- 博客(993)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 ODFM（正交频分复用）系统中加入汉明码（Hamming Code）的主要目的是增强抗误码能力，通过**前向纠错（FEC）**机制提高传输可靠性
OFDM中加入汉明码的核心目标是以较小复杂度代价，提升系统在噪声和干扰下的鲁棒性，尤其针对随机误码。实际系统中，汉明码可能作为更大编码框架的一部分，与其他技术（如交织、自适应调制）共同优化性能。
2025-07-25 18:22:26
179
原创 QPSK（Quadrature Phase Shift Keying）实际上是 4-QAM和 16-QAM、64-QAM、256-QAM的区别，
摘要：QPSK本质上是4-QAM，属于QAM调制中最简单的形式。与高阶QAM（如16/64/256-QAM）相比，QPSK频谱效率低（2bps/Hz）但抗干扰强，适合长距离传输；高阶QAM频谱效率高（如256-QAM达8bps/Hz）但需要更优信道条件和复杂DSP处理，适用于短距高速场景。关键差异包括星座点密度、所需信噪比及对非线性效应的容忍度，实际应用（如400G-ZR）会根据距离需求动态选择调制方式。
2025-07-24 12:49:15
234
原创 VTM 是“H.266/VVC 标准的官方参考软件”视频分析，入门教程，它存在的唯一目的就是“让学术界和工业界在同一把尺子上做实验
H.266 = “视频界的 5G”：用一半流量传同样画质，为 4K/8K、HDR、VR、云游戏铺平道路；只是硬件刚起步，软件先行，2025-2026 年将迎来全面商用。VTM 是“H.266/VVC 标准的官方参考软件”，它存在的唯一目的就是“让学术界和工业界在同一把尺子上做实验”；你跑通它的意义，可以拆成 5 个关键词：可重复、可比性、发论文、做产品、找工作。VTM 就像机器学习里的 PyTorch——你可以不用它做最终产品，但做实验、写论文、谈性能时，它是唯一公认的“基准尺”。
2025-07-20 19:57:41
756
原创 在通信仿真场景下，Python 和 MATLAB 的性能差异主要体现在运行效率、并行计算、库支持、开发效率等方面。以下是基于最新资料的对比总结
在通信仿真场景下，主要体现在运行效率、并行计算、库支持、开发效率等方面。
2025-07-20 19:11:40
244
原创 pycharm社区版本不支持Jupyter Notebook,可以用DataSpell 和 Datalore 都是 JetBrains／JetBrains 出品，面向数据科学／深度学习场景的 IDE
• Datalore：datalore.jetbrains.com → Sign in with JetBrains Account → Upload/Import Notebook → 选「GPU 模板」→ Run。• DataSpell：官网 jetbrains.com/dataspell 下载 → 选 Existing Conda → 新建/打开 Jupyter Notebook → 开写。→ 把 Notebook 直接拖进 Datalore，生成公开链接，浏览器里就能跑，无需录屏。
2025-07-20 19:10:07
792
原创 conda 环境 和vscode 运行Jupyter Notebook ipynb文件，pycharm社区版不支持ipynb怎么办， 需要把环境注册为 Jupyter 可用内核
只要你在目标环境里安装了ipykernel并注册为内核，就能解决 “Ipykernel setup required” 的问题。
2025-07-20 05:01:54
273
原创 OFDM DCO，ACO，ADO，ADO QPSK、16QAM、64QAM IFFT点数 FFT点数 BER snr_db cp循环前缀 OFDM符号分别是什么,OFDM 交频分复用
缩写全称类型关键技术应用领域DCO光模块架构全数字相干+集成DSP数据中心、城域网ACO光模块架构模拟信号+外部DSP长距离骨干网ADO调制技术剪裁OFDM+LED调制可见光通信、Li-Fi如需进一步了解某一技术在具体设备或标准中的应用（如800G模块或Li-Fi系统），可以继续提问。
2025-07-18 04:11:09
784
原创 实现单冷模式和冷暖模式下的不同压力计算，并使用统一的纯净物制冷剂计算模型
**冷暖模式**：`P2 = saturation_pressure(T3 + 2) + dp3`- **单冷模式**：`P2 = saturation_pressure(T3 + 2)`- 比容 `v2 = specific_volume(P2, h2)`- 通过 `enthalpy(P2, s2_ideal)` 计算理想焓值。- 保持点1和点2理想状态的熵相等 `s2_ideal = s1`- 熵 `s2 = entropy(P2, h2)`其中 `is_eff` 是压缩机的等熵效率 (0-1)
2025-07-17 12:26:25
336
原创 手绘电路图的节点和端点检测一个简化版的算法实现框架
基于论文描述，我将提供一个简化版的算法实现框架，用于手绘电路图的节点和端点检测，并整合生成电路原理图。以下代码结合了YOLOv5目标检测和传统图像处理技术，符合论文中提到的98.2% mAP和92%节点识别准确率的关键指标。
2025-07-16 12:41:48
861
原创 ipad pro 12.9各个版本 保护壳有什么区别 2015/2017 代共用一套尺寸，2018 起机身变薄、摄像头/磁铁位置全改，因此 2018 及之后的所有 12.9 吋壳子可跨代通用
2017 及更早的 12.9 英寸 iPad Pro 机身比 2018 以后厚 1 mm、长 25 mm，且摄像头/磁铁/开孔位置完全不同，所以旧壳无法装进新机器，反之亦然。
2025-07-15 14:12:35
296
原创 碳纤维手机，碳纤维天生会屏蔽手机信号，又贵又难加工，直到今天才刚被极少数厂商攻克 全球首款量产机型：Carbon 1 Mark II（德国 Carbon Mobile
全碳纤维”手机目前仍是极小众的“概念+奢侈品”，信号、成本、量产三座大山刚刚被跨过去第一步。你买到的所谓“碳纤维手机壳”大多是芳纶（凯夫拉）或玻璃纹贴纸——真·碳纤维壳会显著降信号。未来几年，随着可透波碳纤维复合工艺成熟、成本下降，主流品牌才可能跟进。
2025-07-15 13:57:20
356
原创 baidu AI Studio Notebook 命令行失效 Can not combine ‘--user‘ and ‘--target‘ 解决方式
在AI Studio Notebook中安装safetensors报错，原因是同时使用了-t指定安装目录和默认的--user冲突。解决方案有三种：1）去掉-t直接安装；2）保留-t但添加--no-user；3）升级pip并关闭user模式。建议使用最简单的第一种方法，或更换国内镜像源。核心要点是避免-t与--user同时使用即可正常安装。
2025-07-15 10:14:45
234
原创 AI Studio 项目把 Paddle 从 2.6.2 升级到 3.0 后，终端/命令行打不开」的问题或者等五分钟以上，界面能打开，但是运行不了
你遇到的「AI Studio 项目把 Paddle 从 2.6.2 升级到 3.0 后，终端/命令行打不开」的问题或者等五分钟以上，界面能打开，但是运行不了，大概率是因为 **，官方镜像里很可能还没有完整打包好对应的 CUDA、cuDNN、Python等包 组合，导致容器启动失败，从而在 Web 界面里表现为「终端打不开」。总结：目前 3.0 尚处测试期，AI Studio 的在线镜像还未完全适配，建议先回退到 2.6.2 进行日常开发，待官方公告 3.0 正式可用后再升级。如果返回里根本找不到。
2025-07-15 08:39:28
499
原创 当前（2024-07-14）视频插帧（VFI）方向的 SOTA 基本被三篇顶会工作占据，按“精度-速度-感知质量”三条线总结如下，供你快速定位最新范式
• 亮点：把“中间光流估计”和“中间帧特征重建”放在同一个 encoder-decoder 里 coarse-to-fine 联合优化，避免级联网络延迟；当前（2024-07-14）视频插帧（VFI）方向的 SOTA 基本被三篇顶会工作占据，按“精度-速度-感知质量”三条线总结如下，供你快速定位最新范式。• 代码/模型：https://github.com/megvii-research/IFRNet。• 代码/模型：https://github.com/mulns/PerVFI。
2025-07-14 22:35:22
503
原创 百度 AI Studio 的 datasets（Hugging Face 数据集库）、PaddlePaddle（飞桨深度学习框架）和 fsspec（文件系统抽象库）的版本对应关系
摘要（148字） Hugging Face的datasets库、PaddlePaddle深度学习框架与fsspec文件系统库存在版本强约束关系。验证显示最佳兼容组合为：fsspec[http]==2024.9.0 + datasets==3.2.0 + paddlepaddle==2.5.2。关键冲突源于datasets<=3.2.0强制要求fsspec<=2024.9.0，而新版PaddlePaddle（2.4+）兼容更广泛的fsspec版本。在百度AI Studio中需手动降级fsspec并
2025-07-14 13:02:43
527
原创 fsspec（全称为 Filesystem Specification）是一个 Python 库，旨在为多种存储系统提供统一的文件操作接口。它通过抽象底层存储细节（如本地磁盘、云存储、远程协议等）
fsspec是 Python 中解决存储碎片化的关键工具，通过提供统一、高效、可扩展的文件操作接口，显著降低了跨存储系统开发的复杂度。尤其适合需处理混合存储（本地+云）的数据工程、科学计算场景，其性能优化与协议串联能力进一步提升了大规模数据处理的可行性。
2025-07-14 12:55:39
767
原创 精确率 假阳性 ；召回率 假阴性 mAP（mean Average Precision） 是评估模型精度的核心指标，全称 “平均精度均值”。它综合衡量了模型在不同类别、不同置信度阈值下的检测性能
摘要： mAP（平均精度均值）是YOLO目标检测的核心评估指标，综合衡量模型精度和召回率。通过计算不同IoU阈值（如0.5或0.5:0.95）下的类别平均精度（AP），再对所有类别取平均得到mAP。它平衡了精确率（减少误检）和召回率（减少漏检），是模型对比和优化的关键依据。例如，mAP@0.5:0.95=0.35表示模型在严格IoU条件下平均精度为35%。理解mAP的计算逻辑（PR曲线、IoU阈值）有助于针对性提升检测性能。
2025-07-13 00:17:12
231
原创 ADMM-ESINet 一种用于脑电扩展源成像 成像（ESI）方法 是一种基于深度展开网络（deep unfolding network）的 EEG 源
ADMM-ESINet 摘要 ADMM-ESINet是一种创新的EEG源成像深度展开网络，结合了模型驱动方法和数据驱动学习的优势。该网络将ADMM迭代过程展开为可解释的神经网络层，采用结构化稀疏约束（L21范数）提升扩展源重建精度。相比传统方法（如wMNE）速度更快（毫秒级），比纯深度学习（如DeepSIF）泛化性更强。网络由多个ADMM块组成，每个块包含重建层、辅助变量层和乘子更新层，通过端到端训练学习正则化参数和空间变换算子。复现指南包括环境准备、数据生成、模型训练和评估步骤，核心代码基于PyTorch
2025-07-12 11:24:59
435
原创 下载下来的transformers 模型如何使用，里边包含了模型推理 再训练 Hugging Face Transformers 模型目录
是，里边包含了模型推理/再训练所需的全部文件。
2025-07-12 10:50:08
214
原创 KNN其核心是最近邻搜索（Nearest Neighbor Search）所有算法介绍 重点介绍BVH 是图形学中用于加速 2D/3D KNN 搜索的“包围盒树”，特别适合 GPU 加速，物理仿真。
摘要：KNN算法中的主流加速方法包括暴力法、树结构（如KD-Tree）、哈希类（如LSH）、图结构（如HNSW）以及图形学结构（如BVH）。BVH（包围体层次结构）是一种空间层次划分方法，通过递归构建包围体树实现高效KNN搜索，特别适用于2D/3D场景。相比KD-Tree，BVH更适合GPU加速，在图形学、粒子系统和仿真中表现优异。现代GPU的RT Core可显著提升BVH的遍历效率，使其成为低维KNN搜索的高效解决方案。
2025-07-12 08:06:23
787
原创 python 机器学习 实现电路图重建和统计分析的完整方案，重点解决器件连接矩阵的提取和可视化问题
此方案完整实现了从电路图检测到连接矩阵提取再到可视化分析的全流程，重点解决了器件连接关系的构建问题，并通过分层可视化满足不同分析需求。实际部署时可针对具体电路图特性调整连接阈值等参数。
2025-07-12 02:33:35
519
原创 FPGA开发一个精确反馈控制算法 实现动态调控电磁反馈，控制流过线圈的电流，产生不同大小不同方向的磁力 电路结构设计PCB版图的绘制
外设：ADC SPI (1 MHz)，DAC SPI (20 MHz)，UART (115200)，PWM (200 kHz 用于电流驱动)，I²C (EEPROM 参数存储)。驱动要求：±20 A，带宽 ≥ 100 Hz，纹波 < 10 mA，分辨率 16 bit → 1 LSB ≈ 0.6 mA，满足指标。- 加速度计：±50 g，模拟差分输出，灵敏度 40 mV/g，带宽 1 kHz，噪声 20 µg/√Hz。
2025-07-11 19:55:12
406
原创 TrOCR（Transformer-based Optical Character Recognition）是微软提出的一种端到端基于 Transformer 架构的光学字符识别（OCR）模型，由预训
TrOCR是一种基于Transformer的端到端光学字符识别模型，由图像编码器和文本解码器组成，支持多语言识别。它能处理384×384分辨率图像，分割为16×16块输入模型，无需CNN、RNN或外部语言模型。该模型对字体、方向及噪声具有鲁棒性，适用于手写体和印刷体识别。通过Hugging Face可快速部署，示例代码展示了从手写图片中提取文本的流程。其优势包括端到端处理、多语言支持和强大的适应性。
2025-07-11 19:42:01
371
转载 步态时项分析 关节角度 步长 步速等参数测量 bvh 分析 人工智能有正确的走路姿势吗，关于步态，频率，幅度，身姿等的标准？
步行周期可分为6个时期：触地期、站立中期、推进期、摆动初期、摆动中期、摆动末期，也可以分为2个时相：支撑相（触地期、站立中期、推进期）和摆动相（摆动初期、摆动中期、摆动末期）。行走时左、右两足之间的横向距离，通常以足跟中心为测量参考点，以米为单位。步行周期是指行走时从一侧的足跟触地至同侧足跟再次触地所经历的过程，每一侧下肢都有各自的步行周期。从一侧的足跟触地至同侧足跟再次触地时所用的时间，以秒为单位。观察肢的小腿和地面垂直到观察肢的足跟下一次触地为止。观察肢的足跟首次触地到观察肢的整个足底触地为止。
2025-07-11 10:31:23
19
原创 分析BVH文件中来判断 崴脚等异常步态识别方法 人工智能机器人
在BVH文件中判断行动异常（如崴脚）与正常步态的差异，主要通过分析骨骼关节的运动数据（旋转角度、位置变化、时序特征等）。，辅以支撑期缩短、左右不对称等指标。建议结合临床步态分析工具（如OpenSim）进行生物力学验证。(示意图：正常踝轨迹 vs 崴脚内翻轨迹)使用Python库（如。：崴脚的BVH特征核心是。
2025-07-11 01:06:35
646
原创 机器学习 YOLOv5手绘电路图识别 手绘电路图自动转换为仿真软件（如LT Spice）可用的原理图，避免人工重绘
本文提出了一种基于YOLOv5和霍夫变换的实时手绘电路图识别算法，实现从手绘图纸到可仿真原理图的自动转换。该方法通过YOLOv5检测元件（mAP 0.5达98.2%），结合霍夫变换和K-means聚类识别节点，最终完成电路重建（准确率80%，耗时0.33秒/张）。实验表明，相比传统方法，该方案在元件识别准确率（99%）和抗干扰性上更具优势。研究虽存在单支路元件限制，但为电路数字化提供了首个端到端实时解决方案。未来将扩展元件类型并优化节点匹配算法。
2025-07-10 21:53:19
1145
2
原创 基因突变与临床数据关系”的数据分析方法总结 分析测序系列
摘要 本研究总结了基因突变与临床数据的关联分析方法。数据来源主要包括TCGA、GEO等公共数据库和临床样本测序结果。分析方法涵盖数据预处理（清洗、格式转换）、基因突变与临床特征的关联分析（卡方检验、生存分析）、突变特征分析（突变谱、TMB计算）、多基因突变分析（共突变、基因融合）以及临床意义评估（预后模型构建、免疫微环境分析）。研究采用R、Python等工具进行数据处理和分析，并提供了具体的代码示例。通过整合基因组数据和临床特征，该方法有助于揭示基因突变与疾病预后的关系，为精准医疗提供依据。
2025-07-10 12:35:38
550
原创 STIDGCN（时空交互动态图卷积网络）的原理，包括其核心模块的设计思路和工作机制 交通预测是智能交通系统中的一个重要任务
时空交互动态图卷积网络（STIDGCN）是一种用于交通预测的新型深度学习模型，旨在解决现有方法在同步捕捉交通数据的时空依赖性以及动态关联性方面的不足。以下是关于STIDGCN的详细介绍：模型架构STIDGCN由交互学习模块和动态图卷积模块组成。交互学习模块通过按时间间隔划分交通数据，并在划分后的子序列之间进行交互学习，从而同步捕捉交通数据的时空依赖性。动态图卷积模块则通过一种新颖的动态图生成方法，基于输入的交通数据和预定义的图结构生成动态邻接矩阵，从而模拟道路网络节点之间的动态关联。模型特点同步捕捉
2025-07-09 23:15:55
882
原创 图神经网络 gnn 应用到道路网络拓扑结构与交通碳排放相关性。，拓扑指标量化、时空关联模型及演化机制分析
针对您提出的“道路网络拓扑结构与交通碳排放关联性研究”框架，以下结合研究目标、数据与方法进行系统性深化设计，重点强化。利用MEIC（中国多尺度排放清单）西安交通排放栅格数据（1km×1km）进行交叉验证。此方案将拓扑抽象特征转化为可量化的决策变量，为低碳路网规划提供实证基础。
2025-07-09 21:55:07
1173
原创 景观桥 涵洞 城门等遮挡物对汽车安全性的影响数学建模和计算方法，需要收集那些数据
收集道路几何、桥梁结构、交通流、环境、历史事故等数据。基于道路线形 (平/纵曲线) 计算基础理论视距。利用几何投影法或 3D 光线投射，计算景观桥结构导致的实际可用视距 (ASD_static)。根据路段类型 (直线、弯道、匝道口等) 和驾驶任务 (停车、决策、超车)，选择SSD或DSD作为RSD。计算(当时)。在微观交通仿真 (如 VISSIM, SUMO) 中，考虑前车遮挡 (Gap_leader)，计算驾驶员实时动态可用视距。计算基于SDI(或ASD_real与RSD比较) 的事故概率。
2025-07-09 20:18:14
1007
原创 基于Python的动态双重机器学习（Dynamic Double Machine Learning, DDML）分析项目的实现示例
本文介绍了使用Python实现动态双重机器学习（DDML）的方法。通过EconML库中的DynamicDML估计器，分析随时间变化的处理效应。主要内容包括：1）环境配置，安装EconML等必要库；2）生成合成数据模拟动态处理场景；3）使用DynamicDML训练模型，包括结果变量和处理变量的拟合；4）可视化展示估计效应与真实效应的对比。项目展示了DDML在动态因果推断中的应用，为处理动态政策效应分析提供了Python实现范例。
2025-07-09 09:25:06
302
原创 2021年至2025年6月计算机视觉领域的一些重要算法和技术进展
这些算法和技术展示了Transformer和Diffusion Models在计算机视觉领域的广泛应用和持续创新，从图像分类到3D建模，从超分辨率到多模态融合，推动了计算机视觉的发展。这些算法和技术展示了Transformer在计算机视觉领域的广泛应用和持续创新，从图像分类到3D建模，从超分辨率到多模态融合，Transformer正在不断推动计算机视觉的发展。这些算法和技术进展展示了计算机视觉领域的快速发展，从基础的图像处理到复杂的多模态学习和三维建模，都取得了显著的突破。
2025-07-09 08:17:15
941
原创 2021年至2025年6月期间，Transformer在计算机视觉领域的最新算法和技术进展的总结
2021-2025年，Transformer在计算机视觉领域取得显著进展。ViT开创性地将图像分割为patch序列处理，DETR首次将Transformer用于目标检测。图像分割方面，SETR实现像素级分类；超分辨率领域涌现HAT、Swin2SR等创新模型。3D建模中VGGT处理多视图数据，T-MSA++优化注意力机制提升图像复原效果。多模态融合方面，MP-GT和ResCLIP取得突破，Video-SwinIR优化视频处理，DALL-E实现文本到图像生成。这些技术持续推动计算机视觉从基础任务到复杂应用的发展
2025-07-09 07:57:57
294
原创 GATv2 是对原始图注意力网络（GAT）的改进版本，主要解决了 GAT 的静态注意力问题你提到的“GATv2 动态注意力 + ViG 基础架构 + SViG 阈值化图构建”涉及图神经网络（GNN）和
1. **动态注意力**：GATv2 的动态注意力机制能够根据节点特征动态调整邻居的重要性，从而更好地捕捉图像中的复杂关系。- **门控线性注意力**：ViG 引入了门控机制，能够动态调整节点之间的连接权重，从而更好地捕捉图像的局部和全局特征。3. **双向上下文建模**：ViG 的双向设计能够同时考虑前向和后向的上下文信息，进一步提升模型的性能。- **双向设计**：ViG 的双向设计允许模型同时考虑前向和后向的上下文信息，进一步提升了模型的性能。### GATv2 动态注意力。
2025-07-08 19:25:28
431
原创 python 数据分析 单细胞测序数据分析 相关的图表，常见于肿瘤免疫微环境、细胞亚群功能研究 ，各图表类型及逻辑关系如下
层层递进解析单细胞数据背后的细胞群体特征与互作规律。
2025-07-07 23:17:35
451
原创 要提升你的二分类预测模型的性能，同时保留你的创新点 python机器学习
摘要：提升蛋白质二分类预测模型性能的方法包括：1)优化模型结构，如增加深度/宽度、引入正则化、注意力机制；2)特征工程，如特征选择/增强和归一化；3)数据增强，如序列变体生成和样本平衡；4)参数优化，包括学习率调整和超参数搜索；5)模型集成技术；6)以MCC为重点优化评估指标。所有优化需确保保留原有创新点，建议采用迭代实验方式，每次只调整少量参数并详细记录结果。
2025-07-07 11:33:49
681
原创 于3D-MOT的光束 delivery 系统（如文档中Rubidium PICMOT），通过6束正交准直光（三对 counter-propagating 光束）实现原子冷却与囚禁。结合文档中提到的Me
该方案可直接应用于3D-MOT的光束 delivery 系统（如文档中Rubidium PICMOT），通过6束正交准直光（三对 counter-propagating 光束）实现原子冷却与囚禁。结合文档中提到的Metasurface反射结构（参考文献[64]），可进一步集成 retroreflector，构建全平面化的3D-MOT系统，适用于芯片级冷原子传感器或量子计算平台。
2025-07-07 11:25:24
819
原创 Python 机器学习 基础 之 无监督学习 【主成分分析（PCA） / 非负矩阵分解（NMF）/ t-SNE 流形学习】在单细胞转录组分析中的应用：PCA、NMF与t-SNE
t-SNE（t-分布随机邻域嵌入）将高维数据映射到二维空间，通过保持数据点的局部邻域关系实现可视化。它将高维距离转换为概率分布，再用t-分布拟合低维空间的分布，突出数据的局部结构。PCA是一种线性降维方法，通过将高维数据投影到正交的主成分轴上，保留数据的主要方差。其核心是通过特征值分解或奇异值分解（SVD），找到最能代表原始数据变异的低维空间。在单细胞转录组分析中，通常先通过PCA降维减少噪声，再用NMF识别生物学亚型，最后用t-SNE可视化细胞分布，三者结合可全面解析肿瘤微环境的异质性。
2025-07-05 20:16:34
798
原创 非负矩阵分解（NMF）的python应用 ,基因分析，以胰腺癌上皮亚簇为实例，NMF在癌症研究中的优势
文献中NMF的计算核心是通过非负矩阵分解将bulk转录组数据降维为生物学可解释的分子亚型，其迭代优化过程确保分解结果符合基因表达的非负性和功能模块性。在单细胞转录组和癌症研究中，非负矩阵分解（NMF）常用于分析基因表达数据以识别分子亚型或细胞状态。以下结合文献中的应用场景，提供Python实现NMF的完整流程，重点关注其在胰腺癌和食管癌研究中的应用逻辑。通过上述代码框架，可实现从NMF模型构建到生物学解释的全流程分析，紧密结合两篇文献中胰腺癌和食管癌的研究场景，为肿瘤微环境的分子亚型解析提供量化工具。
2025-07-05 20:04:10
611
光子集成MOT综述这篇文章详细介绍了集成化三维磁光阱（3D-MOT） Enabling photonic integrated 3D magneto-opticaltraps 英文
2025-07-07
特别推荐的是 mysqlclient-1.4.6-cp37-cp37m-win-amd64.whl 文件等，专为 Windows 64 位系统下的 Python 3.6 3.7 3.8 环境设计
2025-01-15
html2canvas 截图功能 报表和文档转换
2024-04-08
各个国家地区的货币编码和国家代码数组
2023-08-16
portlets jquery drag插件
2009-12-16
epson TM-T88III.rar
2021-03-20
WindowsFormsApp1.rar
2021-03-29
jieqi cms 1.5防注入
2009-05-31
megento api soap xmlrpc接口 自定义扩展示例
2015-06-15
杰奇 jieqi cms 1.5防注入
2009-05-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人