卷积的C++实现的代码问题

在matlab中碰到了conv这个卷积函数,可是却要求用c++来做,有谁知道该怎么用c++写实现卷积的代码吗

1个回答

找个开源代码参考,几乎所有的科学计算的源码包里都有的

Csdn user default icon
上传中...
上传图片
插入图片
抄袭、复制答案,以达到刷声望分或其他目的的行为,在CSDN问答是严格禁止的,一经发现立刻封号。是时候展现真正的技术了!
其他相关推荐
卷积的C++实现的代码问题

在matlab中碰到了conv这个卷积函数,可是却要求用c++来做,有谁知道该怎么用c++写实现卷积的代码吗

在c++中实现一个卷积神经网络并用mnist数据集测试

作业要求在c++中自己搭建一个网络,不过只需要实现前向传播就可以了,要求将一个模型参数导进去,然后用mnist数据集测试,会的可以私聊我,报酬可议,大部分代码已经完成,现在只有一点点bug

数据库黑盒交易事务的实现,是怎么利用C语言的程序的编写代码设计思想的办法有效实现的呢?

Description Our Black Box represents a primitive database. It can save an integer array and has a special i variable. At the initial moment Black Box is empty and i equals 0. This Black Box processes a sequence of commands (transactions). There are two types of transactions: ADD (x): put element x into Black Box; GET: increase i by 1 and give an i-minimum out of all integers containing in the Black Box. Keep in mind that i-minimum is a number located at i-th place after Black Box elements sorting by non- descending. Let us examine a possible sequence of 11 transactions: Example 1 N Transaction i Black Box contents after transaction Answer (elements are arranged by non-descending) 1 ADD(3) 0 3 2 GET 1 3 3 3 ADD(1) 1 1, 3 4 GET 2 1, 3 3 5 ADD(-4) 2 -4, 1, 3 6 ADD(2) 2 -4, 1, 2, 3 7 ADD(8) 2 -4, 1, 2, 3, 8 8 ADD(-1000) 2 -1000, -4, 1, 2, 3, 8 9 GET 3 -1000, -4, 1, 2, 3, 8 1 10 GET 4 -1000, -4, 1, 2, 3, 8 2 11 ADD(2) 4 -1000, -4, 1, 2, 2, 3, 8 It is required to work out an efficient algorithm which treats a given sequence of transactions. The maximum number of ADD and GET transactions: 30000 of each type. Let us describe the sequence of transactions by two integer arrays: 1. A(1), A(2), ..., A(M): a sequence of elements which are being included into Black Box. A values are integers not exceeding 2 000 000 000 by their absolute value, M <= 30000. For the Example we have A=(3, 1, -4, 2, 8, -1000, 2). 2. u(1), u(2), ..., u(N): a sequence setting a number of elements which are being included into Black Box at the moment of first, second, ... and N-transaction GET. For the Example we have u=(1, 2, 6, 6). The Black Box algorithm supposes that natural number sequence u(1), u(2), ..., u(N) is sorted in non-descending order, N <= M and for each p (1 <= p <= N) an inequality p <= u(p) <= M is valid. It follows from the fact that for the p-element of our u sequence we perform a GET transaction giving p-minimum number from our A(1), A(2), ..., A(u(p)) sequence. Input Input contains (in given order): M, N, A(1), A(2), ..., A(M), u(1), u(2), ..., u(N). All numbers are divided by spaces and (or) carriage return characters. Output Write to the output Black Box answers sequence for a given sequence of transactions, one number each line. Sample Input 7 4 3 1 -4 2 8 -1000 2 1 2 6 6 Sample Output 3 3 1 2

卷积神经网络中,用Im2col实现卷积层,但是在调用convolution类时报错

这是实现代码,是深度学习入门书上的代码 ``` import numpy as np def im2col(input_data, filter_h, filter_w, stride=1, pad=0): """ Parameters ---------- input_data : 由(数据量, 通道, 高, 长)的4维数组构成的输入数据 filter_h : 卷积核的高 filter_w : 卷积核的长 stride : 步幅 pad : 填充 Returns ------- col : 2维数组 """ # 输入数据的形状 # N:批数目,C:通道数,H:输入数据高,W:输入数据长 N, C, H, W = input_data.shape out_h = (H + 2 * pad - filter_h) // stride + 1 # 输出数据的高 out_w = (W + 2 * pad - filter_w) // stride + 1 # 输出数据的长 # 填充 H,W img = np.pad(input_data, [(0, 0), (0, 0), (pad, pad), (pad, pad)], 'constant') # (N, C, filter_h, filter_w, out_h, out_w)的0矩阵 col = np.zeros((N, C, filter_h, filter_w, out_h, out_w)) for y in range(filter_h): y_max = y + stride * out_h for x in range(filter_w): x_max = x + stride * out_w col[:, :, y, x, :, :] = img[:, :, y:y_max:stride, x:x_max:stride] # 按(0, 4, 5, 1, 2, 3)顺序,交换col的列,然后改变形状 col = col.transpose(0, 4, 5, 1, 2, 3).reshape(N * out_h * out_w, -1) return col class Convolution: def __init__(self,W,b,stride=1,pad=0): self.W = W self.b = b self.stride = stride self.pad = pad def forward(self,x): FN,C,FH,FW=self.W.shape N,C,H,W = x.shape out_h = int(1+(H+ 2*self.pad - FH) / self.stride) out_w = int(1+(W + 2*self.pad -FW) / self.stride) col = im2col(x,FH,FW,self.stride,self.pad) col_W = self.W.reshape(FN,-1).T #矩阵的转置 out = np.dot(col,col_W) + self.b print(self.W) out = out.reshape(N,out_h,out_w,-1).transpose(0,3,1,2) return out e = np.array([[2,0,1],[0,1,2],[1,0,2]]) x = np.array([[1,2,3,0],[0,1,2,3],[3,0,1,2],[2,3,0,1]]) gdd = Convolution(e,3,1,0) gdd.forward(x) ``` 在gdd.forward(x)出现错误: Traceback (most recent call last): File "E:/PycharmProjects/untitled2/kk.py", line 61, in <module> gdd.forward(x) File "E:/PycharmProjects/untitled2/kk.py", line 46, in forward FN,C,FH,FW=self.W.shape ValueError: not enough values to unpack (expected 4, got 2)

求神经网络算法MATLAB代码

目标是:将表中13个样本,属性为4的数据分为两类,用神经网络算法如何用MATLAB如何做,并计算准确率。目标表格如下: 样本数 分类结果 s1 1 s2 1 s3 1 s4 1 s5 1 s6 0 s7 1 s8 1 s9 0 s10 1 s11 0 s12 1 s13 0 训练样本数据如下: v1 v2 v3 v4 s1 0.7511273 0.776725367 0.8003134 0.820134233 s2 0.714120133 0.742052267 0.7680412 0.790078867 s3 0.645714933 0.6715376 0.695278467 0.715087033 s4 0.7472154 0.778320767 0.807289833 0.832031567 s5 0.675175267 0.6936587 0.710464567 0.724201833 s6 0.6500577 0.6717081 0.6914599 0.707798567 s7 0.593231533 0.61752 0.639873433 0.658526333 s8 0.641064333 0.663005767 0.683036433 0.6995567 s9 0.567699267 0.5920724 0.614508133 0.6331918 s10 0.584882867 0.607799233 0.628835833 0.6462888 s11 0.623362867 0.651357567 0.677329233 0.699399733 s12 0.658756167 0.685911967 0.711035633 0.732209 s13 0.5843791 0.609845067 0.633467167 0.653468933

如何基于AE C#开发实现栅格数据的重采样

使用AE C#开发实现栅格数据三种方式的重采样,即最近邻法,双线性内插,和三次卷积。不太明白输入栅格和输出栅格如何设置以及他们之间几何变换的关系如何用代码表示。算法的话应该是用栅格的行列号来进行运算吧?开发刚刚入门懂得不是太多,好心人的回答能否注释一下代码,苦求

一维信号分别经过双边滤波和高斯滤波的MATLAB代码

一维信号分别经过高斯滤波和双边滤波后,得到的曲线和原曲线之间的差异,图片如![图片说明](https://img-ask.csdn.net/upload/201512/17/1450320427_527179.jpg),下面蓝色的是滤波后与滤波前的差值,matlab程序如何写啊,急用!求大神指教!

Tensorflow实现简单CNN模型中某一层shape的计算问题

RT,网上看到一篇资料,实现了一个简单的CNN模型,但是有个shape我有点蒙,不知道怎么算的,代码如下: 这是alexnet网络定义的部分 ,我们只需要修改这一部就可以了 ``` def alex_net(_X, _weights, _biases, _dropout): # Reshape input picture _X = tf.reshape(_X, shape=[-1, 28, 28, 1]) # Convolution Layer conv1 = conv2d('conv1', _X, _weights['wc1'], _biases['bc1']) # Max Pooling (down-sampling) pool1 = max_pool('pool1', conv1, k=2) # Apply Normalization norm1 = norm('norm1', pool1, lsize=4) # Apply Dropout norm1 = tf.nn.dropout(norm1, _dropout) # Convolution Layer conv2 = conv2d('conv2', norm1, _weights['wc2'], _biases['bc2']) # Max Pooling (down-sampling) pool2 = max_pool('pool2', conv2, k=2) # Apply Normalization norm2 = norm('norm2', pool2, lsize=4) # Apply Dropout norm2 = tf.nn.dropout(norm2, _dropout) # Convolution Layer conv3 = conv2d('conv3', norm2, _weights['wc3'], _biases['bc3']) # Max Pooling (down-sampling) pool3 = max_pool('pool3', conv3, k=2) # Apply Normalization norm3 = norm('norm3', pool3, lsize=4) # Apply Dropout norm3 = tf.nn.dropout(norm3, _dropout) # Fully connected layer dense1 = tf.reshape(norm3, [-1, _weights['wd1'].get_shape().as_list()[0]]) # Reshape conv3 output to fit dense layer input dense1 = tf.nn.relu(tf.matmul(dense1, _weights['wd1']) + _biases['bd1'], name='fc1') # Relu activation dense2 = tf.nn.relu(tf.matmul(dense1, _weights['wd2']) + _biases['bd2'], name='fc2') # Relu activation # Output, class prediction out = tf.matmul(dense2, _weights['out']) + _biases['out'] return out # Store layers weight & bias weights = { 'wc1': tf.Variable(tf.random_normal([3, 3, 1, 64])), 'wc2': tf.Variable(tf.random_normal([3, 3, 64, 128])), 'wc3': tf.Variable(tf.random_normal([3, 3, 128, 256])), 'wd1': tf.Variable(tf.random_normal([4*4*256, 1024])), 'wd2': tf.Variable(tf.random_normal([1024, 1024])), 'out': tf.Variable(tf.random_normal([1024, 10])) } biases = { 'bc1': tf.Variable(tf.random_normal([64])), 'bc2': tf.Variable(tf.random_normal([128])), 'bc3': tf.Variable(tf.random_normal([256])), 'bd1': tf.Variable(tf.random_normal([1024])), 'bd2': tf.Variable(tf.random_normal([1024])), 'out': tf.Variable(tf.random_normal([n_classes])) } # Construct model pred = alex_net(x, weights, biases, keep_prob) ``` weights 项下的“wd1”,shape的输入处是4*4*256,4是怎么算出来的,学生自学所以不是很明白,各位帮忙解释一下 资料的网址:TensorFlow人工智能引擎入门教程之三 实现一个自创的CNN卷积神经网络 - zhuyuping的个人空间 https://my.oschina.net/yilian/blog/661409

C++代码优化,以缩短时间为先(仅从代码分析)图片无法由于格式无法上传。麻烦

#include "stdio.h" #include "stdlib.h" #include "math.h" #include <iostream> #include <time.h> #define SUPPORT_SIZE 2 // 高斯滤波窗口半径 #define IM_WIDTH 1920 // 输入图像宽和高 #define IM_HEIGHT 1080 // 计算高斯系数 void calGaussCoef(double *pGaussCoef) { int i, j, k; int wlen = (SUPPORT_SIZE<<1) + 1; double sum = 0; if(pGaussCoef) { for(i = -SUPPORT_SIZE; i <= SUPPORT_SIZE; ++i) { for(j = -SUPPORT_SIZE; j <= SUPPORT_SIZE; ++j) { //计算高斯系数,2.71828为自然数e pGaussCoef[ (i+SUPPORT_SIZE)*wlen + j+SUPPORT_SIZE ] = pow( 2.71828, (-double(i*i + j*j)/25) ); } } for(k = 0; k < wlen*wlen; ++k) { sum += pGaussCoef[k]; } for(k = 0; k < wlen*wlen; ++k) //进行归一化处理 { pGaussCoef[k] /= sum; } } } // 2维卷积函数,实现2维图像高斯滤波 // pGaussCoef为高斯系数 // pSrcImg为原始图像 // pDstImg为滤波后图像 // height:图像高度 // width:图像宽度 // supportSize:高斯滤波窗口半径,直径为2*supportSize + 1 void conv2D(double *pGaussCoef, unsigned char *pSrcImg, unsigned char *pDstImg, int height, int width, int supportSize) { int i, j; int m, n; int indexI, indexG; int sw = supportSize; int slen = sw*2 + 1; double sum; double *pTemp = NULL; pTemp = new double[height*width]; //图像面积 calGaussCoef(pGaussCoef); for(i = sw; i < height - sw; ++i) // sw=2 height=1080 width=1920 i=2;i<1078;i++ { for(j = sw; j < width - sw; ++j)// j=2;l<1918;j++ { sum = 0; for(m = -sw; m <= sw; ++m) // m=-2;m<2;m++ { for(n = -sw; n <= sw; ++n) { indexI = (i+m)*width + j+n; indexG = (m+sw)*slen/*直径*/ + n+sw; sum += pSrcImg[indexI] * pGaussCoef[indexG]; } } pDstImg[i*width + j] = (unsigned char)(sum); } } } int main() { int wlen, imLen; time_t start, end; double *pGaussCoef = NULL; unsigned char *pSrc = NULL, *pDst = NULL; unsigned char buffer[1078]; //定义BMP图像文件头部缓冲区1078 FILE *fin, *fout; if( !(fin=fopen("in.bmp","rb")) ) //打开原始输入图像 { printf("Open file %s error!\n","in.bmp"); exit(1); } if( !(fout=fopen("out.bmp","wb")) ) //创建滤波后输出图像 { printf("Open file %s error!\n","out.bmp"); exit(1); } wlen = SUPPORT_SIZE * 2 + 1; imLen = IM_WIDTH * IM_HEIGHT; pGaussCoef = new double[wlen*wlen]; pSrc = new unsigned char[IM_WIDTH*IM_HEIGHT]; pDst = new unsigned char[IM_WIDTH*IM_HEIGHT]; fread(buffer, 1, 1078, fin); //读取1078字节BMP图像文件头信息 fread(pSrc, sizeof(unsigned char), imLen, fin); //从输入文件读入图像数据 start = clock(); conv2D(pGaussCoef, pSrc, pDst, IM_HEIGHT, IM_WIDTH, SUPPORT_SIZE); //执行滤波 end = clock(); printf("running time is %d\n", end - start); fwrite(buffer, sizeof(unsigned char), 1078, fout); fwrite(pDst, sizeof(unsigned char), imLen, fout); //将滤波结果写到新文件 delete[] pGaussCoef; delete[] pSrc; delete[] pDst; fclose(fin); fclose(fout); }

Sobel边缘检测,为何输出不对呢

//Sobel边缘检测 //卷积 // H 模板高 // W 模板宽 // C模板系数 // CX 中心元素横坐标 // CY 中心元素纵坐标 //fpArray 指向模板数组的指针 //C 模板系数 void Templat( unsigned char *dst,int H, int W, int CX,int CY,int C ,int *Template) { IplImage*image; image = cvLoadImage("1.jpg", 0); cvNamedWindow("image"); cvShowImage("image", image); int width = image->width; int height = image->height; unsigned char *ptr; int i, j, k, l; for (j = CY;j < height - H + CY + 1;j++) { for (i = CX;i < width - W + CX + 1;i++) { for (k = 0;k < H;k++) { for (l = 0;l < W;l++) { ptr = (unsigned char*)image->imageData + j*image->widthStep + i; ptr = ptr + *((unsigned char *)image->imageData + (j - CY + k)*width + (i - CX + l))*Template[k*W + l]; dst = (unsigned char*)image->imageData + j*image->widthStep + i; *ptr*= C; *ptr = abs(*ptr); if (*ptr > 255) { *dst = 255; } else { *dst = *ptr; } } } } } } //sobel水平与垂直边缘检测 void Sobel(IplImage*image, IplImage*image5) { unsigned char*dst,*dst1,*dst2; int width = image->width; int height = image->height; int i, j; int H=3;//模板高 int W=3;//模板宽 int C=1;//模板系数 int CX=1;//中心元素横坐标 int CY=1;//中心元素纵坐标 int Template[9]; for (j = 0;j < height;j++) { for (i = 0;i < width;i++) { dst1 = (unsigned char*)image->imageData + j*image->widthStep + i; dst2 = (unsigned char*)image->imageData + j*image->widthStep + i; } } Template[0] = -1; Template[1] = -2; Template[2] = -1; Template[3] = 0; Template[4] = 0; Template[5] = 0; Template[6] = 1; Template[7] = 2; Template[8] = 1; Templat(dst1,H,W,CX,CY,C,Template); Template[0] = -1; Template[1] = 0; Template[2] = 1; Template[3] = -2; Template[4] = 0; Template[5] = 2; Template[6] = -1; Template[7] = 0; Template[8] = 1; Templat( dst2,H, W, CX, CY, C,Template); for (j = 0;j < height;j++) { for(i = 0;i < width;i++) { dst= (unsigned char*)image5->imageData + j*image5->widthStep + i; if (*dst1 < *dst2) { *dst= *dst2; } else { *dst = *dst1; } } } } void main() { IplImage*image, *image1,*image2,*image3,*image4,*image5; image = cvLoadImage("1.jpg", 0); cvNamedWindow("image"); cvShowImage("image", image); image1 = cvCreateImage(cvGetSize(image), image->depth, 1); image2 = cvCreateImage(cvGetSize(image), image->depth, 1); image3 = cvCreateImage(cvGetSize(image), image->depth, 1); image4 = cvCreateImage(cvGetSize(image), image->depth, 1); image5 = cvCreateImage(cvGetSize(image), image->depth, 1); Zongxiang(image, image1); Hengxiang(image, image2); Shuangxiang(image, image3); Robert(image, image4); Sobel(image, image5); //cvNamedWindow("zongxiang"); //cvShowImage("zongxiang", image1); //cvNamedWindow("hengxiang"); //cvShowImage("hengxiang", image2); //cvNamedWindow("shuangxiang"); //cvShowImage("shuangxiang", image3); //cvNamedWindow("Robert"); //cvShowImage("Robert", image4); cvNamedWindow("Sobel"); cvShowImage("Sobel", image5); cvWaitKey(); }

Python数据挖掘简易入门

&nbsp; &nbsp; &nbsp; &nbsp; 本课程为Python数据挖掘方向的入门课程,课程主要以真实数据为基础,详细介绍数据挖掘入门的流程和使用Python实现pandas与numpy在数据挖掘方向的运用,并深入学习如何运用scikit-learn调用常用的数据挖掘算法解决数据挖掘问题,为进一步深入学习数据挖掘打下扎实的基础。

HoloLens2开发入门教程

本课程为HoloLens2开发入门教程,讲解部署开发环境,安装VS2019,Unity版本,Windows SDK,创建Unity项目,讲解如何使用MRTK,编辑器模拟手势交互,打包VS工程并编译部署应用到HoloLens上等。

2019 Python开发者日-培训

本次活动将秉承“只讲技术,拒绝空谈”的理念,邀请十余位身处一线的Python技术专家,重点围绕Web开发、自动化运维、数据分析、人工智能等技术模块,分享真实生产环境中使用Python应对IT挑战的真知灼见。此外,针对不同层次的开发者,大会还安排了深度培训实操环节,为开发者们带来更多深度实战的机会。

Only老K说-爬取妹子图片(简单入门)

安装第三方请求库 requests 被网站禁止了访问 原因是我们是Python过来的 重新给一段 可能还是存在用不了,使用网页的 编写代码 上面注意看匹配内容 User-Agent:请求对象 AppleWebKit:请求内核 Chrome浏览器 //请求网页 import requests import re //正则表达式 就是去不规则的网页里面提取有规律的信息 headers = { 'User-Agent':'存放浏览器里面的' } response = requests.get

2020_五一数学建模_C题_整理后的数据.zip

该数据是我的程序读取的数据,仅供参考,问题的解决方案:https://blog.csdn.net/qq_41228463/article/details/105993051

R语言入门基础

本课程旨在帮助学习者快速入门R语言: 课程系统详细地介绍了使用R语言进行数据处理的基本思路和方法。 课程能够帮助初学者快速入门数据处理。 课程通过大量的案例详细地介绍了如何使用R语言进行数据分析和处理 课程操作实际案例教学,通过编写代码演示R语言的基本使用方法和技巧

人才招聘系统PHP+MySQL源码

PHP 5.0及以上 + MySQL 5.0及以上 开发的人才招聘系统完全可运行源码,按照操作说明简单配置即可运行。学习PHPWEB应用的完整系统程序源码。

Java基础知识面试题(2020最新版)

文章目录Java概述何为编程什么是Javajdk1.5之后的三大版本JVM、JRE和JDK的关系什么是跨平台性?原理是什么Java语言有哪些特点什么是字节码?采用字节码的最大好处是什么什么是Java程序的主类?应用程序和小程序的主类有何不同?Java应用程序与小程序之间有那些差别?Java和C++的区别Oracle JDK 和 OpenJDK 的对比基础语法数据类型Java有哪些数据类型switc...

python可视化分析(matplotlib、seaborn、ggplot2)

python可视化分析总结(matplotlib、seaborn、ggplot)一、matplotlib库1、基本绘图命令3、图形参数设置4、特殊统计图的绘制4.1 数学函数图4.2 气泡图4.1 三维曲面图二、seaborn库1、常用统计图1.1 箱线图1.2 小提琴图1.3 点图1.4 条图与计数图1.5 分组图1.6 概率分布图2、联合图3、配对图三、ggplot库1、图层画法+常用图形2、快速绘图 一、matplotlib库 1、基本绘图命令 import matplotlib.pyplot as

Vue.js 2.0之全家桶系列视频课程

基于新的Vue.js 2.3版本, 目前新全的Vue.js教学视频,让你少走弯路,直达技术前沿! 1. 包含Vue.js全家桶(vue.js、vue-router、axios、vuex、vue-cli、webpack、ElementUI等) 2. 采用笔记+代码案例的形式讲解,通俗易懂

初级玩转Linux+Ubuntu(嵌入式开发基础课程)

课程主要面向嵌入式Linux初学者、工程师、学生 主要从一下几方面进行讲解: 1.linux学习路线、基本命令、高级命令 2.shell、vi及vim入门讲解 3.软件安装下载、NFS、Samba、FTP等服务器配置及使用

人工智能-计算机视觉实战之路(必备算法+深度学习+项目实战)

系列课程主要分为3大阶段:(1)首先掌握计算机视觉必备算法原理,结合Opencv进行学习与练手,通过实际视项目进行案例应用展示。(2)进军当下最火的深度学习进行视觉任务实战,掌握深度学习中必备算法原理与网络模型架构。(3)结合经典深度学习框架与实战项目进行实战,基于真实数据集展开业务分析与建模实战。整体风格通俗易懂,项目驱动学习与就业面试。 建议同学们按照下列顺序来进行学习:1.Python入门视频课程 2.Opencv计算机视觉实战(Python版) 3.深度学习框架-PyTorch实战/人工智能框架实战精讲:Keras项目 4.Python-深度学习-物体检测实战 5.后续实战课程按照自己喜好选择就可以

【大总结2】大学两年,写了这篇几十万字的干货总结

本文十天后设置为粉丝可见,喜欢的提前关注 不要白嫖请点赞 不要白嫖请点赞 不要白嫖请点赞 文中提到的书我都有电子版,可以评论邮箱发给你。 文中提到的书我都有电子版,可以评论邮箱发给你。 文中提到的书我都有电子版,可以评论邮箱发给你。 本篇文章应该算是Java后端开发技术栈的,但是大部分是基础知识,所以我觉得对任何方向都是有用的。 1、数据结构 数据结构是计算机存储、...

lena全身原图(非256*256版本,而是全身原图)

lena全身原图(非256*256版本,而是全身原图) lena原图很有意思,我们通常所用的256*256图片是在lena原图上截取了头部部分的256*256正方形得到的. 原图是花花公子杂志上的一个

【项目实战】 图书信息管理系统(Maven,mybatis)(第一个自己独立完成的项目)

《程序设计综合训练实践报告》 此项目为图书信息管理系统,是一个采用了mysql+mybatis框架+java编写的maven项目

图书管理系统(Java + Mysql)我的第一个完全自己做的实训项目

图书管理系统 Java + MySQL 完整实训代码,MVC三层架构组织,包含所有用到的图片资源以及数据库文件,大三上学期实训,注释很详细,按照阿里巴巴Java编程规范编写

Python入门视频精讲

Python入门视频培训课程以通俗易懂的方式讲解Python核心技术,Python基础,Python入门。适合初学者的教程,让你少走弯路! 课程内容包括:1.Python简介和安装 、2.第一个Python程序、PyCharm的使用 、3.Python基础、4.函数、5.高级特性、6.面向对象、7.模块、8.异常处理和IO操作、9.访问数据库MySQL。教学全程采用笔记+代码案例的形式讲解,通俗易懂!!!

20行代码教你用python给证件照换底色

20行代码教你用python给证件照换底色

2018年全国大学生计算机技能应用大赛决赛 大题

2018年全国大学生计算机技能应用大赛决赛大题,程序填空和程序设计(侵删)

MySQL数据库从入门到实战应用

限时福利1:购课进答疑群专享柳峰(刘运强)老师答疑服务 限时福利2:购课后添加学习助手(微信号:csdn590),按消息提示即可领取编程大礼包! 为什么说每一个程序员都应该学习MySQL? 根据《2019-2020年中国开发者调查报告》显示,超83%的开发者都在使用MySQL数据库。 使用量大同时,掌握MySQL早已是运维、DBA的必备技能,甚至部分IT开发岗位也要求对数据库使用和原理有深入的了解和掌握。 学习编程,你可能会犹豫选择 C++ 还是 Java;入门数据科学,你可能会纠结于选择 Python 还是 R;但无论如何, MySQL 都是 IT 从业人员不可或缺的技能! 【课程设计】 在本课程中,刘运强老师会结合自己十多年来对MySQL的心得体会,通过课程给你分享一条高效的MySQL入门捷径,让学员少走弯路,彻底搞懂MySQL。 本课程包含3大模块:&nbsp; 一、基础篇: 主要以最新的MySQL8.0安装为例帮助学员解决安装与配置MySQL的问题,并对MySQL8.0的新特性做一定介绍,为后续的课程展开做好环境部署。 二、SQL语言篇: 本篇主要讲解SQL语言的四大部分数据查询语言DQL,数据操纵语言DML,数据定义语言DDL,数据控制语言DCL,学会熟练对库表进行增删改查等必备技能。 三、MySQL进阶篇: 本篇可以帮助学员更加高效的管理线上的MySQL数据库;具备MySQL的日常运维能力,语句调优、备份恢复等思路。 &nbsp;

C/C++学习指南全套教程

C/C++学习的全套教程,从基本语法,基本原理,到界面开发、网络开发、Linux开发、安全算法,应用尽用。由毕业于清华大学的业内人士执课,为C/C++编程爱好者的教程。

C/C++跨平台研发从基础到高阶实战系列套餐

一 专题从基础的C语言核心到c++ 和stl完成基础强化; 二 再到数据结构,设计模式完成专业计算机技能强化; 三 通过跨平台网络编程,linux编程,qt界面编程,mfc编程,windows编程,c++与lua联合编程来完成应用强化 四 最后通过基于ffmpeg的音视频播放器,直播推流,屏幕录像,

我以为我对Mysql事务很熟,直到我遇到了阿里面试官

太惨了,面试又被吊打

专为程序员设计的数学课

<p> 限时福利限时福利,<span>15000+程序员的选择!</span> </p> <p> 购课后添加学习助手(微信号:csdn590),按提示消息领取编程大礼包!并获取讲师答疑服务! </p> <p> <br> </p> <p> 套餐中一共包含5门程序员必学的数学课程(共47讲) </p> <p> 课程1:《零基础入门微积分》 </p> <p> 课程2:《数理统计与概率论》 </p> <p> 课程3:《代码学习线性代数》 </p> <p> 课程4:《数据处理的最优化》 </p> <p> 课程5:《马尔可夫随机过程》 </p> <p> <br> </p> <p> 哪些人适合学习这门课程? </p> <p> 1)大学生,平时只学习了数学理论,并未接触如何应用数学解决编程问题; </p> <p> 2)对算法、数据结构掌握程度薄弱的人,数学可以让你更好的理解算法、数据结构原理及应用; </p> <p> 3)看不懂大牛代码设计思想的人,因为所有的程序设计底层逻辑都是数学; </p> <p> 4)想学习新技术,如:人工智能、机器学习、深度学习等,这门课程是你的必修课程; </p> <p> 5)想修炼更好的编程内功,在遇到问题时可以灵活的应用数学思维解决问题。 </p> <p> <br> </p> <p> 在这门「专为程序员设计的数学课」系列课中,我们保证你能收获到这些:<br> <br> <span> </span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">①价值300元编程课程大礼包</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">②应用数学优化代码的实操方法</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">③数学理论在编程实战中的应用</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">④程序员必学的5大数学知识</span> </p> <p class="ql-long-24357476"> <span class="ql-author-24357476">⑤人工智能领域必修数学课</span> </p> <p> <br> 备注:此课程只讲程序员所需要的数学,即使你数学基础薄弱,也能听懂,只需要初中的数学知识就足矣。<br> <br> 如何听课? </p> <p> 1、登录CSDN学院 APP 在我的课程中进行学习; </p> <p> 2、登录CSDN学院官网。 </p> <p> <br> </p> <p> 购课后如何领取免费赠送的编程大礼包和加入答疑群? </p> <p> 购课后,添加助教微信:<span> csdn590</span>,按提示领取编程大礼包,或观看付费视频的第一节内容扫码进群答疑交流! </p> <p> <img src="https://img-bss.csdn.net/201912251155398753.jpg" alt=""> </p>

Eclipse archetype-catalog.xml

Eclipse Maven 创建Web 项目报错 Could not resolve archetype org.apache.maven.archetypes:maven-archetype-web

使用TensorFlow+keras快速构建图像分类模型

课程分为两条主线: 1&nbsp;从Tensorflow的基础知识开始,全面介绍Tensorflow和Keras相关内容。通过大量实战,掌握Tensorflow和Keras经常用到的各种建模方式,参数优化方法,自定义参数和模型的手段,以及对训练结果评估与分析的技巧。 2&nbsp;从机器学习基础算法开始,然后进入到图像分类领域,使用MNIST手写数据集和CIFAR10图像数据集,从简单神经网络到深度神经网络,再到卷积神经网络,最终完成复杂模型:残差网络的搭建。完成这条主线,学员将可以自如地使用机器学习的手段来达到图像分类的目的。

Python代码实现飞机大战

文章目录经典飞机大战一.游戏设定二.我方飞机三.敌方飞机四.发射子弹五.发放补给包六.主模块 经典飞机大战 源代码以及素材资料(图片,音频)可从下面的github中下载: 飞机大战源代码以及素材资料github项目地址链接 ————————————————————————————————————————————————————————— 不知道大家有没有打过飞机,喜不喜欢打飞机。当我第一次接触这个东西的时候,我的内心是被震撼到的。第一次接触打飞机的时候作者本人是身心愉悦的,因为周边的朋友都在打飞机, 每

最近面试Java后端开发的感受:如果就以平时项目经验来面试,通过估计很难,不信你来看看

在上周,我密集面试了若干位Java后端的候选人,工作经验在3到5年间。我的标准其实不复杂:第一能干活,第二Java基础要好,第三最好熟悉些分布式框架,我相信其它公司招初级开发时,应该也照着这个标准来面的。 我也知道,不少候选人能力其实不差,但面试时没准备或不会说,这样的人可能在进团队干活后确实能达到期望,但可能就无法通过面试,但面试官总是只根据面试情况来判断。 但现实情况是,大多数人可能面试前没准备,或准备方法不得当。要知道,我们平时干活更偏重于业务,不可能大量接触到算法,数据结构,底层代码这类面试必问

三个项目玩转深度学习(附1G源码)

从事大数据与人工智能开发与实践约十年,钱老师亲自见证了大数据行业的发展与人工智能的从冷到热。事实证明,计算机技术的发展,算力突破,海量数据,机器人技术等,开启了第四次工业革命的序章。深度学习图像分类一直是人工智能的经典任务,是智慧零售、安防、无人驾驶等机器视觉应用领域的核心技术之一,掌握图像分类技术是机器视觉学习的重中之重。针对现有线上学习的特点与实际需求,我们开发了人工智能案例实战系列课程。打造:以项目案例实践为驱动的课程学习方式,覆盖了智能零售,智慧交通等常见领域,通过基础学习、项目案例实践、社群答疑,三维立体的方式,打造最好的学习效果。

微信小程序开发实战之番茄时钟开发

微信小程序番茄时钟视频教程,本课程将带着各位学员开发一个小程序初级实战类项目,针对只看过官方文档而又无从下手的开发者来说,可以作为一个较好的练手项目,对于有小程序开发经验的开发者而言,可以更好加深对小程序各类组件和API 的理解,为更深层次高难度的项目做铺垫。

实用主义学Python(小白也容易上手的Python实用案例)

原价169,限时立减100元! 系统掌握Python核心语法16点,轻松应对工作中80%以上的Python使用场景! 69元=72讲+源码+社群答疑+讲师社群分享会&nbsp; 【哪些人适合学习这门课程?】 1)大学生,平时只学习了Python理论,并未接触Python实战问题; 2)对Python实用技能掌握薄弱的人,自动化、爬虫、数据分析能让你快速提高工作效率; 3)想学习新技术,如:人工智能、机器学习、深度学习等,这门课程是你的必修课程; 4)想修炼更好的编程内功,优秀的工程师肯定不能只会一门语言,Python语言功能强大、使用高效、简单易学。 【超实用技能】 从零开始 自动生成工作周报 职场升级 豆瓣电影数据爬取 实用案例 奥运冠军数据分析 自动化办公:通过Python自动化分析Excel数据并自动操作Word文档,最终获得一份基于Excel表格的数据分析报告。 豆瓣电影爬虫:通过Python自动爬取豆瓣电影信息并将电影图片保存到本地。 奥运会数据分析实战 简介:通过Python分析120年间奥运会的数据,从不同角度入手分析,从而得出一些有趣的结论。 【超人气老师】 二两 中国人工智能协会高级会员 生成对抗神经网络研究者 《深入浅出生成对抗网络:原理剖析与TensorFlow实现》一书作者 阿里云大学云学院导师 前大型游戏公司后端工程师 【超丰富实用案例】 0)图片背景去除案例 1)自动生成工作周报案例 2)豆瓣电影数据爬取案例 3)奥运会数据分析案例 4)自动处理邮件案例 5)github信息爬取/更新提醒案例 6)B站百大UP信息爬取与分析案例 7)构建自己的论文网站案例

手把手实现Java图书管理系统(附源码)

【超实用课程内容】 本课程演示的是一套基于Java的SSM框架实现的图书管理系统,主要针对计算机相关专业的正在做毕设的学生与需要项目实战练习的java人群。详细介绍了图书管理系统的实现,包括:环境搭建、系统业务、技术实现、项目运行、功能演示、系统扩展等,以通俗易懂的方式,手把手的带你从零开始运行本套图书管理系统,该项目附带全部源码可作为毕设使用。 【课程如何观看?】 PC端:https://edu.csdn.net/course/detail/27513 移动端:CSDN 学院APP(注意不是CSDN APP哦) 本课程为录播课,课程2年有效观看时长,大家可以抓紧时间学习后一起讨论哦~ 【学员专享增值服务】 源码开放 课件、课程案例代码完全开放给你,你可以根据所学知识,自行修改、优化

深度学习原理+项目实战+算法详解+主流框架(套餐)

深度学习系列课程从深度学习基础知识点开始讲解一步步进入神经网络的世界再到卷积和递归神经网络,详解各大经典网络架构。实战部分选择当下最火爆深度学习框架PyTorch与Tensorflow/Keras,全程实战演示框架核心使用与建模方法。项目实战部分选择计算机视觉与自然语言处理领域经典项目,从零开始详解算法原理,debug模式逐行代码解读。适合准备就业和转行的同学们加入学习! 建议按照下列课程顺序来进行学习 (1)掌握深度学习必备经典网络架构 (2)深度框架实战方法 (3)计算机视觉与自然语言处理项目实战。(按照课程排列顺序即可)

winfrom中嵌套html,跟html的交互

winfrom中嵌套html,跟html的交互,源码就在里面一看就懂,很简单

董付国老师Python全栈学习优惠套餐

购买套餐的朋友可以关注微信公众号“Python小屋”,上传付款截图,然后领取董老师任意图书1本。

程序员的算法通关课:知己知彼(第一季)

【超实用课程内容】 程序员对于算法一直又爱又恨!特别是在求职面试时,算法类问题绝对是不可逃避的提问点!本门课程作为算法面试系列的第一季,会从“知己知彼”的角度,聊聊关于算法面试的那些事~ 【哪些人适合学习这门课程?】 求职中的开发者,对于面试算法阶段缺少经验 想了解实际工作中算法相关知识 在职程序员,算法基础薄弱,急需充电 【超人气讲师】 孙秀洋&nbsp;| 服务器端工程师 硕士毕业于哈工大计算机科学与技术专业,ACM亚洲区赛铜奖获得者,先后在腾讯和百度从事一线技术研发,对算法和后端技术有深刻见解。 【课程如何观看?】 PC端:https://edu.csdn.net/course/detail/27272 移动端:CSDN 学院APP(注意不是CSDN APP哦) 本课程为录播课,课程无限观看时长,但是大家可以抓紧时间学习后一起讨论哦~

Java调用微信支付

Java 使用微信支付 一. 准备工作 1.

2020数模五一竞赛题目.rar

2020数模五一竞赛题目,附件、原题文件

最新版windows jdk-8u251-windows-x64.zip

最新版windows jdk-8u251-windows-x64.zip

2021考研数学张宇基础30讲.pdf

张宇:博士,全国著名考研数学辅导专家,教育部“国家精品课程建设骨干教师”,全国畅销书《张宇高等数学18讲》《张宇线性代数9讲》《张宇概率论与数理统计9讲》《张宇考研数学题源探析经典1000题》《张宇考

相关热词 c#对文件改写权限 c#中tostring c#支付宝回掉 c#转换成数字 c#判断除法是否有模 c# 横向chart c#控件选择多个 c#报表如何锁定表头 c#分级显示数据 c# 不区分大小写替换
立即提问
相关内容推荐