m0_62581697的博客

原创 基于ruoyi快速开发平台搭建----超市仓库管理（修改记录1）

数据库是同学设计的，但是在实践过程中，发现，生成的代码一直报错，结果发现数据库里面商品表里面的商品类别竟然设置成class,再通过Pull Requests 提交总仓库，等待审批即可。打开仍然看不出报错，不论怎么修改都不会编号。

原创 MySql补充

其实一对一一张表就可以了。隐式内链接（用的最多的）（容易出现重复数据）

原创 Mysql的学习-----进化版

总结：Having和where均可实现过滤，但在having可以使用聚集函数,where不能使用聚集函数，having通常跟在groupby后，它作用于分组。聚集函数：总计某一列数据总和。一列中最大值和最小值。非过程性的语言：一条语言，就对应一个返回的结果。过程性的语言：依赖上一条或者上几条语句执行。对订单表中商品归类后，显示每一类商品的总价。在上面员工表的基本上增加一个。将如花的薪水在原有基础上增加。） 创建数据库（重点）求一个班级数学平均分？对查询的结果进行排序。聚集函数来操作列的。

原创 数据结构---八大排序

package db;sort(arr);

原创 ruoyi的搭建--分离版

11、配置本地仓库路径，编辑D:\eclipse\Maven\conf目录里的settings.xml文件，然后加入一行（注意：需要在D:\eclipse\Maven目录中新建一个maven-repo目录）：（即为maven-repo目录的地址）并添加镜像地址。，输入redis-cli.exe -h 127.0.0.1 -p 6379，再输入ping，弹出pong后表示redis连接成功。16、完成后，回到eclipse（数据库不能关闭），找到如图java文件，右键run as 运行（等待，第一次很慢）

原创 yoloV5的学习-pycharm版本

真的很让人气愤的一点，老师把我的pycharm给卸载了，我那个上面不仅有gpu-torch，还有gpu-torch，他给俺删了，删了很久，我心都碎了，过几天我就去找他负责，让他给我装回来我的环境！

原创 登录+注册的前后端以及sql

servlet,和js 我是仿照以前的代码写了，出来很多错误，一开始数据库一直连接不上去，我就采用了了最古老的方法，在我的servlet里面又复制了一遍数据库连接的代码，终于连接上，但是一直只显示？，我发现是我没有设置字体，我又全部设置成UTF-8，但是后面一直显示登录成功并不跳转界面，最后发现是因为空格问题，导致字符串不匹配 ，用trim()消除字符串，总之，404,500遇见不少，也借助不少chat。login写完，regiser就好写不少。可以去csdn上借鉴怎么去找数据库中有没有已经存在的id。

原创 html图片的上传

用于存储上传成功后的图片 URL。修改还剩一些，例如，进行完这些上传的图片不显示。我们需要给隐藏于设置值，这样修改的图片才能显示。以上便可以实现图片的上传和修改。将原先imgurl部分修改为。以上便可以实现图片的上传。在这段代码中，隐藏域（

原创 富文本编辑器的实现-UEditor

UEditor 是由百度「FEX前端研发团队」开发的所见即所得富文本web编辑器，具有轻量，可定制，注重用户体验等特点，开源基于MIT协议，允许自由使用和修改代码。

原创 Session的学习

由上一篇文章我们已经知道session的概念，接下来一个图解释session的工作原理。

原创 Cookie的学习2.15

无状态会话。

原创 前端+后端实现全选、反选+批量删除

我们先将批量删除的按钮命名为remove然后我们写jsremovecheck_itemidsidsconfirm$.ajax()dataloadData()loadPage()接着我们写Servlet我们只需修改dopose方法idsidStringnullidStringMysqlUtildelnum。

原创 算法练习0212

1、初始化一个 dummyHead 节点和一个指针 current 指向该节点，开始时进位 carry 为 0。4、计算当前位的和：total = val1 + val2 + carry，并更新 carry。3、计算当前位的两个值 val1 和 val2，如果链表已遍历完则使用 0 作为值。2、当链表 l1 或 l2 或进位 carry 不为 0 时，循环处理每一位。5、将当前位的结果附加到新链表中，并将 current 指向新节点。7、结束时返回 dummyHead.next，即新链表的头节点。

原创 弹性盒子的学习

如果 ul 的宽度设置为 2000px，而 li 的总宽度（包括 margin）超过了这个宽度，可能会导致 ul 超出父容器的宽度，出现水平滚动条。inline-block 元素的垂直对齐可能会出现问题，默认情况下，元素会基于其基线对齐，这可能导致不同高度的元素在垂直方向上对齐不一致。使用 inline-block 元素时，HTML 中的空格、换行符和注释会被渲染为实际的空白，这可能导致元素之间出现意外的间距。多列布局的列宽通常是自动计算的，可能会导致列宽不均匀，特别是在内容长度不一致的情况下。

原创 jquery

一个jquery的小实验

原创 HBU迎新网站（只有页面 html和css部分）

hbu迎新网站

原创 前端小试牛刀

了解一下前端

原创 前端常见标签

相对路径：访问资源与被访问资源的关系 ../桌面的资源池。绝对关系：被访问资源的绝对地址。-- src图片资源的地址。

原创 Dom的学习

/ 获取父元素// 使用 lastChild 获取最后一个子节点console.log("最后一个子节点 (lastChild):", lastChild);// 可能是注释或文本节点// 使用 lastElementChild 获取最后一个元素子节点console.log("最后一个元素子节点 (lastElementChild):", lastElementChild);// 输出最后一个元素子节点。

原创 mySQL安装（LINUX)

提示输入密码，直接回车跳过，成功登录mysql，修改密码。（默认密码策略要求密码必须是大小写字母数字特殊字母的组合，至少8位）在防火墙中，添加规则，端口号为3306(一般默认3306是MySQl的端口号）

原创 双目摄像头标定

这将生成一个 `stereo_camera_info.yaml` 文件,包含了双目相机的标定参数。- `image:=/stereo/left/image_raw`: 左摄像头的图像话题。- `--square 0.108`: 标定板上每个方格的边长(单位:米)- `--size 8x6`: 标定板的尺寸,这里使用 8x6 个角点。- `camera:=/stereo/right`: 右摄像头的话题。- `camera:=/stereo/left`: 左摄像头的话题。4. 将双目摄像头连接到电脑上。

原创 Intellig IDEA上可以运行，只有警告，没有报错，但是运行不出界面怎么办

原创 实验4 词向量训练

实验四，自然语言处理实验

原创 实验3 中文分词

实验3 中文分词

原创 自然语言处理实验2 字符级RNN分类实验

不会写就被写了，再憋坏了，直接cv吧，我懂你！

原创 时间序列数据平稳性检验与随机性分析

理解时间序列存在的不平稳性，掌握对时间序列平稳性检验的步骤和各种检测方法，认识利用不平稳的序列进行建模所造成的影响。理解时间序列的随机性，掌握时间序列随机性的判断方法。

原创 SLAM初学

例如，对于二维空间中的点，可以先选择x轴或y轴作为划分维度，然后根据该维度上的值将数据点划分为左子树和右子树。它由许多相互连接的三角形组成，每个三角形由三个顶点和三条边组成,三角形网格是一种离散化的表示方法，通过将三维表面划分为许多小的三角形来近似实际的曲面或物体。对于给定的点集，图切图的边界由相邻点之间的垂直平分线组成。对于每个观测到的深度图像或点云，TSDF方法将其中的点投影到体素格子中，并根据点的深度信息更新对应体素格子的距离值。是一种常用的曲面重建方法，用于从离散的点云数据中重建连续的曲面模型。

原创 基于双向LSTM模型完成文本分类任务

是一份关于电影评论的经典二分类数据集．IMDB 按照评分的高低筛选出了积极评论和消极评论，如果评分 ≥7≥7，则认为是积极评论；如果评分 ≤4≤4，则认为是消极评论．数据集包含训练集和测试集数据，数量各为 25000 条，每条数据都是一段用户关于某个电影的真实评价，以及观众对这个电影的情感倾向，其目录结构如下所示。原始训练集和测试集数据分别25000条，本节将原始的测试集平均分为两份，分别作为验证集和测试集，存放于。1、一开始运行代码遇见了一些错误，我看不懂。期末复习太紧张了，直接附上全部代码。

原创 前馈神经网络复习

习题4-1 对于一个(wx + b),并使用梯度下降优化参数w时如果输入x 恒大于0,其收敛速度会比零均值化的输入更慢在全连接网络模型中，将输入的x值进行零均值化是一种方法，旨在将训练集中的每个输入值x减去其均值，以0为中心，满足均值为0。这样做的优点是，避免Z型更新的情况，从而加快神经网络的收敛速度。零均值化，数据分布会距离零比较近，而激活函数在0附近的梯度比较大，这样收敛的快，此外，输入恒大于0，可能会引起抖动，反而不利于收敛。

原创 优化算法3D可视化

1、第一个实验，就出师未捷身先死，用的同学的代码复现打算，结果一直只有第一张图，第二张图片出不来，左一那样，我看了看代码，感觉没啥毛病，于是，我按照我自己的想法开始改，结果两张图出是出来了，就是出现在一张图上，而且第二个函数的图还有点怪怪的，我瞅着代码上看没啥毛病，我猜测是因为度量衡的问题，于是，我又把两张图分开看，就长最下面那样，嘿，成了!原因就是，我一开始就用来一个画布，后面加了一个画布就好了# ... （不变）# 数值初始化# 将x,y,z三个数据传入，绘制三维图像。

原创 LSTM的记忆能力实验

1、多组训练时候报错了，检查是因为函数应该返回三个值，但实际上只返回了两个，所以做实验时，不要看到可以导入的直接无脑导入，要具体情况具体分析。

原创 优化算法2D可视化的补充

上个博客有但是我发现学长总结更直观。

原创 优化算法2D可视化

x = x_initall_x = []可视化函数"""初始化可视化类"""# 只画出参数x1和x2在区间[-5, 5]的曲线部分"""可视化参数更新轨迹""""""训练模型并可视化参数更新轨迹"""# 设置x的初始值print(x)# 展示x1、x2的更新轨迹模型训练与可视化2D可视化实验"""RMSprop优化器初始化输入：- init_lr：初始学习率- model：模型，model.params存储模型参数值- beta：衰减率。

原创 LSTM ——作业

1、推导还是那样先把流程中用到的所有式子写出来，然后倒着找相关的往后推导2、代码看的熬夜患者的，跟着打了一遍，其实第二个第三个很相似，3使用了封装的nn.LSTM来定义和计算LSTM模型的前向传播，而2代码使用nn.LSTMCell来手动计算LSTM的前向传播。DL Homework 11-优快云博客【23-24 秋学期】NNDL 作业11 LSTM-优快云博客。

原创 梯度爆炸实验

L2范数1、这是在飞浆中用的函数，那么在torch 中可以使用什么呢？

原创 循环神经网络（1）循环神经网络的记忆能力实验

循环神经网络（Recurrent Neural Network，RNN）是一类具有短期记忆能力的神经网络．在循环神经网络中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构．和前馈神经网络相比，循环神经网络更加符合生物神经网络的结构．目前，循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上．本章内容基于《神经网络与深度学习》第6章：循环神经网络的相关内容进行设计。

原创 NNDL 作业10 BPTT

relu函数的导数在正数部分是恒等于1的，因此在深层网络中使用relu激活函数就不会导致梯度消失和爆炸的问题。1、学习这东西果然是孰能生巧，推导第一个题时候，还在认认真真的做，第二个和第三个题发现完全可以类比过去，就最后一个偏导不一样，所以直接将这钱的式子略加修改即可。2、卷积神经网络和RNN的不同之处就是，卷积神经并不权重共享，每一层的参数都是不一样的，而RNN是权重共享的。挺好奇门控循环单元的，就看到我室友呕心沥血的巨作，我拜读一下，大呼牛逼！3、代码又是看上一届的，不过要自己过一遍，不能囫囵吞枣。

原创 使用预训练resnet18实现CIFAR-10分类

CIFAR-10数据集包含了10种不同的类别、共60,000张图像，其中每个类别的图像都是6000张，图像大小均为32×3232×32像素。CIFAR-10数据集的示例如图5.15所示。图5.15：CIFAR-10数据集示例。

原创 RNN - SRN

nn.RNNCell 是循环神经网络（RNN）中的一个时间步（time-step），代表处理单个输入的循环单元。通常在循环中使用，逐个时间步处理序列。可以用于手动控制循环计算的流程。初始化参数包括输入大小、隐藏大小以及可选的非线性激活函数。输入大小 = 10隐藏大小 = 20rnn_cell = nn.RNNCell(输入大小, 隐藏大小)nn.RNN：nn.RNN 是一个更高层次的抽象，用于处理整个序列。它在内部使用 nn.RNNCell 在每个时间步上进行循环计算。

原创 基于ResNet实现手写体数字识别实验

1、transforms.Compose([transforms.Resize(32),transforms.ToTensor(),transforms.Normalize(mean=[0.5], std=[0.5])])：这个语句创建了一个预处理管道，它首先调整图像大小为32x32，然后将图像转换为torch.Tensor，并归一化这个Tensor2、ResNet18的基本含义是，网络的基本架构是ResNet，网络的深度是18层。但是这里的网络深度指的是网络的权重层，也就是包括池化，激活，线性层。