- 博客(1)
- 资源 (122)
- 收藏
- 关注
RSS订阅原创 自顶向下，自底向上、三明治集成的方法。软件测试
实验 四 实验名称 集成测试 实验日期 2018/11/30 实验成绩 实 验 目 的 、 要 求 及 内 容 （给出本次实验所涉及并要求掌握的知识点及实验内容...
2018-12-11 14:42:22
3106
1
MMAction模型从视频中提取信息，例如对象识别、动作识别、物体跟踪
MMAction是一种基于深度学习的视频理解框架，旨在通过自动化视频语义理解来为视频内容提供更高级别的分析和理解。它使用了一系列深度学习技术，包括卷积神经网络、循环神经网络和注意力机制，以从视频中提取信息，例如对象识别、动作识别、物体跟踪等。
MMAction还提供了一些预训练模型，这些模型可以方便地应用于各种视频分析任务，例如行为识别、姿势估计和场景分析。它基于PyTorch深度学习框架，提供了易于使用的API，以便用户可以轻松地构建自己的视频理解模型。框架还支持多任务学习，以便可以同时解决多个相关任务。此外，MMAction还支持分布式训练和推理，以加快模型训练和推断速度。
特别地，MMAction2训练微调模型专门针对视频理解任务进行了优化，以提高视频分类、关键帧检测、行为识别等任务的准确率。这种模型不仅能识别出单个动作，还能识别出连续的多个动作，因此其应用范围非常广泛。例如，它可以应用于智能监控领域，自动识别出监控视频中的人脸、行为和物体；也可以应用于体育比赛，自动识别出运动员的动作、表情和战术，为教练员提供精准的训练建议。
总的来说，MMAction模型是一个功能强大的
2024-03-28
python image data enhancement 数据增强
在Python中，图像数据增强（Image Data Enhancement）是一种用于扩充图像数据集的技术，它可以提高模型的泛化能力，减少过拟合。图像数据增强通常包括对原始图像进行一系列的随机变换，如旋转、裁剪、缩放、翻转、颜色变换等，以生成新的训练样本。
在Python中，可以使用多种库来实现图像数据增强，其中最常用的是Keras和OpenCV。下面我将为你介绍如何使用这两个库进行图像数据增强。
使用Keras进行数据增强
Keras是一个高级神经网络API，它提供了简单的接口来进行图像数据增强。你可以使用ImageDataGenerator类来生成增强后的图像数据。
2024-03-28
PSPNet模型对数据集中图片进行分割
PSPNet：
PSPNet通过金字塔池化模块聚合不同区域的上下文信息，有助于捕捉全局上下文特征。
这种设计使得PSPNet在处理复杂场景和多种尺度对象时具有优势。
2024-03-28
FCN模型进行图像分割
全卷积网络（FCN）：
FCN是深度学习在图像分割领域的重要突破。它通过将全连接层替换为卷积层，实现了对任意大小输入图像的像素级预测。
FCN的设计使得它可以从输入图像中提取多层次的特征，并通过上采样操作恢复原始图像的分辨率，从而实现精确的像素级分割。
2024-03-28
DRnet实现对图片进行去噪
DRNet（Deep Residual Network）通常用于图像分类、目标检测等任务，但并非专门设计用于图像去噪。然而，由于其强大的特征表示能力，DRNet或类似的残差网络结构可以经过适当修改和调整来用于图像去噪任务。
要在DRNet的基础上实现图像去噪，你需要考虑以下几个关键步骤：
网络结构：
可以使用原始的DRNet结构，或者对其进行简化或修改以适应去噪任务。
通常，去噪网络不需要像分类网络那样深的层数，因此可以适当减少层数或调整卷积核的大小。
损失函数：
对于去噪任务，常用的损失函数是均方误差（MSE）或L1损失。这些损失函数能够度量去噪后的图像与原始无噪图像之间的差异。
你还可以考虑使用更复杂的损失函数，如结构相似性损失（SSIM）或感知损失，以更好地捕捉图像的视觉质量。
训练数据：
准备有噪声的图像和对应的无噪声图像作为训练数据。你可以使用真实世界的噪声图像或合成噪声图像。
对于合成噪声，常见的噪声类型包括高斯噪声、椒盐噪声等。
训练过程：
使用训练数据对DRNet进行训练，通过反向传播算法优化网络参数。
在训练过程中，可以使用一些正则化技术（如权重衰减）来防止过拟合
2024-03-28
Inception-v4和Inception-ResNet（包括v1和v2）是深度卷积神经网络架构，特别设计用于图像分类任务
实现Inception模块：
Inception模块包含多个不同大小的卷积核和池化操作，并将它们的输出连接起来。你需要为每个卷积操作定义层，并将它们的输出合并。
实现残差连接（对于Inception-ResNet）：
残差连接需要将输入跳过一些层，并与这些层的输出相加。在Keras中，你可以使用add函数来实现这一点。
堆叠模块：
根据论文中描述的架构，你需要将多个Inception模块（或Inception-ResNet模块）堆叠起来。
添加辅助分类器（可选）：
在某些Inception架构中，中间层会连接到辅助分类器。这些分类器在训练时提供额外的监督信号。
定义输出层：
最后，你需要添加一个全局平均池化层和一个或多个全连接层来产生最终的分类输出。
2024-03-28
个人博客系统（SpringBoot+Mybatis）
功能需求
因为是个人博客，所以没有做用户权限管理，只是简单的区分了一下普通用户和管理员用户，这里就根据普通用户和管理员用户来讲述功能需求，其实从上一篇博文的前端页面就能大致的看出需求了
1.普通用户
查看文章信息：文章列表、推荐文章、文章标题、文章内容、发布时间、访问量以及评论等信息
查看分类文章：分类列表、分类文章信息
查看时间轴：按照文章时间发布顺序查看文章
搜索文章：导航栏右边搜索框根据关键字搜索
听音乐：上一曲、下一曲、音量控制、播放顺序控制、查看歌词等
留言：留言并回复
查看友链：查看并访问博主在友链页面添加的友链连接
查看相册信息：相册列表、照片名称、照片拍摄地点、时间、照片描述
2.管理员用户（栈主）
拥有普通用户所有功能权限
登录：在主页路径下加“/admin”，可进入登录页面，根据数据库的用户名和密码进行登录
文章管理：查询文章列表、新增文章、编辑文章、删除文章、搜索文章
分类管理：查询分类列表、新增分类、编辑分类、删除分类
友链管理：查询友链列表、新增友链、编辑友链、删除友链
相册管理：查询相册列表、新增照片、编辑照片、删除照片
消息管理：登录后恢复评论留言会显示
2024-03-28
springboot学生管理系统
springboot学生管理系统,系统功能 :
学生信息管理
班级信息管理
教师信息管理
课程信息管理
选课信息管理
考勤信息管理
请假信息管理
成绩信息管理
系统管理
2024-03-28
unet++模型进行图片分割
UNet++模型本身并不是直接用于图片分类的，而是主要用于图像分割任务，特别是医学图像分割。UNet++是UNet模型的一个改进版本，通过引入深度监督和密集跳跃连接来增强特征提取和融合的能力，从而提高了分割精度。
然而，如果你希望使用类似UNet++的结构进行图片分类任务，你可以进行一些调整。一种可能的方法是将UNet++的解码器部分（即上采样和特征融合部分）替换为一个全局平均池化层和一个全连接层，以便输出分类结果。
以下是一个大致的步骤，描述如何将UNet++结构适应于图片分类任务：
编码器部分：保持UNet++的编码器部分不变，这部分主要用于从输入图像中提取特征。编码器通常由多个下采样块组成，每个块包含卷积层、归一化层和激活函数。
特征融合：在编码器部分，不同层次的特征图可以通过跳跃连接进行融合。这些融合的特征图有助于捕获不同尺度的信息。
替换解码器：在UNet++中，解码器部分负责将融合后的特征图上采样到与原始输入图像相同的尺寸。然而，在图片分类任务中，我们不需要这样的上采样过程。因此，你可以将解码器部分替换为一个全局平均池化层，用于将特征图转换为一个固定大小的特征向量
2024-03-28
DnCNN（去噪卷积神经网络）对图像去噪
DnCNN（去噪卷积神经网络）是一种用于图像和视频去噪的深度学习模型。其主要结合了CNN等深度学习技术的进步，在图像去噪方面提供了最先进的性能。
DnCNN的主要结构特点包括卷积层、批量归一化（BN）和ReLU激活函数。模型在卷积和激活函数间添加了批量归一化，有助于防止过拟合并提升模型的泛化能力。此外，DnCNN采用了残差学习的原理，其输入是噪声观察y = x + v，其中x是干净图像，v是噪声。模型并不在神经网络层之间增加连接，而是在网络的输出使用残差学习，采用残差学习公式来训练残差映射R(y) ≈ v，得到噪声图像，然后由x = y – R(y)得到原始图像。
DnCNN在进行图片去噪时，首先接收带噪图像作为输入，然后通过卷积层提取特征，并利用残差学习原理学习噪声的分布和特性。在训练过程中，模型通过优化损失函数来减小预测去噪图像与真实干净图像之间的差异。最后，模型输出去噪后的图像，实现了对带噪图像的修复和去噪。
值得注意的是，DnCNN的性能和效果可能受到训练数据、模型参数以及优化算法等多种因素的影响。因此，在实际应用中，需要根据具体情况调整模型结构和参数，以达到最佳的去噪效
2024-03-28
MMDetection3D对三维数据进行检测
MMDetection3D是一个基于PyTorch的三维目标检测开源工具包，它针对三维数据中的目标检测任务提供了高效、灵活的解决方案。MMDetection3D支持多种主流的三维检测算法，并提供了丰富的数据集接口和预训练模型，使得用户能够方便地进行三维目标检测的研究和应用。
使用MMDetection3D对三维数据进行检测主要涉及以下几个步骤：
安装和配置MMDetection3D：首先，用户需要按照官方文档或相关教程进行MMDetection3D的安装和配置。这通常包括安装必要的依赖库、设置环境变量以及下载MMDetection3D的代码库。
准备三维数据集：为了进行三维目标检测，用户需要准备一个标注好的三维数据集。数据集应包含三维点云数据（如从激光雷达或深度相机获取）以及对应的目标标注信息，如目标的类别、三维边界框等。MMDetection3D支持多种三维数据格式，用户可以根据需要选择合适的数据格式进行准备。
模型选择和配置：MMDetection3D提供了多种先进的三维目标检测算法，如PointRCNN、VoteNet等。用户可以根据自己的需求选择合适的模型，并通过修改配置文
2024-03-28
ADnet进行图片去噪
ADNet（Adaptive Denoising Network）是一种常用的图像去噪算法，专门设计用于从噪声图像中恢复出清晰、无噪声的图像。ADNet通过结合稀疏模块、特征增强模块、注意力模块以及重建模块，能够有效地去除图像中的噪声。
在ADNet中，稀疏模块利用扩张卷积和常规卷积来移除噪声，从而在性能和效率之间取得平衡。特征增强模块则通过集成全局与局部的特征信息来增强去噪模型的表达能力，提高模型的训练效率和减少复杂度。注意力模块用于提取隐藏在复杂背景中的噪声信息，对于复杂噪声图像（尤其是真实噪声图像和盲噪声）非常有效。最后，重建模块利用获得的噪声映射和输入的噪声图像来重构出清晰的图像。
使用ADNet进行图片去噪的过程大致如下：首先，将待去噪的图像输入到ADNet模型中。然后，模型通过稀疏模块、特征增强模块和注意力模块对图像进行处理，去除其中的噪声。最后，重建模块根据处理后的结果生成去噪后的清晰图像。
2024-03-28
MMDetection对图片进行目标检测
MMDetection是一个基于PyTorch的目标检测开源工具箱，用于在图像中识别和定位目标对象。它提供了丰富的预训练模型、灵活的配置选项以及高效的训练和推理速度，使得用户能够方便地对图片进行目标检测。
使用MMDetection对图片进行目标检测主要涉及以下几个步骤：
安装和配置MMDetection：首先，用户需要从GitHub等源获取MMDetection的代码，并按照官方文档或相关教程进行安装和配置。这通常包括安装必要的依赖库、设置环境变量等步骤。
准备数据集：为了训练或测试目标检测模型，用户需要准备一个标注好的数据集。数据集应包含带有目标对象边界框标注的图片，以及对应的标签文件。MMDetection支持多种数据格式，用户可以根据需要选择合适的格式进行准备。
模型选择和配置：MMDetection支持多种主流和最新的目标检测算法，如Faster R-CNN、Mask R-CNN、RetinaNet等。用户可以根据自己的需求选择合适的模型，并通过修改配置文件来设置模型的参数和超参数。
训练和测试模型：使用MMDetection，用户可以轻松地对模型进行训练和测试。训练过程
2024-03-28
mmsegmentation实现对数据集进行图片分割，数据增强
mmsegmentation实现对数据集进行图片分割，数据增强，MMSegmentation是一个基于PyTorch的开源图像分割工具包，它为研究者提供了高效、灵活的框架，用以进行图像分割任务的研究与实践。在使用MMSegmentation实现对数据集的图片分割时，数据增强是一个关键步骤，它可以提升模型的泛化能力，从而得到更稳健的分割结果。
首先，数据增强是通过一系列随机变换来扩充训练数据的过程。在图像分割任务中，数据增强尤为重要，因为模型通常需要学习从复杂的图像中识别出目标区域。通过应用诸如随机裁剪、旋转、缩放、翻转等变换，数据增强可以增加模型的鲁棒性，使其能够应对各种实际场景中的图像变化。
在使用MMSegmentation进行数据增强时，用户可以通过修改配置文件来指定增强策略。这些策略可以包括基本的几何变换，如随机缩放和裁剪，以及更高级的增强方法，如色彩抖动和亮度调整。MMSegmentation还支持使用预定义的增强策略组合，或者用户可以自定义自己的增强方法。
一旦增强策略确定，MMSegmentation会在训练过程中自动应用这些策略来扩充数据集。这意味着在每个训练批次
2024-03-28
MMClassification模型对图片分类
MMClassification是一个基于PyTorch框架的开源图像分类工具包，它允许用户方便地进行模型训练、测试和部署。使用MMClassification模型进行图片分类涉及多个步骤。
首先，用户需要准备好自己的数据集。数据集应包含两个主要文件夹：train和val。train文件夹用于存放训练图像，而val文件夹则用于存放验证图像。每个子文件夹的名称应与其所属的类别相对应。例如，如果有10个类别，那么train和val文件夹中应各有10个子文件夹，每个子文件夹的名称代表一个特定的类别。
接下来，配置训练参数是训练过程中的关键步骤。用户可以在config文件夹中选择一个适合自己的配置文件，或者自行创建一个新的配置文件。这些配置包括网络结构、数据增强、优化器等相关参数的设置。此外，还可以设置训练时的其他参数，如设备类型（GPU/CPU）、训练轮数、保存文件路径等。
完成数据集准备和参数配置后，就可以开始训练MMClassification模型了。训练过程中，模型会学习从图像中提取特征，并根据这些特征将图像分类到相应的类别中。训练完成后，可以使用验证集来评估模型的性能，确保其在
2024-03-28
RESNET对数据集进行图片分类
ResNet-50与CBAM使用PyTorch 1.8
此存储库包含带和不带CBAM的ResNet-50的实现。请注意，架构的一些参数可能会变化，例如内核大小或卷积层的步幅。该实现在英特尔的图像分类数据集上进行了测试，可以在这里找到
2024-03-28
vgg16对CIFAR10进行图片分类
vgg16对CIFAR10进行图片分类，vgg16的CIFAR10与pytorch
使用pytorch 0.4.0构建vgg16，用于CIFAR数据集的分类
我们使用pytorch_gpu 0.4.0来构建网络。
2024-03-28
Unet实现对数据集进行图片重建和去噪
Image_denoising_using_UNET
本教程包括使用Unet架构的图像去噪技术。
所以这里我用两种类型的噪声来训练模型，一种是泊松噪声，另一种是散斑噪声(伽玛分布)。
数据是由我生成的。
在训练模型后，我发现当将干净图像与带噪图像和预测图像进行比较时，PSNR和SSIM值略有增加。
在代码中，您还可以看到干净和预测图像的MSE。
2024-03-28
基于深度卷积神经网络的AlexNet图片分类
基于深度卷积神经网络的AlexNet图片分类- *network.py*: AlexNet arch. implementation
- *dataset.py*: custom Pytorch [Dataset] implementation
- *train.py*: training/validation/testing code
- *main.py*: driver code
2024-03-28
AlexNet 进行图像分类
AlexNet 进行图像分类,AlexNet是一种深度学习模型，尤其在图像分类领域具有显著的影响力。
AlexNet的结构设计精巧，主要采用了卷积层、池化层、全连接层等基本组件，并通过堆叠这些层来构建深度神经网络。其中，卷积层负责从图像中提取特征，池化层则用于降低数据维度和防止过拟合，而全连接层则负责将特征映射到具体的类别上。
在图像分类任务中，AlexNet首先会对输入的图像进行预处理，包括缩放、裁剪和归一化等操作，以便模型能够更好地提取特征。然后，模型会逐层对图像进行卷积和池化操作，逐步抽象出图像中的高层语义信息。最后，通过全连接层将特征映射到具体的类别上，输出每个类别的预测概率。
2024-03-28
U-Net： 用于生物医学图像分割的卷积网络 使用 Keras 实现深度学习框架 Unet
Implementation of deep learning framework -- Unet, using Keras U-Net： 用于生物医学图像分割的卷积网络。使用 Keras 实现深度学习框架 Unet
2024-03-28
深度学习中的常用数据集 已经上传到某盘了，需要的可以下载 BevFormer+VOC07 +ILSVRC+医学细胞+COCO+
BevFormer+数据集 cocodataset数据集 Marmousi1
mmdetection数据集COCO VIT算法数据集+cifar-10 VOCdevkit+Unet数据集
YOLO5+NEU-DET数据集 small数据集
datasets+DeepLabV3Plus数据集+datasets+EfficientDet数据集,zip
ILSVRC2012 img_ val.tar SFC-using-CNN-Parihaka-3D-main.zip unet++数据集医学细胞数据集,zip
VOC07+12+test.zip 有地震数据集含有断层数据二维segy文件和三维segy文件
2024-03-06
可视化segy文件软件segy.exe SeiSee
SEGY数据读写概述——用SeiSee查看文件（附资料）SeiSee是一个用于查看SEGY格式数据的程序。SEGY格式是一种常用于地震数据记录的标准格式。如果您想使用SeiSee来查看文件，可以按照以下步骤操作：
安装SeiSee：首先，确保您已经安装了SeiSee程序。这通常涉及到从官方网站或相关的软件存储库下载并安装程序。
打开SeiSee：安装完成后，打开SeiSee程序。
加载SEGY文件：在SeiSee界面中，通常会有一个“打开”或“加载”按钮，点击这个按钮来浏览并选择您要查看的SEGY文件。
查看数据：一旦文件被加载，您应该能够在SeiSee的界面中看到地震数据。这可能包括波形图、地震事件的可视化等。
调整显示参数：SeiSee可能允许您调整各种显示参数，如时间窗口、振幅范围、颜色映射等，以便更好地查看和理解数据。
保存或导出：如果您想保存或导出查看的数据或图形，SeiSee通常会有相应的选项或菜单供您选择。
请注意，具体的操作步骤可能会因SeiSee的版本和您的操作系统而有所不同。因此，最好参考SeiSee的官方文档或用户手册以获取最准确和最新的操作指南。
另外，SE
2024-03-06
QT学习视频和代码资料
对于QT学习视频和代码资料，可以参考以下内容：
QT教学视频：薛国良老师的QT教学视频合集，包括17集PythonQt图形界面编程内容，以及PySide2 PyQt5 PyQt PySide的视频合集，总播放次数超过6万。另外还有QT数据库编程视频合集、PythonQt控件等持续更新的内容。
QT实战项目视频：例如Halcon与QT&Halcon联合编程的龙熙机器视觉视频合集，以及PythonQt图形界面程序开发项目实战等视频。
QT相关代码资料：例如PythonQt图形界面测试工具开发项目实战、QT程序编程实例等。
如果想要进一步学习QT的相关知识和技能，可以通过观看这些教学视频和实践项目视频，阅读相关的代码资料来加深理解。同时，也可以参考其他在线学习平台上的课程和资料，以帮助自己系统地学习和掌握QT的相关知识和技能。
2023-12-27
unet-面向医学领域的深度学习实战，视频和代码
U-Net是一种深度学习网络结构，最初是用于图像分割的，后来被广泛应用于医学图像处理。在U-Net的经典结构中，它具有对称的encoder-decoder架构，即下采样路径（encoder）和上采样路径（decoder）。这种结构使得网络可以学习到从原始图像到目标分割图像的精细特征。
面向医学领域的深度学习实战，U-Net可以应用于多种任务，如医学图像分割、目标检测、疾病诊断等。以下是一个使用U-Net进行医学图像分割的简单实战案例：
数据准备：收集医学图像数据集，如CT、MRI等，并进行标注。标注的目的是为了在训练时为网络的输出提供参考。
数据预处理：对医学图像数据进行预处理，包括缩放、归一化等操作，以提高网络的训练效果。
构建U-Net模型：根据具体任务需求，使用Python和深度学习框架（如TensorFlow或PyTorch）构建U-Net模型。在构建模型时，可以根据需要添加更多的层或修改激活函数等参数，以提高模型的性能。
训练模型：使用标记好的医学图像数据对模型进行训练。在训练过程中，可以通过调整超参数、使用不同的优化器等方法来提高模型的准确率。
测试和评估：使用测试集对
2023-12-27
MMLAB学习视频和学习代码
MMLAB是一个专注于图像处理领域的开源框架，提供了丰富的图像处理算法和工具，可以帮助开发者快速开发图像处理应用程序。MMLAB支持多种编程语言，包括C++、Python等，并且提供了多种图像处理工具，如滤波、边缘检测、特征提取、图像分割等。开发者可以使用MMLAB提供的工具和算法，轻松地实现图像处理应用程序的开发和部署。
2023-12-27
Seismic Unix（SU）是一款著名的开源地震处理软件 这款软件主要用于处理地震数据，提供了一系列强大的计算程序和数据处理
Seismic Unix（SU）是一款著名的开源地震处理软件。这款软件主要用于处理地震数据，提供了一系列强大的计算程序和数据处理功能。SU软件包可以在其官网下载，安装后可以用于进行地震数据处理和分析。
如需了解更多关于Seismic Unix（SU）的信息，建议咨询地震数据处理专业人员或查阅相关论坛。
2023-12-27
408计算机思维导图，考研资料
先说一下本人408成绩并没有多好，没上100（T-T但是够一志愿的学校了） 本来不想出来丢人现眼 但是想到也许、可能、微乎其微会给学弟学妹们一点帮助，还是分享一下，算是对自己的努力一个结尾，也感谢王道这几本书的帮助，之前看到一个回答说希望各位吃水不忘挖井人，我觉得有道理，所以以下思维导图供大家自取。
中间有一些概念是隐藏的，图片上看不到，只能通过XMIND查看，这些都是XMIND做出来的，如果觉得有帮助可以私聊我，我会把.xmind格式的文件以百度云资源的形式分享给你们。
2023-12-27
PPT模板：1000个PPT模板，相关关键词， 毕业设计PPT，工作总结PPT 教学课件PPT，咸鱼上10元买的，免费分享给大家
PPT模板：1000个PPT模板，相关关键词9莫兰迪
7工作总结
6教学课件
5商务
52综合系列
4新年
48相册纪念
46唯美清新
44创业计划书
18动态PPT
17文艺
16卡通
15婚庆爱情
14欧美大气
13颁奖
12中式PPT
11科技
10婆金风
2023-07-06
PyTorch从小白到精通资料含代码和PyTorch.ptf, 深度学习
PyTorch从小白到精通资料含代码和PyTorch.ptf, 深度学习。从机器学习和深度学习的基础概念入手,由浅到深地详细介绍了PyTorch深度学习框架的知识主要包含深度学习的基础知识，如神经网络的优化算法、神经网络的模块等:同时也包含了深度学习的进阶知识，如使用 PyTorch 构建复杂的深度学习模型，以及前沿的深度学习模型的介绍等。另外，为了加深读者对PyTorch深度学习框架的理解和掌握，本书还介绍了PyTorch 的源代码结构，包括该框架的 Python语言前端和C++语言后端的源代码结构。
2023-07-06
2008-2023历年英语一真题阅读视频，新东方唐迟英语一阅读视频
2008-2023历年英语一真题阅读视频，新东方唐迟英语一阅读视频，新东方唐迟英语一阅读视频，《2023[有道唐迟]英语全程班》，考研英语唐迟老师的阅读视频，[新东方英语]强化班 英语一阅读唐迟8讲|英语一阅读进义-唐迟
2023-07-06
基于springboot+vue+mysql实现学生管理系统
基于springboot+vue+mysql实现学生管理系统，基于SpringBoot+Vue的学生选课管理系统的毕业设计，本文主要介绍基于SpringBoot+vue的学生选管理系统的源码实现。该系统实现了学生选课、退课、课程管理学生管理等功能,采用前后端分离的模式,前端
基于Springboot+vue+mysql的学生选课管理系统设计与实现 (源码) .zip资源名字:基于Springboot+wuetmysql的学生选管理系统设计与实现源码) 资源内容:项全源码 源说明: 全部项目源码都是经过测试校后
基于SpringBoot+VUE+Mysql开发的学生信息管理系统
前后分离的学生信息管理系统客户端 目前,包括3种类型的色,管理员,老,学生各角色功物下管理员:1.系统管理:查看登录日志和操作日志2.字典管理:维护系统中使用到的字
2023-07-06
基于QT学生信息管理系统 (mysql数据库-增删改查分页功能)QT版本5.14
基于QT学生信息管理系统 (mysql数据库--增删改查分页功能) 代码完整版，QT版本5.14录界面功实现
QT版本5.14，实现了连接MySQL进行了增删改查操作，和分页操作。解决了中文SQL提示成功但是执行失败问题，
Qt--数据库--增删改查操作
.Q数库简个Qt只是作为媒个去操作数居库，本身不具备数据库的功能，因此除了以外，还需要在计算机中安装对应的数车软性，但是由于SQLie教括库比较轻巧，因此Qt集成了SQLite数据库，此数据库是嵌入式中
2023-07-06
英语四级历年真题打印版，送四级英语作文模板 (1990-2023年)，word和pdf
英语四级历年真题打印版，听力，阅读，翻译，作文
(1990-2023年)，word和pdf
2023-07-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人