Pair project 的小结有图有真相(group member: Fei Tian, Gaoyao Xiao)

UL(Underwriters Laboratories)标准详解:从认证体系到落地实践 UL(美国保险商试验所)是全球知名的安全认证机构,其标准体系涵盖电气、电子、机械等领域,核心目标为保障人身安全、规范产品设计、建立市场信任。常见标准如UL 62368-1、UL 94等,广泛应用于北美市场,并被全球采纳。认证类型包括Listed、Recognized Component等,流程涵盖申请、测试、工厂检查与持续监督。关键测试项目涉及温升、耐压、防火及异常操作等。建议早期介入标准要求,优选认可元器件,预留安全裕量,避免常见误区。UL认证不仅是合规门槛,更是提升产品全球竞争力的重要保障。 阅读详情

3Dchess

到今天为止,我和Fei Tian 同学的pair project—3D中国象棋基本完成了,整个project工作量还是蛮大的,在这个过程中我也见识到了编程高手是怎样写code的。


接下来说说我们的pair project的过程吧。

我们第一步是确定编程工具,虽然邹欣老师很推荐silverlight,但是经过我们调查,silverlight的参考资料似乎比较少,而wpf的则很多,另外wpf功能也比silverlight强大,为了快速高效的学会一门工具,我们选择wpf。


第二步就是确定最终的实现目标了,我们对3D象棋的期望是,加入适量的3D效果,改变一些游戏规则并保证游戏仍有较高的可玩性(毕竟如果不好玩,3D做的再炫、创意再多也木有用、、)。经过讨论,根据我们在象棋实战的过程中遇到的一些情况,按照邹欣老师的要求,我们决定设计一个两层的棋盘,第一层是正常的中国象棋棋盘,第二层是扩展的。具体是,在第一层也就是正常棋盘中,当棋子A走到的左右两条边界线时,如果被对方的棋子逼得走投无路,就可以选择躲避到第二层,正常棋盘中的棋子不允许吃掉躲在第二层的棋子,当形势改变后,如果棋子A原位置为空,棋子A可以返回原来的位置。这样做的效果是,给被逼到边界的棋子提供了一条生路,但同时也有风险,如果一个“车”躲下去了,然后对方用一个棋子把“车”跳下去的那个点堵住,那么那个“车”就长眠在第二层了。通过这样一种功能,给正常的中国象棋增加了一些趣味性。具体的可以看看文章顶部的截图,途中左边界线上的棋子全都躲避到第二层去了(上下边界线上的点除四个顶点外,不能躲避)。确定了这个功能后,Fei同学觉得这个AI也很有意思,因此在实现该功能后又追加了“人机对战”功能!


第三步就是结对编程了,我觉得结对编程既有优点,也有缺点。优点是大家可以讨论怎样解决bug,讨论可靠的方案从而减少bug的出现,另外两个人一起也更有动力,不那么容易感觉无聊。缺点也很明显,比如可能一个人的思考会受到干扰之类的,而且如果两个人编程水平、风格相差较大,在pair programming时必然不少于一个人会很郁闷吧。Fei是主力,这是毋庸置疑的,在实现“人机对战”功能中,Fei从头学习搜索策略算法,然后编程实现,写出来的程序很清晰,注释简明扼要,相比之下我的代码则导致了较多的bug,囧、、、


第四步就是消灭bug吧,我们的3D象棋还有一些小问题,但我们相信最终会完成一个终极完美版~~

 

最后贴上照片一张,左边是我,右边是Fei~~

pair-project

 

 

番茄(西红柿)叶片病害检测数据集:12k+图像,10类,yolo标注 本文介绍了包含12,250张图像的番茄叶片病害检测数据集,涵盖10种常见病害类型及健康叶片,采用YOLO格式标注。数据集具有三大核心价值:科研层面填补病害样本空白,推动算法创新;产业应用支持精准诊断、早期预警,降低损失20-40%;社会生态方面减少农药使用15-30%,助力绿色农业。该数据集作为AI与农业结合的数字基础设施,适用于计算机视觉项目、科研实验等场景。 阅读详情

相关推荐

别再只用固定线了!聊聊Android车机‘快速倒车’与‘正常倒车’的UI与数据流核心差异(附动态轨迹线实现原理)

本文深度解析Android车机中快速倒车与正常倒车的核心差异,探讨从内核级视频流水线到动态轨迹线的技术实现。快速倒车通过内核直接操作FrameBuffer实现2秒内响应,而正常倒车则支持多传感器数据融合与动态UI元素。文章还分享了动态轨迹线的算法实现与性能优化技巧,帮助开发者打造极致的倒车体验。

weixin_42550597的博客 256

wpf中 INotifyPropetychanged接口 中事件订阅方法

它看起来只有一行,但实际上涉及 C# 事件(event)、委托(delegate)、接口(interface)、数据绑定(Binding)、通知机制、MVVM 设计模式 等多个知识点。我按照从基础到进阶的顺序,带你重新梳理一遍。我们不仅要知道它怎么用,还要弄明白:为什么需要它、它是怎么通知 WPF 界面更新的、以及实际项目中应该怎么封装。

like_sunshine978的博客 284

高频面波成像实战:从频散曲线到全波形反演

面波勘探是近地表工程勘察的重要手段,其核心原理在于不同频率的面波对地下介质的敏感深度不同,由此形成的频散曲线能够反映浅层剪切波速结构。相较于传统钻探与折射波法,高频面波成像具有无损、高效、对低速夹层敏感等优势,广泛应用于路基检测、空洞探测、滑坡调查等领域。在实际工程中,从野外采集的排列设计、震源选型,到频散谱提取与频散曲线反演,每一步都直接影响成像精度。然而频散反演受限于一维层状假设,难以刻画横向剧烈变化的地质体。全波形反演通过拟合完整波形信息,能够突破频散曲线的分辨率边界,获得更精细的近地表速度模型。本文

weixin_29090917的博客 272

如何通过处理WPF的渲染管线CompositionTarget.Rendering来实现高性能绘图

在这个元素内部通过。

【微软MVP】zhaotianff的专栏 320

若依开源框架(分离版)在人大金仓数据库下使用

对于甲方业务特殊要求,使用国产化数据库人大金仓,作为项目主要存储。这里以若依开源框架整合人大金仓为例,演示如何在真实项目中引入人大金仓。

🐱喵测实验室 5944

微信支付V2,jsapi支付拉起收银台报错:调用支付JSAPI缺少参数:total_fee

拉起收银台报错

m0_54355172的博客 3873

WPF 日期选取器 控件详解与使用—WPF 中的控件(10)--日期选取器(DatePicker)

本文详解WPF中DatePicker控件的使用,涵盖其核心属性(如SelectedDate、DisplayDateStart、BlackoutDates)、日期范围限制、格式设置及数据绑定。通过XAML与C#代码示例,演示了基础用法、事件响应、禁用特定日期(如周末)及MVVM模式下的绑定实现,帮助开发者高效构建灵活的日期选择功能。

yunmaowu0917的博客 172

U盘无法识别故障排查与数据恢复实战指南

USB存储设备(如U盘、移动硬盘)与计算机系统间的通信依赖于一套标准的枚举、驱动加载和协议握手流程。当设备插入后出现‘无法识别’提示,通常意味着这一通信链路在供电、驱动、文件系统或硬件层面的某个环节中断。理解其底层原理,对于数据恢复和硬件维护具有重要价值。本文聚焦于此类常见故障,通过系统化的排查方法,从基础的物理连接、驱动重置,到深入的系统策略调整,最终延伸至使用专业工具进行芯片级检测与底层数据恢复。其中,数据恢复和量产工具是应对固件损坏或文件系统严重错误的关键技术手段,旨在帮助用户重建访问路径,安全取回存

356

# WPF DataGrid 控件详解与使用(1)—WPF 中的控件(9)--数据网格控件(DataGrid)(1)

> DataGrid 是 WPF 中用于以**行/列表格形式展示和编辑数据**的核心控件,位于 `System.Windows.Controls` 命名空间。它天然支持**数据绑定、自动列生成、编辑、排序、分组、虚拟化**等能力,是 上位机应用软件(业务系统)开发中最常用的数据展示控件。 WPF 中DataGrid控件的编辑和格式化显示功能非常强大。涉及大量编辑数据,大量输入数据,数据库系统离不开DataGrid控件。这个主题会分成多篇文章。

yunmaowu0917的博客 200

MS17-010(Eternal blue永恒之蓝)漏洞利用+修复方法

msf永恒之蓝漏洞复现过程以及修复建议

记录学习 8519

对雷达中相位补偿概念的一些理解

基于多普勒相位补偿的速度扩展方法和DBF测角,两者本质上都是对相位进行补偿。

qq_42235129的博客 4031

wpf中的DialogcloseListener

DialogCloseListener的作用是:让对话框的ViewModel向Prism发出“请求关闭当前对话框”的通知,并且可以把结果和数据传回调用方。自己创建的默认值没有连接到 Prism 的关闭回调,调用它也不能正确关闭对话框。项目使用的是 Prism 9,这也是 Prism 9 中。它内部封装了关闭对话框所需的回调,通常只需要调用它的。需要保存时,先执行保存逻辑,再请求关闭。我的操作完成了,请关闭承载我的对话框。这是 Prism 提供的特殊框架机制。的前提下,点击这个按钮就会请求关闭。

like_sunshine978的博客 225

实战复盘:纷玩岛(Livelab)候补订单微信支付协议的逆向与复现

通过本次对纷玩岛候补支付接口的分析,我们实现了一个脱离 App UI 的轻量级支付发起器。这不仅验证了其API的设计逻辑(Standby -> PrePayInfo 分层设计),也为后续的自动化监控或辅助抢票工具提供了支付环节的技术验证。技术本无罪,关键在于如何使用。理解这些底层协议,有助于我们写出更健壮的代码,也能在遇到线上支付问题时快速定位是业务层(API)问题还是通道层(微信)问题。

猫敷雪 807

按Ctrl键会引发几次按键消息

                                                                           何志丹(一),新建一个单文档工程CtrlEg。(二),为CCtrlEgView的WM_KEYDOWN消息和WM_KEYUP消息添加响应函数。具体代码如下:void CCtrlEgView::OnKeyDown(UINT nChar, UINT nRe

闻缺陷则喜何志丹 1894

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

添加xaml页面。WPF 多视图切换(UserControl 页面路由 / 视图切换模式)*

1、创建WPF App(.NET Framework / .NET) 解决方案 Test2、MainWindow 作为外壳主窗口2.1 MainWindow.xaml:定义Grid行列布局,划分【按钮菜单栏区域】+【ContentControl视图容器】2.2 MainWindow.xaml.cs:实现通用切换方法 SwitchView(UserControl view),给ContentControl赋值2.3 各个按钮点击事件里调用 SwitchView(视图实例)

zxf347085420的博客 184

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

# WPF DataGrid 控件详解与使用(3)—WPF 中的控件(9)--数据网格控件(DataGrid)(3)

“WPF DataGrid 控件详解与使用—WPF 中的控件(9)–数据网格控件(DataGrid)”这个主题会分成多篇文章之一。 本章就DataGrid 控件的编辑,行详情(Row Details),值转换器,样式与外观自定义做一探讨。这也是DataGrid 控件使用必备技能。

yunmaowu0917的博客 248

游戏录屏怎么选画质和帧率?先看动态画面需求

录制时注意帧率与画质的平衡,根据内容选择合适设置,兼顾细节与连贯性。

xiangrikui2016的博客 304

设计模式(unity游戏研发版)

当你使用图形用户界面类时通常会遇到一个问题。比如,你创建了自定义按钮类并允许客户端在按钮中注入自定义代码,这样当用户按下按钮时就会触发这些代码。观察者模式允许任何实现了订阅者接口的对象订阅发布者对象的事件通知。你可在按钮中添加订阅机制,允许客户端通过自定义订阅类注入自定义代码。在Unity中,这就像UnityEvent在Inspector中绑定多个回调。

m0_63330263的博客 136

Claude Fable 5.2 登顶:65 分、单发做游戏,和一份 $26.54 一单的账单

Anthropic 发布 Claude Fable 5.2:AA 智能指数 65 分登顶历史第一,但性能 #71、成本 #73、冗余度 #72——最强能力、最贵成本、最慢速度的矛盾体。同底层 Mythos 5.2 无护栏反而更强。文章拆解:65 分构成、官方实战验收、基准提升真伪、一条提示词一晚做出街机游戏的完整流水线(自写机器人跑完 12 关自检)、$26.54 账单与 98% 缓存折扣下的真实成本重估。

johnsong2009的博客 325

Unity 数据存储指南:本地存储、个性化设置、缓存与 Resources/StreamingAssets 的区别

在 Unity 开发中,“数据存到哪里”、“缓存能不能清”、“打包后资源有什么区别” 是新手最容易混淆、老手也经常踩坑的问题。Unity 本地存储机制(包括 Unity 放在 C 盘的内容);Unity 个性化设置(编辑器首选项 Editor Preferences);Unity 缓存的打开、关闭与清理;打包后 Resources 与 StreamingAssets 的区别;其他可自定义存储的内容汇总。为方便理解,本文配有一个可直接运行的演示工程,所有代码见文末"配套工程说明"。

zhchyun 253

用 AI 在 Unity 里做一款 RTS:最难的不是生成代码,而是证明它真的能玩

git@github.com:zoucdr/unity-skilled-mcp.git

邹杭特的博客 287

HarmonyOS 游戏与图形渲染入门:Canvas、渲染管线与掉帧排查

本文详解鸿蒙图形渲染选型与优化,指出多数“游戏感”需求仅需Canvas+requestAnimationFrame即可实现。通过deltaTime保证跨设备流畅性,优先使用animateTo声明式动画,避免逐帧绘制开销。强调性能优化应从主线程长任务、过度绘制、对象分配入手,结合Profiler排查掉帧。XComponent适用于高负载场景,但需权衡开发成本。最后提醒引擎迁移三要点:性能模型差异、打包流程匹配、版本兼容。核心结论:先用简单方案验证,再决定是否上引擎。

信息安全领域优质创作者|操作系统领域专家 468

王者荣耀主页效果图制作教程:游戏模板四步出图

本文介绍使用装样大师"游戏模板"功能制作王者荣耀等游戏主页效果图的完整流程,四步完成制作与保存。工具为手机端图片生成,不涉及账号登录与真实数据修改,适合内容创作素材与娱乐场景。

2601_96701324的博客 393

【转战智能眼镜开发】ROKID AIUI 小游戏 亚马逊标枪项目实战讲解

《亚马逊标枪》要解决的问题可以一句话概括:**在没有摇杆、没有扳机、视野又必须留给真实世界的眼镜设备上,怎样把"我要用多大劲、往哪投"这种连续的模拟意图,变成不占视野、不需要学习、并且能被物理规则如实反馈的动作。** 目标用户是想在眼镜上玩一点轻量运动/竞技、并且愿意用身体而不是手指来操作的人。整个应用跑在本地:不需要账号、不依赖网络、没有任何联网权限,弹道、命中、音效、存档全部在设备内完成。

孙琛斌的专栏 327

软件打不开或游戏闪退,怎样排查DLL和运行环境异常?

文章总结:遇到软件或游戏问题,检查DLL、DirectX、运行库和.NET Framework,使用工具扫描并处理异常,逐步排查故障。

xiangrikui2016的博客 172

《基于Spring Boot的迷游哈游戏综合服务平台的开发》

本文设计并实现了一款基于SpringBoot的“迷游哈”游戏综合服务平台,解决玩家攻略分享与二手交易分散、信息杂乱、交易无保障等问题。系统采用B/S架构,支持普通用户、服务人员、管理员三类角色,具备攻略投稿审核、商品交易闭环、余额充值提现、在线客服与投诉工单处理等核心功能,实现内容共建、资金流转、售后保障等多维度业务闭环。技术栈主流(Java+Vue3+MySQL),模块清晰,开发难度适中,覆盖后端开发、数据库设计等核心知识点,兼具实用性与教学价值,适合作为本科毕业设计选题。

407

Cocos Creator3.8.8 + Xcode27.2 编译运行失败

Cocos Creator3.8构建IOS工程后,使用最新的Xcode27.2版本进行真机调试,遇到C++标准库冲突,如is_floating_point、is_arithmetic和is_signed失败,以及webp对齐失败等问题。

HYNN12的博客 483
上一篇: 结对编程有感(有图有真相)
下一篇: 最近编程有感。。。
MicroTeam
博客等级 码龄16年 22粉丝 24原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值