如果标签是 one-hot 编码，用转为类别索引。理解这些输入格式要求，就能避免绝大多数与相关的错误。
2026-10-16 02:17:21
8
原创 【Bug已解决】How do they know mean and std, the input value of transforms.Normalize 解决方案
RGB 图像有三个通道，每个通道的分布不同。绿色通道通常最亮（均值最高），蓝色通道通常最暗。分别归一化可以确保每个通道都有相似的分布。的mean和std参数来自数据集的统计计算。和是 ImageNet 数据集的 RGB 通道均值和标准差。使用预训练模型：必须使用预训练模型训练时的mean/std（通常是 ImageNet 的值）。从头训练：最好在自己的数据集上计算mean/std，以获得最佳的训练效果。一致性：训练、验证、测试必须使用相同的mean/std。通道匹配mean/std。
2026-10-16 02:16:34
13
原创 【Bug已解决】Pytorch CUDA error: no kernel image is available for execution on the device on RTX… 解决方案
的根本原因是 PyTorch 编译时未包含当前 GPU 架构对应的 CUDA 内核。对于 RTX 3090（SM_86），需要 PyTorch 1.9+ 和 CUDA 11.1+。诊断：使用和确认 GPU 架构和 PyTorch 支持的架构列表。升级：最简单的解决方案是升级 PyTorch 到 1.9+（支持 sm_86）或更高版本，使用正确的 CUDA 版本后缀。源码编译：如果必须使用特定版本，从源码编译并设置包含你的 GPU 架构。Docker。
2026-10-16 02:15:48
15
原创 【Bug已解决】Resize PyTorch Tensor 解决方案
形状变换：优先使用reshape()，它自动处理不连续张量，是最安全的选择。仅在确定张量连续时使用view()以获得更好的性能。图像缩放：使用，根据需求选择插值模式（bilinear最常用，bicubic质量最高，nearest速度最快）。固定尺寸输出：使用或，优雅地处理不同尺寸的输入。序列处理：使用或自定义的 pad/truncate 函数来统一序列长度。多维数据支持 1D（linear）、2D（bilinear）、3D（trilinear）插值。理解viewreshape。
2026-10-16 02:15:02
32
原创 【Bug已解决】pytorch embedding index out of range 解决方案
是 PyTorch 中使用时最常见的错误之一。核心原因是传入的索引值超出了嵌入矩阵的行数范围。正确构建词汇表：始终预留<PAD>（索引 0）和<UNK>（索引 1）标记，确保嵌入表大小与词汇表大小一致。正确处理未知词：所有不在词汇表中的词都应映射到<UNK>索引，而不是len(vocab)。使用索引裁剪：在无法完全控制输入的场景下，使用或自定义层进行防御性编程。推荐系统 ID 重映射：将稀疏的原始 ID 映射为连续的密集索引，避免创建过大的嵌入表。数据验证。
2026-10-16 02:14:14
23
原创 【Bug已解决】UserWarning: Plan failed with a cudnnException: CUDNN_BACKEND_EXECUTION_PLAN_DESCRIPTOR 解决方案
是一个与 cuDNN 版本兼容性和卷积配置相关的警告。核心原因是 cuDNN 无法为当前的卷积配置找到合适的执行计划。检查版本兼容性：确保 PyTorch、CUDA 和 cuDNN 三者版本匹配，特别是 Ampere 架构 GPU 需要 cuDNN 8.4+。调整 cuDNN 配置：合理设置benchmark和标志，根据输入尺寸是否固定来决定是否启用 benchmark。启用 TF32：在 Ampere+ GPU 上启用 TF32 可以获得更好的性能和兼容性。过滤无害警告。
2026-10-16 02:13:25
18
原创 基于 YOLO11n 的五类农业害虫智能检测系统：从模型推理到 Streamlit 可视化部署
本文介绍基于YOLO11n的五类农业害虫（蚜虫、实蝇、南瓜甲虫、潜叶蝇、粉虱）智能检测系统，通过Streamlit实现图片、批量图片、视频及摄像头输入的可视化交互。系统支持置信度阈值调节，输出边界框、类别与置信度，并可导出结构化结果。采用分层架构，结合Ultralytics YOLO推理与OpenCV处理，具备高效部署能力，助力智慧农业虫情监测。
2026-10-16 00:48:57
116
原创 【Bug已解决】How to Use Class Weights with Focal Loss in PyTorch for Imbalanced Dataset for… 解决方案
损失函数适用场景优点缺点平衡数据简单高效不平衡数据表现差轻度不平衡简单有效不区分难易样本Focal Loss (无权重)难易样本不平衡聚焦难样本不解决类别不平衡类别+难易都不平衡双重调节需调参严重不平衡权重更平滑计算稍复杂。
2026-10-16 00:11:09
48
原创 【Bug已解决】How to compute Hessian of the loss w.r.t. the parameters in PyTorch using autograd.grad 解决方案
对于损失函数 ( L(\theta) )，Hessian 矩阵 ( H ) 是一个 ( n \times n \ 的矩阵（( n ) 为参数数量）：方法内存复杂度时间复杂度适用规模推荐度O(n²)O(n²)n < 100⭐⭐⭐手动循环O(n²)O(n²)n < 1000⭐⭐HVPO(n)O(n)任意⭐⭐⭐⭐⭐Hessian 对角线O(n)O(n²)n < 10000⭐⭐⭐⭐Lanczos 迭代O(kn)O(kn)任意⭐⭐⭐⭐。
2026-10-16 00:10:23
81
原创 【Bug已解决】How to use groups parameter in PyTorch conv2d function 解决方案
groups 值卷积类型参数量典型应用1标准卷积分组卷积ResNeXtC_in深度卷积C_in × k²MobileNet深度可分离。
2026-10-16 00:09:36
54
原创 【Bug已解决】How to fine tune BERT on unlabeled data? 解决方案
策略适用场景优点缺点DAPT领域差异大效果最好计算成本高TAPT任务特定提升针对性强需要任务相关数据伪标签有少量标注简单易行可能引入噪声一致性正则化半监督学习鲁棒性好实现复杂。
2026-10-16 00:08:48
27
原创 【Bug已解决】UserWarning: Implicit dimension choice for log_softmax has been deprecated 解决方案
旧写法：不指定 dimlog_probs = F.log_softmax(logits) # 警告！# 使用loss = criterion(logits, target) # 触发警告警告虽然不会中断程序运行，但应该及时修复以确保代码的清晰性和未来兼容性。修复方式代码示例推荐程度明确指定 dim★★★★★使用 nn.LogSoftmax★★★★☆使用 CrossEntropyLoss★★★★★使用 dim=-1★★★★☆核心要点始终明确指定dim参数，不要依赖隐式推断。
2026-10-16 00:07:59
16
原创 【Bug已解决】What are the numbers in torch.transforms.normalize and how to select them? 解决方案
3 个值对应 RGB 图像的 3 个颜色通道。每个通道的像素分布不同（如绿色通道通常比蓝色通道亮），因此需要分别标准化。灰度图像：1 个通道，使用 1 个值，如RGB 图像：3 个通道，使用 3 个值多光谱图像：N 个通道，使用 N 个值问题答案数字是什么？数据集每通道的均值和标准差（ToTensor()后的[0,1]值域）为什么是 3 个值？RGB 图像有 3 个通道，每通道分布不同0.485 等从哪来？ImageNet 数据集（120 万张图）的统计值如何选择？
2026-10-15 23:45:55
12
原创 【Bug已解决】PyTorch UserWarning: Failed to initialize NumPy: _ARRAY_API not found and BERTModel… 解决方案
问题根因解决方案NumPy 1.x/2.x 版本冲突降级 NumPy 或升级 PyTorchBERT 权重初始化不当默认初始化不适合 Transformer使用初始化训练数值不稳定Post-LN + 大学习率使用 Pre-LN + 梯度裁剪嵌入层方差过大默认初始化 std 过大手动设置std=0.02NumPy/PyTorch dtype 不一致默认精度不同转换时显式指定 dtype。
2026-10-15 23:45:08
11
原创 【Bug已解决】When is a PyTorch custom Function needed (rather than only a Module)? 解决方案
假设我们要实现一个阶梯激活函数（Staircase Activation），其导数在阶梯边界处为零，autograd 无法自动推导其梯度。"""仅用 nn.Module 实现——前向可以工作，但反向传播梯度不正确"""# 将输入量化到阶梯级别# 测试前向print(f"前向输出: {y}")# 尝试反向传播print(f"梯度: {x.grad}") # 梯度全为 0，因为 round 操作不可导问题的梯度为零，导致网络无法学习。
2026-10-15 23:44:21
9
原创 【Bug已解决】RuntimeError: Given groups=1, weight of size [32, 3, 16, 16, 16], expected input[100… 解决方案
问题维度关键要点错误本质输入张量的通道维度位置不正确PyTorch 约定Conv3d 输入格式为，通道在第 1 维首选修复使用将通道从末尾移到第 1 维数据层面修复在 Dataset 的中返回正确维度的数据模型层面修复如果数据确实是多通道，修改参数调试技巧在 forward 中添加assert检查输入维度。
2026-10-15 23:43:34
12
原创 为什么 ALTER TABLE 不能“原样照搬“——异构数据同步中 DDL 自动转换的技术解析
在异构数据同步中，DDL 转换难题源于结构语义与方言差异。传统字符串改写法因规则膨胀难以维护，而金仓 KFS 采用“拆解—映射—重构”机制：先将 DDL 结构化解析为语义单元，再通过通用与项目级规则映射目标库语法，最终生成可执行的 DDL。全程以真实执行结果验证，确保一致性。该方案实现 95% 常规变更自动转换，支撑 260+ 链路规模化稳定运行，真正实现从“人工补丁”到“系统化能力”的跃迁。
2026-10-15 23:42:48
4494
原创 【Bug已解决】Any pytorch tools to monitor neural network‘s training? 解决方案
"""自定义训练监控器""""""记录训练指标"""})"""记录验证指标"""})"""记录模型统计信息""""""记录梯度统计""""""关闭监控器"""工具功能推荐场景可视化、直方图、模型图通用、本地开发tqdm进度条所有训练循环W&B云端可视化、实验管理团队协作、多实验性能分析性能优化自定义监控器灵活定制特殊需求核心建议至少使用 tqdm 进度条——这是最基本的监控TensorBoard 是本地可视化的首选。
2026-10-15 23:42:02
6
原创 【Bug已解决】HuggingFace: ValueError: expected sequence of length 165 at dim 1 (got 128) 解决方案
"""自定义 collate 函数"""# 提取 input_ids 和 labels# 使用 tokenizer 的 pad 方法padding='longest', # 或 'max_length'# 使用dataset,解决方案适用场景推荐度大多数场景★★★★★固定长度 padding简单场景★★★☆☆自定义 collate_fn需要特殊处理★★★★☆预处理所有数据小数据集★★★☆☆核心要点使用是最佳实践，它自动处理动态 padding不要在。
2026-10-15 23:41:15
4
原创 【Bug已解决】How to save and load random number generator state in Pytorch? 解决方案
操作方法说明设置种子重置 RNG 到初始状态保存 CPU RNG获取当前 CPU RNG 状态恢复 CPU RNG恢复 CPU RNG 状态保存 CUDA RNG获取 GPU RNG 状态恢复 CUDA RNG恢复 GPU RNG 状态保存 Python RNG获取 Python random 状态保存 NumPy RNG获取 NumPy RNG 状态核心要点仅设置种子不够——需要保存和恢复完整的 RNG 状态才能实现精确可重复需要管理多个 RNG检查点必须包含 RNG 状态。
2026-10-15 23:40:27
3
基于LD3320A智能家居
2025-09-03
基于 STM32 微控制器的智能鱼缸控制系统
2025-08-30
基于STM32的计算器项目
2025-08-27
基于STM32的人体健康监测（温度、心率、老人摔倒检测）
2025-08-27
STM32控制的垃圾分类项目源码
2025-08-27
基于stm32的简易任务轮询系统
2025-08-26
基于STM32智能送餐柜
2025-08-24
基于 stm32 的睡眠质量检测仪
2025-08-24
STM32控制的垃圾分类项目源码
2025-08-24
基于STM32的AI赋能智能家居系统源码
2025-08-22
基于STM32的蓝牙小车项目
2025-08-21
基于STM32的宠物喂食系统
2025-08-21
医学目标检测恶性疟原虫识别数据集.zip
2025-08-19
太阳能电池片缺陷与损伤数据集
2025-07-31
电力可视巡检数据集（6类）
2025-07-29
基于Python开发的AI数据分析助手
2026-02-24
基于Python开发的AI智能客服系统
2026-02-24
这是一个基于Python开发的图书管理系统，实现图书查询、借阅、归还、记录管理等功能，适合作为毕业设计课题
2026-02-22
【难题】jQuery插件弹窗输入的密码值如何传回后端处理匹配数据库【django框架】
2022-02-16
python的全局变量与局部变量的问题
2022-02-04
c/c++结构体的相关问题
2021-08-24
一道算法题过不去不知道是哪的问题
2021-08-17
TA创建的收藏夹 TA关注的收藏夹
TA关注的人