- 博客(1584)
- 资源 (25)
- 收藏
- 关注
RSS订阅原创 大模型微调之Soft prompts（五）Multitask prompt tuning
摘要：2023年5月提出的多任务提示调整（MPT）方法通过两阶段学习实现跨任务提示共享。第一阶段通过多任务训练提炼通用提示矩阵，第二阶段通过Hadamard积将通用提示与任务特定低秩矩阵结合来适应新任务。该方法可类比为学生先掌握通用解题技巧，再根据具体学科特点进行针对性复习。相比为每个任务单独学习提示的传统方法，MPT实现了提示参数的高效共享与适配。
2025-11-06 17:59:25
262
原创 大模型微调之Soft prompts（四）P-Tuning
P-Tuning是一种改进NLU任务的Soft prompts方法，通过可训练的嵌入张量和提示编码器优化提示参数。包含两个版本：P-Tuning v1（2021）使用BiLSTM/MLP编码器，但复杂任务表现欠佳；P-Tuning v2（2023）在每层加入可训练提示，采用多任务学习，性能媲美全参数微调。其核心创新是通过BiLSTM/MLP赋予decoder模型encoder特性，无需改变模型结构。
2025-11-06 17:58:18
184
原创 大模型微调之Soft prompts（三）Prefix-Tuning
2021年提出的Prefix-Tuning是一种参数高效的微调技术，通过在所有层输入前添加可训练的前缀向量来适配下游任务，而不改变模型原有参数。与仅在嵌入层添加提示的Prompt Tuning不同，Prefix-Tuning将前缀参数插入到模型的每一层，使模型能更灵活地适应特定任务。这种方法只需更新少量参数，显著减少了计算资源和存储需求，同时在文本生成等任务中表现出色，实现了多任务适配而无需保存完整模型副本。
2025-11-06 17:56:16
254
原创 大模型微调之Soft prompts（二）Prompt Tuning
摘要：2021年，Prompt Tuning作为一种新兴的微调方法引发关注。该方法通过在输入中添加可训练的提示文本（prompt tokens）来适配下游任务，无需更新预训练模型主体参数（如GPT-3、T5等）。其核心优势在于参数高效性——仅需优化提示参数，既降低计算成本，又能保持模型性能。研究显示，随着模型规模扩大，Prompt Tuning效果更显著。这一技术标志着从全参数微调到轻量化适配的重要转变。（149字）
2025-11-06 17:54:04
325
原创 大模型微调之Soft prompts（一）概述
本文介绍了高效训练大型预训练语言模型的方法——Prompting技术及其变体。Prompting通过文本提示调整冻结的预训练模型，避免了为每个任务单独训练模型的高成本。重点讨论了Soft prompts（可学习的连续向量）及其主流方法：Prompt Tuning（仅更新提示词嵌入）、Prefix-Tuning（在所有层插入提示）、P-Tuning（针对NLU任务优化提示编码器）以及Multitask Prompt Tuning（学习通用提示再任务适配）。这些方法在保持模型参数不变的情况下，通过优化提示参数实
2025-10-27 10:55:21
439
原创 大模型微调框架（三）LLama-Factory
LLaMA Factory是一个强大的大模型微调工具，提供用户友好的WebUI界面，支持训练、评估、对话和导出功能。它兼容多种主流大模型，集成多种微调方法（如LoRA、全参数微调等）和训练算法（PPO、DPO等）。该工具支持多种量化技术、推理引擎，并可与TensorBoard等实验面板集成，还提供API服务、模型评测和Docker支持。无论是初学者还是高级用户，都能通过LLaMA Factory轻松实现大模型的微调和部署。
2025-10-27 10:41:11
446
原创 大模型微调框架（二）Huggingface-PEFT
PEFT（参数高效微调）是一种在资源受限环境下微调大型预训练模型的技术，通过仅调整少量参数实现接近全模型微调的性能。PEFT库与Hugging Face生态系统集成，提供LoRA等高效微调方法。使用流程包括安装库、配置方法、加载模型、训练保存模型及推理。该方法显著降低了大型语言模型的训练和存储成本，使消费级硬件也能运行复杂模型。PEFT支持保存至本地或Hugging Face Hub，并简化了推理流程。
2025-10-27 10:39:17
410
原创 大模型微调之Adapters（一）概述
本文综述了大模型微调中的Adapter方法，重点介绍了LoRA及其变种。Adapter通过在预训练模型中添加少量可训练参数，实现高效微调而不改变原模型参数。其中，LoRA通过低秩分解表示权重更新，QLoRA结合4位量化进一步降低内存占用，AdaLoRA则采用自适应参数分配策略。这些方法都能在保持模型性能的同时大幅减少计算资源需求，为大规模模型微调提供了实用解决方案。该系列后续将深入探讨各类Adapter技术细节。
2025-10-27 10:32:06
505
原创 大模型微调之Adapters（四）AdaLoRA
AdaLoRA是一种改进的LoRA技术，通过动态分配参数预算提升微调效率。它利用奇异值分解评估不同权重矩阵的重要性，自适应调整参数更新量：重要部分使用更多参数，次要部分减少更新。这种方法在保持总参数量不变的前提下优化性能，类似于根据学生科目表现分配辅导时间。相比传统方法，AdaLoRA能更智能地在关键位置进行参数调整，既节省资源又提升模型效果。其核心思想是将有限的参数预算优先分配给对任务更重要的模型部分。
2025-10-27 10:29:04
239
原创 大模型微调之Adapters（三）QLoRA
QLoRA是一种高效微调大型语言模型的技术，通过4位量化和低秩适配器结合，在保持模型性能的同时大幅降低资源消耗。它将模型权重压缩为4位NF4数据类型，并添加小型可训练适配器，仅更新这些部分而非整个模型。采用双重量化和统一内存分页优化进一步减少内存占用。类似于在百科全书中贴便利贴更新内容，QLoRA实现了低成本、高效率的模型微调，既节省资源又保持知识完整性。
2025-10-27 10:27:32
227
原创 大模型微调之Adapters（二）LoRA
LoRA（低秩适应）是一种高效的参数微调技术，通过低秩分解将大权重矩阵拆解为两个小矩阵，仅需微调少量参数即可适配新任务。该方法显著降低计算成本，保持模型性能，适用于资源有限场景。其核心思想是在预训练模型基础上叠加特定任务的小型适配模块，如同厨师专攻寿司技巧无需重学全部厨艺。LoRA的秩参数需平衡效率与效果，并可与其他微调技术结合使用。
2025-10-27 10:14:29
375
原创 大模型微调框架（一）综述
大模型微调综述 大模型微调(Fine-tuning)是在预训练语言模型基础上，使用特定任务数据进行二次训练的技术，主要包括两种方式：全参数微调和参数高效微调(PEFT)。PEFT通过冻结大部分参数、仅调整少量参数(如LoRA、Adapter)，显著降低计算资源需求。当前主流微调框架包括HuggingFace的PEFT库、ModelScope的ms-swift、LLaMA-Factory等，支持从脚本到WebUI的多种操作方式。其中PEFT库提供完整的微调流程，包括配置、训练、保存和推理功能；LLaMA-Fa
2025-10-27 10:12:51
756
原创 大模型的latency（延迟）和throughput（吞吐量）有什么区别？
本文探讨了大模型推理中的关键性能指标与优化技术。首先分析了KV Cache机制如何通过空间换时间提升推理效率，并区分了预填充(prefill)与解码(decoding)两个阶段的性能特征。重点比较了延迟(Latency)与吞吐量(Throughput)的概念差异及计算方法，指出销售人员在技术理解上常见的混淆点。最后详细介绍了两种批处理技术：传统批处理(Naive Batching)存在长尾请求阻塞问题，而连续批处理(Continuous Batching)通过动态调度显著提高了GPU利用率。文章还提供了相关
2025-10-27 10:04:25
539
原创 DevOps，AIOps，MLOps，LLMOps，这些Ops都是什么？
摘要： 本文介绍了四种运维概念：DevOps、AIOps、MLOps和LLMOps。DevOps通过自动化CI/CD流程提升开发效率；AIOps利用AI优化IT运维；MLOps专注于机器学习模型的部署与维护；而新兴的LLMOps则针对大语言模型应用的全生命周期管理。文章对比了传统软件与AI应用的区别，并分析了MLOps与LLMOps在工具和重点上的差异，强调LLMOps主要关注大模型应用的在线运维而非训练过程。这些概念共同推动了技术运维的自动化与智能化发展。（149字）
2025-10-27 10:01:34
689
原创 大模型推理框架（五）Ollama
本文介绍了如何通过Ollama和ChatBox两款软件在本地快速部署大型语言模型。Ollama作为开源工具简化了本地运行大模型的过程，用户只需下载安装后，从模型库中选择合适模型（如仅352MB的qwen2:0.5b）并运行。配合ChatBox客户端，通过简单配置即可实现与本地模型的交互。整个过程无需复杂技术，适合各类用户快速体验大语言模型功能。文章还建议拥有高性能GPU的用户可尝试更大模型以获得更好效果。
2025-10-25 18:34:00
775
原创 大模型推理框架（四）TensorRT-LLM
TensorRT-LLM是NVIDIA推出的开源库，通过量化、动态批处理、KV缓存等技术优化大模型GPU推理性能，速度提升可达8倍。它整合了TensorRT和FastTransformer的优势，支持多精度计算和注意力机制优化（MQA/GQA），并采用图重写技术提升硬件执行效率。关键特性包括：降低显存占用的量化技术、提高吞吐量的连续批处理、复用缓存的KV Cache机制，以及平衡精度与性能的注意力优化方案。这些技术共同解决了大模型推理中的计算效率和显存瓶颈问题。
2025-10-25 18:28:41
558
原创 大模型推理框架（三）Text generation inference (TGI)
TGI是Hugging Face开发的文本生成推理框架，支持高效部署大型语言模型。它采用张量并行、连续批处理和Flash Attention等优化技术，显著提升推理速度。TGI提供生产级特性，包括分布式追踪、多种量化支持、安全权重加载等，并支持多种硬件平台。该框架还具备灵活的生成控制、推测生成和自定义提示等功能，适用于各种文本生成任务。
2025-10-25 18:25:13
1030
原创 大模型推理框架（二）vLLM
vLLM是一种基于PagedAttention的高效推理框架，通过分页处理注意力计算优化显存使用。它将KV缓存划分为非连续内存块，实现接近最优的内存利用率（浪费率<4%），并支持内存共享，显著提升吞吐量。此外，vLLM还具备多GPU支持、连续批处理、推测性解码等特性，兼容HuggingFace模型和OpenAI API，支持量化技术，为LLM生产部署提供高效解决方案。
2025-10-25 18:07:33
888
原创 大模型推理框架（一）综述
大模型推理框架技术综述 大模型推理框架通过多种优化技术提高推理效率，主要包括计算效率提升（MQA/GQA）、计算复杂度降低（Flash Attention）、重复计算减少（KV Cache）和吞吐量提高（Continuous Batching）。常用框架如vLLM、TGI、TensorRT-LLM、Ollama和DeepSpeed，分别采用分页注意力、多语言支持、GPU优化、本地简化部署等方案，有效解决计算资源、实时性、部署成本等挑战。这些技术使得大模型能够在资源受限环境下高效运行，拓展了实际应用场景。
2025-10-25 18:00:50
906
原创 神经网络的优化器（十二）RAdam
RAdam（Rectified Adam）是一种改进的Adam优化算法，通过动态调整学习率解决训练早期阶段方差过大的问题。它通过引入修正项$\rho_t$来稳定优化过程，在保持Adam优势的同时提高训练稳定性。相比标准Adam，RAdam能更好地适应不同数据集和任务，但实现稍复杂，需调整更多超参数。实验表明，RAdam在部分任务中表现优于传统优化器，但其效果仍取决于具体应用场景。该算法结合了自适应学习率和动态修正机制，为深度学习模型训练提供了新的优化选择。
2025-10-21 20:40:52
317
原创 神经网络的优化器（十一）AdamW
AdamW算法是针对传统Adam优化器在权重衰减处理上的改进版本。该算法由Ilya Loshchilov和Frank Hutter提出，通过将权重衰减从梯度更新中解耦，直接作用于参数更新步骤。其主要优势包括：更有效的权重衰减处理、减少模型过拟合风险，同时保留Adam原有的动量和自适应学习率特性。不过，AdamW也存在超参数调整复杂、对学习率敏感等缺点。实验表明，AdamW在提高模型收敛速度和泛化能力方面具有显著优势，成为深度学习领域广泛采用的优化算法之一。
2025-10-20 11:16:25
627
原创 神经网络的优化器（十）Nadam
Nadam算法是结合Adam优化器和Nesterov动量的深度学习优化方法，由Tim Salimans等人于2016年提出。其核心特点是通过修正动量项$\hat{m}_t^{'}$，在自适应学习率基础上引入Nesterov加速效果，从而提升收敛速度。该算法综合了Adam的自适应特性和Nesterov动量的前瞻性优势，特别适合处理深度神经网络训练任务。但需注意其超参数调优复杂度较高，可能引发训练震荡，且计算负担相对较大。实验表明，Nadam在稀疏数据等场景下表现出色，但需谨慎设置学习率和衰减系数。
2025-10-19 10:39:23
267
原创 神经网络的优化器（九）Adam
Adam算法是由Kingma和Ba于2014年提出的自适应学习率优化方法，结合了AdaGrad和RMSProp的优点。它通过计算梯度的一阶矩（均值）和二阶矩（方差）估计，为每个参数独立调整学习率。关键步骤包括动量更新、自适应学习率调整和偏差修正。算法引入超参数β1（通常0.9）、β2（通常0.999）和学习率η，通过公式迭代更新参数。Adam在深度学习中获得广泛应用，但存在可能发散的问题，后续研究提出了改进算法如Yogi。实际应用中需调整超参数以获得最佳性能。
2025-10-19 10:38:20
363
原创 神经网络的优化器（八）RMSprop
RMSprop是一种自适应学习率的优化算法，由Hinton于2012年提出。它通过指数加权平均计算梯度平方的移动平均值来调整每个参数的学习率，解决了AdaGrad学习率单调递减的问题。RMSprop具有自适应学习率调整、适合处理非平稳目标等优点，但需要调整衰减速率等超参数。与AdaGrad相比，RMSprop引入遗忘因子，避免学习率过快减小，更适合深度学习应用。实际使用中建议从小学习率开始尝试，逐步调参以获得最佳效果。
2025-10-19 10:36:37
632
原创 神经网络的优化器（七）AdaDeleta
AdaDelta是一种自适应学习率的优化算法，由Matthew D. Zeiler在2012年提出，用于解决AdaGrad算法中学习率单调递减的问题。它通过限制累积梯度的窗口大小自动调整学习率，无需手动设置全局学习率。算法使用指数加权平均来更新梯度平方和参数更新量，具有处理稀疏数据、加速收敛的优势，但对超参数ρ和ε较为敏感，可能在某些情况下导致训练不稳定。相比传统优化方法，AdaDelta在适应不同数据模式和模型结构方面表现出更强的鲁棒性。
2025-10-19 10:34:46
263
原创 神经网络的优化器（六）AdaGrad
AdaGrad是一种自适应梯度优化算法，由Duchi等人于2011年提出。其主要特点是为每个参数独立调整学习率，通过累积历史梯度平方和来自适应计算参数更新步长。该算法特别适合处理稀疏数据，能对不频繁更新的特征给予更大关注。优点包括自动调整学习率、无需手动调参；但存在学习率递减导致后期训练停滞的问题。后续改进算法如AdaDelta和Adam等解决了这一局限性。AdaGrad在机器学习优化领域具有重要意义，尤其适用于大规模稀疏数据场景。
2025-10-19 10:33:47
312
原创 神经网络的优化器（五）Rprop
摘要：Rprop（弹性反向传播）算法由Riedmiller和Braun于1993年提出，通过仅利用梯度符号（而非大小）动态调整每个权重的独立步长。其核心原理包括：1）基于梯度符号同向/异向来增减学习率；2）设置最大/最小变化量防止步长失控；3）权重更新仅依赖梯度方向。该算法具有自适应学习率、快速收敛和强鲁棒性特点，尤其擅长避免局部最优，对初始参数不敏感。相比传统梯度下降，Rprop通过局部适应性显著提升了训练效率和稳定性。
2025-10-19 10:32:50
342
原创 神经网络的优化器（四）ASGD
摘要：ASGD（平均随机梯度下降）是一种优化算法，通过计算历史梯度的平均值更新参数，减少随机梯度方差，提高收敛速度。与Momentum不同，ASGD采用算术平均而非指数加权平均，且学习率随迭代次数自然衰减。该算法在训练后期使用参数平均值提升泛化能力，适用于深度神经网络优化。
2025-10-15 18:04:59
1012
原创 神经网络的优化器（三）Momentum
本文介绍了动量（Momentum）优化算法的原理及其应用。动量方法由B.T.Polyak于1964年提出，通过引入历史梯度信息的指数加权平均来加速梯度下降的收敛。算法通过动量衰减系数γ控制历史梯度的影响程度，在参数更新时既考虑当前梯度又保留部分历史梯度信息，从而在相关方向上加速收敛，并在平坦区域减少震荡。文章还解释了"动量"名称的物理类比，以及"指数"加权的数学原理，指出权重随时间呈指数衰减的特性。该算法在深度学习中被广泛使用，能有效提高训练效率和稳定性。
2025-10-13 22:19:03
685
原创 神经网络的优化器（二）SGD
随机梯度下降(SGD)是一种高效的迭代优化方法，最早由Robbins和Monro在1951年提出。它通过每次迭代仅使用单个或小批量样本计算梯度来更新模型参数，显著降低了计算成本。核心更新公式为θ_{t+1}=θ_t-η_t∇J(θ_t;x^{(i)},y^{(i)})。尽管SGD具有计算效率高的优势，但在非凸优化问题中容易陷入局部最小值或鞍点，导致优化停滞。特别是在深度学习领域，鞍点的存在会使梯度下降算法在接近时停滞不前，因为梯度为零而无法判断更新方向。
2025-10-13 22:17:31
685
原创 神经网络的优化器（一）概述
本文梳理了神经网络优化器70多年的发展历程。从1951年SGD的提出开始，到2017年AdamW成为主流选择，优化器经历了多次重要演进。关键里程碑包括：1964年Momentum方法加速收敛，1993年Rprop算法独立调整步长，2011年AdaGrad引入自适应学习率，2012年AdaDelta和RMSprop改进AdaGrad，2014年Adam综合多种优势，2016年Nadam融合Nesterov动量，2017年AdamW解决权重衰减问题，以及2019年RAdam稳定早期训练。这些优化器的创新推动了深
2025-10-13 20:26:33
753
原创 神经网络的激活函数（六）GELU和Mish
本文介绍了两种深度学习中的激活函数：GELU和Mish。GELU（高斯误差线性单元）利用高斯误差函数实现平滑激活，具有概率解释和非线性增强特性，2016年提出。其近似计算式为0.5x(1+tanh(√(2/π)(x+0.044715x³)))。Mish激活函数由softplus和tanh组成，2019年提出，具有平滑性、非单调性和无界性，能增强梯度流动。两者都通过平滑非线性变换提升模型性能，在NLP和计算机视觉任务中表现优异。文中提供了Python实现示例。
2025-10-12 18:31:44
803
原创 神经网络的激活函数（五）门控系列GLU、Swish和SwiGLU
本文介绍了三种深度学习中的激活函数：GLU、Swish和SwiGLU。GLU（2017年提出）通过门控机制选择性过滤信息；Swish（2017年提出）结合Sigmoid函数实现平滑非线性；SwiGLU（2021年提出）综合前两者优势，在门控机制中引入Swish激活。三者均通过不同方式增强模型表达能力，特别适用于NLP和视觉任务。文章提供了数学定义、关键性质、提出背景及Python实现示例，展现了激活函数从简单门控到自适应学习的发展脉络。
2025-10-12 18:28:19
1028
原创 神经网络的激活函数（四）ELU和它的变种SELU
ELU（指数线性单元）和SELU（缩放指数线性单元）是改进ReLU激活函数的新型非线性函数。ELU通过负区间的指数函数解决了ReLU的"神经元死亡"和均值偏移问题，其平滑性提升了模型稳定性。SELU在ELU基础上引入缩放因子λ和固定参数α，具备自归一化特性，能自动稳定各层输出的均值和方差，有效防止梯度消失/爆炸。这两种激活函数在深度学习中（尤其是CNN）表现优异，ELU于2015年提出，SELU则进一步优化了网络训练过程。
2025-10-12 18:25:42
949
原创 神经网络的激活函数（三）ReLU和它的变种Leaky-ReLU、PReLU
本文介绍了深度学习中的常用激活函数ReLU及其变种Leaky ReLU和PReLU。ReLU因其计算简单、能缓解梯度消失问题而广泛应用，但存在"神经元死亡"缺陷。Leaky ReLU通过为负输入引入小斜率(如0.01)解决了该问题。PReLU进一步改进，将负斜率设为可学习参数，让模型自动优化。三者在保持非线性特性的同时，通过不同机制平衡计算效率与模型性能，是提升神经网络训练效果的关键技术。这些激活函数的提出和发展推动了深度学习在图像识别等领域的突破性进展。
2025-10-10 22:28:51
913
原创 神经网络的激活函数（一）综述
摘要：激活函数是神经网络中引入非线性因素的关键组件。从早期的Sigmoid、Tanh到ReLU及其改进版本（如Leaky ReLU、PReLU），再到近年提出的GELU、Swish和Mish等，激活函数不断演进以解决梯度消失、神经元死亡等问题。这些函数在数学特性、计算效率和模型表现上各有特点，推动着深度学习的发展。新型激活函数如SwiGLU（2021）仍在持续改进神经网络性能。
2025-10-10 22:23:19
883
原创 快速搞懂大模型的分词器tokenizer（六）：BBPE
BBPE（Byte-level BPE）是Google Brain团队提出的基于字节级别的BPE分词器变种。与BPE基于字符不同，BBPE操作UTF-8编码的字节对，具有跨语言通用性强、词汇表更小、能有效处理罕见字符等优势。本文系统梳理了分词器发展脉络：从基础的word/character level到sub-word level（BPE/WordPiece/Unigram），再到SentencePiece工具和BBPE变种。BBPE作为字节级分词方案，与SentencePiece（支持多语言Unicode
2025-10-08 10:01:57
302
原创 快速搞懂大模型的分词器tokenizer（五）：SentencePiece
摘要：SentencePiece是Google开发的一种通用分词器，能统一处理多种语言，不依赖特定语言规则。其特点包括纯数据驱动、支持BPE/Unigram算法、快速轻量、自包含等。通过将文本视为Unicode字符序列，解决了多语言编码问题，为大模型提供了统一的分词方案。Unicode标准的应用确保了跨语言文本处理的兼容性。
2025-10-08 10:00:01
310
原创 快速搞懂大模型的分词器tokenizer（四）：Unigram
摘要：Unigram算法是一种与BPE和WordPiece不同的分词方法，它从大词汇表开始逐步删除影响最小的token。首先构建包含所有可能子词的基础词汇表，通过计算各分词方式的概率选择最优分词。然后采用负对数似然评估每个token的重要性，逐步删除对整体影响最小的token，直到达到目标词汇量。Unigram算法被广泛应用于AlBERT、T5等模型中，相比穷举法，实际使用维特比算法提高效率。该算法与SentencePiece工具结合可实现高效分词。
2025-10-08 09:58:33
834
毕业设计-（基于python和定向爬虫的商品比价系统的实现）.zip
2024-07-15
QT&C++ 学生成绩管理系统 ，无需配置环境，有安装包，适合快速理解.zip
2024-07-15
机器学习实验：使用mnist与usps数据集，采用BP神经网络与SVM支持向量机的方式实现手写数字的识别
2024-07-15
python flask 创建博客系统.zip
2024-07-15
2017大创项目(Students' Innovative Training Program).zip
2024-07-15
毕业设计&课设-基于matlab的通信原理.zip
2024-07-15
毕业设计&课设-飞思卡尔智能车比赛Matlab结合C处理图像程序.zip
2024-07-15
毕业设计&课设-毕业设计&课设-Xcode8以上版本，已升级为Swift3.x语法
2024-07-15
毕业设计&课设-STM32+线性CCD寻迹测速智能车.zip
2024-07-15
在ROS系统下利用串口发送数据到STM32.zip
2024-07-15
雪浪工业数据智能挑战赛 工业智检-电机异音AI诊断.zip
2024-07-15
毕业设计&课设-2020美赛c题代码参考.zip
2024-07-15
大三编译原理作业，SQL的解释器，可以解释执行SQL命令，创建小型数据库.zip
2024-07-15
计算机日用基础-计算机二级，学习资料相关资源、试题.zip
2024-07-15
ACM集训、国赛、美赛算法实现，各种智能算法（遗传算法、模拟退火算法、蚁群算法、粒子算法、神经网络算法等）实现和优化
2024-07-15
2020厦门国际银行数创金融杯建模大赛Baseline.zip
2024-07-15
51单片机的汇编程序和C程序.zip
2024-07-15
自己写的一些东西，包含java工具类，js插件类，小游戏等等 .zip
2024-07-15
51单片机串口通信控制蜂鸣器播放音乐.zip
2024-07-15
毕业设计&课设-网络聊天（SpringBoot+Mybatis plus+Netty+Docker+Redis）.zip
2024-07-15
采用原生php开发的一套基于前后端分离的权限认证系统.zip
2024-07-15
基于MongoDB+Spark+ElasticSearch的电影推荐系统.zip
2024-07-15
运用神经网络算法和Minst数据集制作的手写数字识别系统.zip
2024-07-15
毕业设计&课设-JD 城市物流运输车辆智能调度.zip
2024-07-15
一个嵌入式操作系统, 运行在stm32.zip
2024-07-15
51单片机Mlx90614红外测温，使用LCD1602显示.zip
2024-07-15
【大学生创新创业项目】结构健康监测SHM：预应力锚索无损检测分析(技术：DSP、FFT、STFT、Delphi)
2024-07-15
关于HEVC帧间预测测试AMP模式的快速算法.zip
2024-07-15
毕业设计&课设-工科创IV-E：智能小车机器人.zip
2024-07-15
毕业设计-计算机与软件学院本科生毕业论文管理系统-基于C#实现.zip
2024-07-15
基于servlet+jsp实现的web聊天系统.zip
2024-07-15
毕业设计&课设-基于51单片机的智能小车项目.zip
2024-07-15
卷积神经网络（CNN）提取影评特征构建电影推荐系统，pytorch实现.zip
2024-07-15
用于给各位同学学习蓝桥杯的51单片机代码.zip
2024-07-15
基于51单片机的DS18B20简易温度报警系统.zip
2024-07-15
Gobang,Java,基于Socket和Swing编写的多人联网桌面五子棋小游戏.zip
2024-07-15
Rust + WASM + 神经网络 + 遗传算法.zip
2024-07-15
基于 html、css 和 js 大致复刻大数据行程卡页面并进行二次创作.zip
2024-07-15
Python + Flask 搭建的爬虫系统.zip
2024-07-15
基于python和flask的图书管理系统.zip
2024-07-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人