- 博客(1365)
- 资源 (4006)
- 收藏
- 关注
RSS订阅原创 解释数据增强（Data Augmentation）的概念和方法（（面试题200合集，高频、关键））
数据增强是一种简单而高效的技术，通过对训练数据应用随机变换生成新样本，从而提升模型的鲁棒性和泛化能力。它在深度学习中已成为标准实践，尤其在计算机视觉任务中发挥了重要作用。通过合理选择增强方法，可以在有限数据上显著提升模型性能。
2025-03-20 14:19:14
299
原创 解释什么是迁移学习？在 CNN 中如何应用？（面试题200合集，高频、关键）
迁移学习（Transfer Learning）是一种机器学习技术，它允许将从一个任务中学习到的知识应用到另一个相关但不同的任务中。这种方法的核心思想是利用已有的、通常在大规模数据集上训练好的模型，来解决新任务，尤其是当新任务的数据量稀缺或训练资源有限时。迁移学习通过重用预先学到的知识，不仅可以加速模型的训练过程，还能显著提升模型在新任务上的性能。简单来说，迁移学习就像是“站在巨人的肩膀上”：我们不需要从零开始训练一个全新的模型，而是利用一个已经掌握某些通用技能的模型，根据新任务的需求进行调整或优化。
2025-03-20 14:12:53
474
原创 解释 ResNet 中的残差连接（面试题200合集，高频、关键）
残差连接通过引入跨层连接，让网络学习残差映射FxF(x)Fx而不是直接映射HxH(x)Hx，从而解决了深层网络训练中的梯度问题和性能退化问题。HxFxxHxFxx这一创新不仅促成了 ResNet 在 ImageNet 竞赛中的成功（如 ResNet-50、ResNet-101 等模型），也为后续的深度学习架构设计奠定了基础。如今，残差连接已成为卷积神经网络（CNN）乃至其他模型（如 Transformer）中不可或缺的组件。
2025-03-20 14:06:30
807
原创 列举几种经典的 CNN 架构，如 LeNet、AlexNet、VGG、ResNet 等（面试题200合集，高频、关键）
LeNet：CNN 的开山之作，简单高效，适合小型任务。AlexNet：引入 ReLU 和 Dropout，推动了深度学习热潮。VGG：通过小卷积核和深层网络提升性能，结构规整。ResNet：残差连接突破深度限制，奠定现代 CNN 基础。这些经典架构各有创新点，为后续 CNN 模型的发展奠定了坚实基础。
2025-03-20 14:05:30
836
原创 什么是感受野？（面试题200合集，高频、关键）
感受野（Receptive Field）是卷积神经网络（CNN）中的一个重要概念，它描述了网络中某个神经元（或特征图中的一个像素）能够“看到”或“感知”到的输入图像的区域大小。简单来说，感受野定义了该神经元对其输入数据的影响范围。直观理解在卷积神经网络中，输入图像通过多层卷积和池化操作被逐步处理。每一层的神经元并不是直接处理整个图像，而是通过卷积核（滤波器）在图像的局部区域内进行计算。在浅层网络中，神经元只能感知输入图像的一个小区域，比如边缘或纹理等局部特征。在深层网络。
2025-03-20 11:41:48
450
原创 什么是池化层？它有什么作用？（面试题200合集，高频、关键）
池化层（Pooling Layer）是卷积神经网络（CNN）中的一种重要组成部分，主要用于对输入的特征图（feature maps）进行降采样（down-sampling）。它的核心思想是通过在局部区域内对数据进行聚合（例如取最大值或平均值），从而减少特征图的空间维度（即高度和宽度），同时保留关键的特征信息。池化层通常出现在卷积层之后，作为神经网络中的一个处理步骤。
2025-03-20 11:35:55
616
原创 解释卷积层的工作原理（面试题200合集，高频、关键）
卷积层通过滑动卷积核对输入数据进行局部加权求和，提取有意义的特征，并将结果传递给下一层。它的高效性和对空间结构的敏感性使其特别适合处理图像等数据。随着网络深度的增加，后续卷积层可以从低级特征（边缘）逐步组合出高级特征（形状、对象等）。
2025-03-20 11:31:27
906
原创 什么是卷积神经网络？它的主要应用是什么？（面试题200合集，高频、关键）
卷积神经网络（Convolutional Neural Network，简称CNN）是一种专门用于处理具有网格结构数据（如图像）的深度学习模型。它通过模拟人脑视觉皮层的机制，能够自动从数据中学习特征，并在多种任务中表现出色。CNN的核心思想是利用卷积操作提取数据的局部特征，并通过多层网络结构逐步抽象出更高级的特征。相比传统的全连接神经网络，CNN利用了图像的局部相关性和平移不变性，大幅减少了参数数量，提高了计算效率。卷积层（Convolutional Layer）
2025-03-20 11:18:52
736
原创 解释局部最小和全局最小的概念（面试题200合集，高频、关键）
局部最小是指函数在某一点处的值小于或等于其邻近区域内所有点的值。数学上，对于一个函数。
2025-03-14 16:59:25
562
原创 什么是逻辑回归？它为什么叫回归？（面试题200合集）
逻辑回归（Logistic Regression）是一种机器学习算法，用来解决分类问题。简单来说，它能帮我们回答“是”或“不是”这样的是非题。比如，判断一封邮件是不是垃圾邮件、预测一个人会不会买某件商品，或者医生想知道患者有没有某种病。逻辑回归是个分类高手，它用特征算出概率，帮我们做“是非判断”。它的工作基于线性回归，通过Sigmoid函数把数字变成概率。而之所以叫“回归”，是因为它的核心是个线性模型，建模的是对数几率，和线性回归有亲戚关系。
2025-03-14 11:03:11
898
原创 什么是批量归一化（Batch Normalization）？它有什么好处？（面试题200合集，高频、关键）
批量归一化（Batch Normalization，简称 BN）是一种用于加速深度神经网络训练并提高其稳定性的方法。它通过在神经网络的每一层中对输入数据进行标准化处理来实现这一点。BN 最初由 Sergey Ioffe 和 Christian Szegedy 在 2015 年的论文中提出，其核心思想是规范化每一层输入的激活值，使其具有稳定的分布。具体来说，批量归一化针对训练时的小批量数据（mini-batch）进行操作。假设一个 mini-batch 包含mmm个输入样本Bx1x2xm。
2025-03-14 11:01:47
587
原创 解释 dropout 的工作原理（面试题200合集，高频、关键）
Dropout 是一种有效的正则化技术，通过在训练过程中随机丢弃神经元来防止过拟合。其工作原理基于打破神经元共适应性并隐式实现模型平均。尽管 Dropout 会增加训练时间，但在提高模型泛化性能方面表现出色，广泛应用于深度学习模型中。
2025-03-14 10:57:52
505
原创 什么是梯度下降？它在神经网络训练中的作用是什么？（面试题200合集，高频、关键）
梯度下降（Gradient Descent）是一种优化算法，用于寻找函数的最小值。它通过迭代地调整参数，使得目标函数（通常是损失函数）逐步减小，直至收敛到局部或全局最小值。在机器学习和深度学习中，梯度下降是训练模型的核心技术之一。简单来说，它就像是在一个山谷中寻找最低点，通过计算坡度的方向（梯度），然后朝相反方向迈步以降低高度（损失）。梯度下降是神经网络训练的基础，它通过迭代优化权重和偏置，最小化损失函数，使模型能够从训练数据中学习规律，从而对新数据进行准确预测和分类。
2025-03-14 09:58:24
638
原创 解释什么是反向传播算法？简述其工作原理（面试题200合集，高频、关键）
反向传播算法（Backpropagation Algorithm）是训练神经网络的一种核心技术。它通过利用梯度下降法调整神经网络中的权重和偏置，从而最小化网络预测输出与期望输出之间的误差。反向传播算法是深度学习的基础，使得神经网络能够通过数据学习复杂的模式。反向传播算法是一种高效的优化方法，通过在前向传播中计算输出、在反向传播中计算梯度，并根据梯度更新权重，来逐步优化神经网络的性能。其核心在于利用链式法则，将误差从输出层反向传递到输入层，从而实现所有权重的调整。
2025-03-14 09:37:40
358
原创 通俗解释神经网络的基本结构（面试题200合集，高频、关键）
你可以把神经网络想象成一个“多层过滤器”：输入层接收原始数据，隐藏层像筛子一样逐层提炼关键信息，输出层给出最终答案。
2025-03-14 01:12:53
163
原创 什么是深度学习？它与机器学习有什么区别？（高频、关键）
机器学习是人工智能的一个分支，旨在让计算机通过数据学习规律，而无需明确编程。它包括多种算法，如线性回归、决策树、支持向量机（SVM）、随机森林等。机器学习的目标是通过训练模型，使其能够对新数据进行预测或决策。
2025-03-14 01:09:10
323
原创 解释什么是偏差和方差？如何权衡？（面试题200合集）
在机器学习中，偏差（Bias）和方差（Variance）是两个用来描述模型性能的重要概念，它们帮助我们理解模型在训练数据和测试数据上的表现差异，以及如何提升模型的泛化能力。偏差（Bias）定义：偏差是指模型预测值与真实值之间的平均差异。简单来说，它衡量模型是否能够准确拟合训练数据。特点如果偏差高，说明模型过于简单，无法捕捉数据中的复杂模式，这种情况称为欠拟合（Underfitting）。欠拟合的模型在训练集和测试集上表现都不佳。举例。
2025-03-14 00:39:45
355
原创 详细解释交叉熵损失函数（面试题200合集）
交叉熵损失函数是一种衡量模型预测概率分布与真实标签分布差异的有效工具。它在二分类和多分类问题中有着明确的数学形式和直观的解释。通过最小化交叉熵损失，模型能够学习到更接近真实分布的概率预测，从而提高分类性能。由于其概率意义、优化特性和统计基础，交叉熵损失函数成为分类任务中的标准选择。
2025-03-12 22:21:28
633
原创 什么是梯度消失问题？如何解决？（面试题200合集）
梯度消失问题是深度学习中一个常见的挑战，特别是在训练深层神经网络时。它指的是在反向传播过程中，梯度（即损失函数对网络参数的偏导数）在向网络的早期层传播时变得非常小，以至于这些层的参数几乎无法更新。这种现象会导致网络的学习过程停滞，尤其是网络的前几层无法有效学习。梯度消失问题是深度学习中训练深层网络时的重要障碍，其根源在于激活函数的导数特性以及梯度在多层传播中的指数衰减。通过使用 ReLU 激活函数、批归一化、残差网络、LSTM/GRU 或优化权重初始化等方法，可以有效缓解这一问题。
2025-03-12 17:51:07
611
原创 为什么 ReLU 比 Sigmoid 更常用？（面试题200合集）
ReLU 因其在梯度传播、计算效率、稀疏性和收敛速度上的优势，取代 Sigmoid 成为默认选择，尤其在卷积神经网络（CNN）和深度网络中。虽然 Sigmoid 在某些场景（如二分类输出层）仍有用途，但 ReLU 的整体表现更优，是现代深度学习的主流激活函数。
2025-03-12 17:42:45
659
原创 激活函数的作用是什么？（面试题200合集）
想象一下，神经网络就像一个聪明的大脑，里面有很多小工人（神经元）在处理信息。每个小工人会收到上一层传来的“消息”（输入数据），然后通过一些计算（比如加权求和）把这些消息整理成一个数字。激活函数是神经网络的“魔法开关”，它让网络从简单的直线计算变成能处理复杂问题的神器。打个比方：没有激活函数的神经网络就像一个只会直来直去的机器人，只能处理简单任务；有了激活函数，它就像一个灵活的艺术家，能画出各种奇妙的曲线，解决更难的问题。下面我列举几种常用的激活函数，尽量用简单的语言解释它们的原理和特点。
2025-03-12 17:33:15
455
原创 什么是批量梯度下降、随机梯度下降和mini-batch梯度下降（面试题200合集）
梯度下降就像是你根据坡度的方向，一步步往下走，直到走到最低的地方。还是老师，这次你决定每次看一小组学生（比如10个人）的成绩，根据这小组的表现来调整教学方法。还是那个老师，这次你换了个策略：每次只看一个学生的成绩，根据这个学生的表现立刻调整教学方法。这种方法很快，因为你不用等所有成绩都出来就动手调整，但如果小明的成绩特别差是因为他偷懒，而不是你教得不好，你的调整方向可能会跑偏。这种方法很全面，因为你考虑了所有学生的表现，但如果班里有几百个学生（数据量很大），你得花很多时间去统计和分析。
2025-03-12 16:54:23
434
原创 解释梯度下降的原理是什么？（面试题200合集，高频、关键）
梯度下降（Gradient Descent）是一种优化算法，广泛应用于机器学习和深度学习中，用来最小化损失函数。简单来说，它就像是你在山谷中寻找最低点的方法：你不知道整个山谷的地形，但可以通过脚下的坡度来决定下一步往哪里走，最终逐步到达谷底。梯度下降是一种通过迭代调整参数来最小化损失函数的优化方法。它的核心是利用梯度信息指导参数更新的方向和步长，最终找到损失函数的最优解。通过选择合适的学习率和变种（如批量、随机或小批量梯度下降），它可以高效地应用于各种机器学习任务。
2025-03-12 16:53:10
431
原创 详细解释L1和L2正则化的区别（面试题200合集）
L1正则化像个果断的“断舍离大师”，通过绝对值惩罚，让不重要的参数直接归零，适合需要特征选择的场景。L2正则化像个温和的“瘦身教练”，通过平方惩罚，让所有参数均匀变小，适合保留所有特征的场景。根据你的数据和需求，选对正则化方法，能让模型既聪明又实用！
2025-03-12 16:42:36
974
原创 详细解释监督学习和无监督学习的区别是什么？（面试题200合集）
监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）是机器学习中的两种基本方法，它们的区别主要体现在训练数据的标注情况和学习目标上。以下是对两者的详细解释和对比：定义：监督学习是一种机器学习方法，模型通过带有标注的训练数据进行学习。所谓“标注”，指的是每个训练样本都包含输入特征和对应的目标值（也称为标签）。学习目标：监督学习的目的是学习一个从输入特征到输出标签的映射函数。通过这个函数，模型能够对新的、未见过的数据进行预测。工作原理：数据特点：常见任
2025-03-12 16:29:17
365
原创 详细解释什么是机器学习？与传统编程的区别是什么？（面试题200合集）
机器学习（Machine Learning）是人工智能（AI）的一个分支，专注于开发能够从数据中学习并改进性能的算法和模型，而无需显式编程。简单来说，机器学习通过让计算机分析大量数据，自动发现其中的模式和规律，从而完成任务或做出预测。与传统的编程方法相比，机器学习的核心在于它是一种数据驱动的方法，依赖于训练数据而不是预先定义的规则。在机器学习中，程序员不直接告诉计算机如何解决问题，而是提供带有标签的训练数据（例如，标注为“猫”或“非猫”的图像），然后使用算法训练一个模型。
2025-03-12 16:21:59
707
原创 详细解释什么是过拟合？如何避免？（面试题200合集）
过拟合（Overfitting）是指机器学习模型在训练数据上表现得过于优秀，但在新的、未见过的数据上表现较差的一种现象。简单来说，模型不仅学习到了数据的真实模式，还“记住了”训练数据中的噪声和偶然性，导致它无法很好地泛化到新数据上。可以把过拟合想象成一个学生死记硬背课本上的每一个例子，却无法灵活应对新问题。过拟合是机器学习中的常见问题，通常由模型过于复杂、训练数据不足或特征过多引起。其后果是模型在训练数据上表现优异，但在新数据上预测能力下降。
2025-03-12 15:04:58
417
原创 200道AI算法工程师必背面试题
答案: 机器学习是一种人工智能分支，通过数据训练模型，让机器自动学习规律并进行预测或决策，而无需明确编程规则。传统编程是手动编写规则和逻辑，输入数据后得到输出；机器学习则是输入数据和期望输出，自动学习生成规则。答案: 监督学习使用带标签的数据训练模型（如分类、回归），目标是预测标签；无监督学习使用无标签数据，发现数据中的模式或结构（如聚类、降维）。答案: 过拟合是模型在训练数据上表现很好，但在测试数据上表现差，原因是模型过于复杂。避免方法包括：增加训练数据、使用正则化（如L1/L2）、Dropout、早停法
2025-02-22 11:01:21
1019
1
原创 （3万字深度解析）Kaggle人工智能比赛《Porto Seguro’s Safe Driver Prediction》高分复现超详细指南
确定baseline：先用经验参数训练模型得到一个CV AUC，如前面XGB ~0.64 AUC。重要参数粗调：用随机搜索或贝叶斯优化找出较优的max_depthnum_leaves等控制模型容量的参数。次要参数微调：调节subsamplecolsamplereg_alphareg_lambdagamma等正则化/采样参数，通过验证集观察过拟合情况决定是否加强正则。学习率和树数：通常先fix较高学习率找参数，然后降低学习率增加树数以提高分数（learning_rate小到一定程度收益变小）。
2025-02-21 09:30:00
1061
原创 （九万字）面向2025年BOSS直聘人工智能算法工程师高频面试题解析
机器学习是让计算机从数据中学习规律的一套方法论，包含监督学习、无监督学习和强化学习等范式。在监督学习中，给定带标签的数据，算法尝试学习从输入到输出的映射关系；无监督学习则在缺乏标签的情况下挖掘数据内在结构；强化学习则让智能体通过与环境交互、依据奖赏反馈来改进策略 (Q-learning - Wikipedia)。机器学习模型的性能通常取决于其对训练数据的拟合程度和对新数据的泛化能力。这涉及到偏差-方差权衡：简单模型（低复杂度）可能有较高的偏差（对训练数据拟合不充分，欠拟合），而复杂模型（高自由度）可能有较高
2025-02-20 09:19:07
1987
原创 （学习人工智能必备）人工智能的所有重要数学原理解析——三万字长文
人工智能（AI）的飞速发展离不开数学的支撑。从基础的代数到前沿的信息论，每一个理论都在AI技术中扮演关键角色。本篇博客以通俗易懂的语言，由浅入深地讲解AI所涉及的重要数学原理，适合数学基础一般的读者。文章涵盖从代数、微积分、概率论等基础内容，到线性代数、优化理论、图论、信息论等复杂主题。我们不仅介绍概念，还配合具体实例说明这些数学原理在AI中的实际应用。目录：代数（Algebra）是数学的一大基础分支，它研究数、代数式、关系、方程等抽象对象 (代数 - 维基百科，自由的百科全书)。如果你曾在学校里学过用字母
2025-02-19 15:38:47
727
原创 （3万字深度解析）Kaggle《房价预测：高级回归技巧》详解复现攻略
在这篇教程式文章中，我们从零开始完成了 Kaggle《房价预测：高级回归技巧》比赛的复现工作，涵盖了数据预处理、特征工程、模型训练、调优、解释和融合的完整流程。深入理解数据：阅读数据描述，结合常识对每个特征作出合理处理（如缺失值填充’None’表示无此设施 、异常值剔除 等）。对目标和偏态特征进行对数变换，使分布更平滑，从而更好满足模型假设并提升准确度。特征工程：我们创造了总面积、总浴室等新特征，整合信息提高模型可学习性。
2025-02-18 23:53:24
956
1
原创 （Kaggle人工智能比赛复现）3万字长文教你如何一步步复现《泰坦尼克号生存预测》
泰坦尼克号沉船事件背景：1912年4月15日，英国豪华邮轮泰坦尼克号在首航途中撞上冰山沉没。这次灾难中，2224名乘客和船员中有1502人遇难，成为历史上最臭名昭著的海难之一 () (〖从零开始学Kaggle竞赛〗泰坦尼克之灾_kaggle比赛泰坦尼克- 从灾难中学习机器学习提交比赛需要提交什么文件-优快云博客事故发生后，人们痛定思痛，促成了航运安全法规的改进。然而，在这场灾难中，乘客的生还情况并非完全随机的运气，一些群体的生存率明显高于其他群体——例如女性、儿童和上层阶级乘客。
2025-02-18 22:40:41
1131
原创 （Kaggle人工智能比赛复现）30 个经典 Kaggle 比赛及适合 PyTorch 实践的赛题
以下整理了 30 个 Kaggle 经典比赛，覆盖计算机视觉、自然语言处理、表格数据等不同类型。每个比赛都注明了核心任务、赛题简介、适合的学习阶段和数据集来源，供学习者使用 PyTorch 进行复现和练习。
2025-02-18 01:43:36
1696
原创 （两万字深度研究—如何提高模型准确率）目标检测准确率提高终极指南——模型准确率从约88%提升至98%以上的优化策略
针对现实世界中的企业级目标检测应用，本文探讨如何将模型准确率从约88%提升至98%以上的优化策略。我们将结合铁轨缺陷检测、杆塔螺栓松动识别、水泥杆裂缝识别等场景，全面分析数据处理、模型选择、训练技巧和部署优化的方法。
2025-02-11 09:45:00
1000
原创 （两万万字深度解析）DeepSeek R1：从简到深全面学习如何利用强化学习训练大型语言模型（详解）
引言： DeepSeek R1 是 DeepSeek 团队推出的第一代开源推理强化学习模型，它通过纯强化学习和多阶段训练显著提升了大型语言模型在复杂推理任务上的能力 (〖DeepSeek论文精读〗6. DeepSeek R1：通过强化学习激发大语言模型的推理能力-优快云博客)。不同于传统依赖海量标注数据的监督学习方法，DeepSeek R1 采用了全新的训练范式：让模型在与环境交互中自主学习。该模型在架构上继承了 DeepSeek-V3 的技术栈，并在训练过程中融合了冷启动策略、强化学习优化以及蒸馏等多种
2025-02-10 22:57:59
1114
原创 （强化学习面试题）快速全面掌握强化学习（必背）
PPO 是一种改进的策略梯度方法，通过限制新旧策略之间的差异来稳定更新。常用的方法是引入剪切（Clip）机制，当新策略与旧策略之间的比值超出预设范围时，对目标函数进行剪切，从而避免策略更新过大，保持训练的稳定性。“探索与利用”的平衡指的是智能体在未知环境中既要尝试新的动作（探索）以发现更优策略，同时又要利用已知高奖励的动作（利用）以获得高收益。SAC 是一种基于 Actor-Critic 框架的深度强化学习算法，通过在目标函数中加入策略熵项，使得智能体在追求高奖励的同时保持足够的探索性。
2025-02-09 17:52:38
309
原创 （强化学习）Python强化学习全景深度指南：快速全面掌握从理论到实践的核心技术
近年来，随着人工智能技术的飞速发展，强化学习（Reinforcement Learning，简称RL）已经逐步成为机器学习领域的耀眼明星之一。相比于传统的监督学习和无监督学习，强化学习拥有一套截然不同的范式：它通过“奖励和惩罚”机制来让智能体（Agent）在环境（Environment）中“试错探索”，并不断改进决策策略（Policy），从而在多变且复杂的环境里逐渐学会最佳的决策方案。
2025-02-09 17:50:16
684
连接图像滑块以显示不同图像的小型JavaScript应用程序_CSS_HTML_下载.zip
2023-05-02
是一个检测App何时进入后台前台的组件，同时支持多进程检测_Kotlin_Java_下载.zip
2023-05-02
具有运动检测和地理围栏功能的复杂、电池敏感、跨平台背景地理定位_TypeScript_Objective-C_下载.zip
2023-05-02
一个使用NSURLSession后台传输在文件滚动时上传文件的LogFileManager_Objective-C_Sh.zip
2023-05-02
运行后台服务以按预定义的时间间隔获取用户位置并将其经纬度和地址存储到数据库中的演示。-它显示正在进行的通知以显示服务正在.zip
2023-05-02
专为Laravel5整理的后端模板，只写了由页面跳转，给开发者最大的空间自己开发_PHP_HTML_下载.zip
2023-05-02
Cordova启用了后台地理定位，因此您的MeteorCordova应用程序即使在关闭暂停时也可以更新位置_JavaSc.zip
2023-05-02
软件开发综合项目——辛德瑞拉婚纱礼服定制网站，使用SSM框架和Maven管理工具，开发环境为EclipseJeePhot.zip
2023-09-15
基于SSM的电影购票系统框架：Spring+SpringMVC+MyBatis+JSP数据库和工具：MySql,Navi.zip
2023-09-15
一个基于SSM框架的个人日志系统(个人技术博客)_JavaScript_CSS_源码_下载.zip
2023-09-15
ssm集成项目，crm管理系统，crm.sql为数据库文件，使用时需要修改configmysql.properties输.zip
2023-09-15
采用SSM框架的电商网站，数据库采用和MySql。包含用户管理，订单，品类，产品，购物车，地址，在线支付七个模块。项目的.zip
2023-09-15
基于SSM框架实现的高并发商品秒杀系统，c3p0作为连接池，Redis为存储实现高并发，同时通过MySQL优化降低了网络.zip
2023-09-15
django-tracking2跟踪访问者和注册用户在您网站上花费的时间长度 虽然这适用于网站，但更适用于具有注册用户的.zip
2023-09-05
证件照片背景颜色替换；输入一张证件照片，指定背景颜色，运行程序，自动替换证件照片底色_Python_下载.zip
2023-05-03
使用便宜的检测器和RaspberryPi监测和记录背景辐射水平_Python_Shell_下载.zip
2023-05-03
一个可以用代号处理控件的阴影效果，以及用代号在TextView、EditText、Button等控件设置selector.zip
2023-05-03
这是一个使用Swift中的CoreML和CoreImage示例去除图像背景_Swift_下载.zip
2023-05-02
当没有缓冲区打开时，在应用程序的后台显示应用程序提示_JavaScript_Less_下载.zip
2023-05-02
第一个使用jQueryCycle插件作为全屏背景幻灯片的jQuery插件_JavaScript_CSS_下载.zip
2023-05-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人