20240726100125039578_54771.zip

OnlineSchoolShop-基于Spring boot/SSM商城的搭建教程 API接口访问 http://127.0.0.1:8081/shop/swagger-ui.html 管理员访问 http://127.0.0.1:8081/shop/admin/login 普通用户访问 http://127.0.0.1:8081/shop/ 管理员帐号 admin 12345678 用户帐号 root codingzx admin 密码均为 12345678 图片保存路径： 可以全局搜索后替换 windows: D:/upload linux: /usr/upload mac：需要修改代码，见下面已知问题记录. 或者代码全局搜索 // todo mac需要修改地址 技术栈 后端： SpringBoot Swagger Docker（docker需自己搭建docker环境） 前端： JSP 数据库：MySQL 技术语言 jdk 1.8 开发平台 Idea 2018 +win10 运行环境 Linux/Windows 毕业设计基于SSM/Springboot的商城项目

数据库的特性 数据库的使命是什么？最基础的就是当你把数据交给数据库时，它应当把数据存储起来；而后当你向数据库要数据时，它应当把数据返回给你。 对于数据库的期许往往会包含以下几方面，首先是易用与灵活，尽可能可以用贴近业务语言的方式存取数据，而不需要理解太多抽象的语义或者函数；然后是高性能，无论存取皆可以迅速完成；然后是高可用与可扩展，我们能够根据实际的业务需要快速扩展数据库，提供长期的可用性与数据的安全一致，而不会因为数据的爆炸性增长导致数据库的崩溃。 以 Oracle, MySQL, SQLServer, PostgreSQL 为代表的关系型数据库，以行存储的方式结构化地存储数据。搜索引擎擅长文本查询；与 SQL 数据库中的文本匹配（例如 LIKE）相比，搜索引擎提供了更高的查询功能和更好的开箱即用性能。文档存储提供比传统数据库更好的数据模式适应性；通过将数据存储为单个文档对象（通常表示为 JSON），它们不需要预定义模式。列式存储专门用于单列查询和值聚合，在列式存储中，诸如 SUM 和 AVG 之类的 SQL 操作要快得多，因为同一列的数据在硬盘驱动器上更紧密地存储在一起。

简单的理解: 用于描述图像特征的关键点 常见的特征点提取算法: SIFT: 尺度不变特征变换. opencv只有cpu实现 SURF: surf的加速算法. opencv有cpu和cuda实现 ORB: 使用FAST特征检测和BRIEF特征描述子. opencv有cpu和cuda实现 他们的好处是什么: 尺度和旋转不变性,说白了就是兼容不同分辨率、旋转、尺度的变换 速度排序: ORB(cuda)>SURF(cuda)>ORB>SURF>SIFT 效果排序(效果不止是特征点的数量,更重要的是特征点的质量): SIFT>ORB>SURF

基于卷积神经网络的故障诊断（1DCNN、2DCNN） 文件夹说明： data：数据集存放路径 save_picture/1DCNN:存放1DCNN的图片 save_picture/2DCNN:存放2DCNN的图片 model/1DCNN.h5: 保存的1DCNN模型文件 model/2DCNN.h5: 保存的2DCNN模型文件 code/1DCNN.py: 1DCNN代码运行文件 code/2DCNN.py: 2DCNN代码运行文件 code/preprocessing.py: 数据预处理文件 基于卷积与循环神经网络的故障诊断(1DCNN-LSTM、1DCNN-GRU、2DCNN-LSTM、2DCNN-GRU) 文件夹说明： data：数据集存放路径 save_picture/1DCNN_GRU:存放1DCNN_GRU的图片 save_picture/1DCNN_LSTM:存放1DCNN_LSTM的图片 save_picture/2DCNN_GRU:存放2DCNN_GRU的图片 save_picture/2DCNN_LSTM:存放2DCNN_LSTM的图片

20240725100124809307-864538.zip

比赛名称：深度"学习"—— 毕业吧，少女！ 赛事背景： 现有的数据集再也无法满足搭载了THUAI的智能机器人“捣蛋鬼”自我迭代的欲望，它认为自己已经有足够能力去学习人类的思想，然后在课程中战胜其他清华同学，为此，它想出了完美的方案。在某节写作课的教室，它假扮为了一名上课的同学，偷偷在课堂中学习其他同学的想法，同时干扰其他同学，诱惑他们摸鱼。学生在这种环境下，相互帮助，努力学习，挣得学分，尽力避免自己被捣蛋鬼影响，只不过，有一名不擅长写作但很擅长AI的同学，似乎和其他人不是同样的想法…… 比赛规则 选手分为学生和捣蛋鬼两个阵营，学生阵营需要在不同的“教室”中发挥合作精神、努力学习、获得高学分。捣蛋鬼阵营需要改善捣蛋鬼的AI，想方设法干扰同学们，诱惑同学们沉迷摸鱼。学习过程中，学生需要及时帮助其他同学，防止他们被退学。当学分足够高时，同学们就可以来到“校门”前毕业。此外，各种“校园怪谈宝箱”中能找到不错的道具，甚至还有六教的钥匙！充分利用道具，发挥各自特长，亦是胜利的秘诀。每场比赛分为上下两场，双方队伍将分别扮演学生和捣蛋鬼，最终两场加起来得分更高的队伍获胜。

About SagooIOT 是一个轻量级的轻量级平台开发的。它支持跨平台访问和管理解决方案。该平台实现与信息通信技术开发有关的基本功能,在此基础上,可以快速建立一套完整的信息通信技术相关业务系统。 平台概览 基于GG框架2.0+VO3+元素加元素开发的前端和后端分离管理系统 前端使用的是----行政、VUE和元素UI。 特点 高生产率:可以在几分钟内建立后端管理系统 模块化:一个具有多个系统的应用程序,它将一个完整的应用程序划分为多个系统,以便于扩展和增加代码重用。 认证机制:采用GLOT用户身份认证和CASBIN授权 路由模式:由于Go框架2.0提供了一种标准化的路由注册方法,自动生成的API文档没有注释。 面向互动的发展 支持对象模型,多产品,和多设备访问和管理。 模糊了网络协议的复杂性,适应了多个访问协议(tml、mqtt、UDP、COAP、http、G组PC、RPC等)。),以及弹性连接不同制造商的设备。

人工智能、自然语言处理和机器学习领域的研究者和从业者：该项目旨在为研究者和从业者提供大规模预训练语言模型的知识和技术，帮助他们更深入地了解当前领域的最新动态和研究进展。 学术界和产业界对大型语言模型感兴趣的人士：项目内容涵盖了大型语言模型的各个方面，从数据准备、模型构建到训练和评估，以及安全、隐私和环境影响等方面。这有助于拓宽受众在这一领域的知识面，并加深对大型语言模型的理解。 想要参与大规模语言模型开源项目的人士：本项目提供代码贡献和理论知识，降低受众在大规模预训练学习的门槛。 其余大型语言模型相关行业人员：项目内容还涉及大型语言模型的法律和道德考虑，如版权法、合理使用、公平性等方面的分享，这有助于相关行业从业者更好地了解大型语言模型的相关问题。