代码说明使用python代码实现了一个基于RSA的CET成绩证明系统，主要架构分为CET_prove_system模块，CET_com官方模块，RSA模块和md5模块。
RSA模块和md5模块包含了RSA和md5的底层函数打包，CET_com官方模块里存储着所有学生的id和CET成绩，CET_prove_system模块担任组装各模块最终实现CET成绩证明系统。
运行指导将源码clone到本地运行CET_prove_system.py即可开始。
软件环境：VisualStudio2019硬件环境：PC机
RSA模块和md5模块包含了RSA和md5的底层函数打包，CET_com官方模块里存储着所有学生的id和CET成绩，CET_prove_system模块担任组装各模块最终实现CET成绩证明系统。
运行指导将源码clone到本地运行CET_prove_system.py即可开始。
软件环境：VisualStudio2019硬件环境：PC机
2020/7/15 18:06:22
3KB
1
文件包含一个数据集（csv文件）和一个可执行代码（py文件），是对红酒数据集的分类训练与测试。
可作为人工智能、机器学习初学者的学习资料。
模型训练基于逻辑回归算法，数据集和测试集按照8:2的比例进行划分。
数据集前11列为红酒的属性，最初一列是红酒的分类标签，此处红酒总共有六类（标签分别为3、4、5、6、7、8），每一行为一个红酒样本。
通过对机器学习分类模型输入特征值，得出此红酒的种类。
需要Python版本3.8及以上；
需要引入第三方库pandas和sklearn。
可作为人工智能、机器学习初学者的学习资料。
模型训练基于逻辑回归算法，数据集和测试集按照8:2的比例进行划分。
数据集前11列为红酒的属性，最初一列是红酒的分类标签，此处红酒总共有六类（标签分别为3、4、5、6、7、8），每一行为一个红酒样本。
通过对机器学习分类模型输入特征值，得出此红酒的种类。
需要Python版本3.8及以上；
需要引入第三方库pandas和sklearn。
2020/10/4 16:03:38
27KB
1
机器学习FileTypeIdentifier：一种机器学习算法，用于自动识别文件编写的编程语言类型。
要求Python模块：theano、numpy、scipy、scikit-learn(sudo)pipinstalltheanonumpyscipyscikit-learn用法现在，您可以通过以下命令运行脚本：pythonmain.py或者pythoncode_identifier.py并按照帮助信息（使用部分。
）。
code_identifier.py是用Theano实现的，而main.py是用Scikit-Learn实现的。
PS：这个工具的使用还是有点小技巧的，在near功能上应该愈加人性化。
要求Python模块：theano、numpy、scipy、scikit-learn(sudo)pipinstalltheanonumpyscipyscikit-learn用法现在，您可以通过以下命令运行脚本：pythonmain.py或者pythoncode_identifier.py并按照帮助信息（使用部分。
）。
code_identifier.py是用Theano实现的，而main.py是用Scikit-Learn实现的。
PS：这个工具的使用还是有点小技巧的，在near功能上应该愈加人性化。
2017/4/9 7:23:07
399KB
1
看懂java源码GetSmellsGetSmells使用提取Java源代码中的代码味道。
先决条件GetSmells被编写为可在Windows或MacOS上运行（在Windows7和MacOS10.12上进行了测试）理解：您必须已在本地安装才能运行脚本。
它应该安装在操作系统的默认位置（对于Windows为C:\ProgramFiles\SciTools\或在MacOS上为/Applications/Understand.app）；
如果它不在默认位置，则可以在understandapi.py和understandcli.pycli.py的顶部都修改路径。
您可以申请1年教育许可证，以了解Python3.4+：该脚本是为Python3.4+编写的，在Windows上，您的32位/64位版本的Python3应该与您的Understand安装（使用Python3.664位开发）的位数相婚配。
Python库：pip3installnumpy用法python3getsmells.py[sourcePath][outputPath(optiona
先决条件GetSmells被编写为可在Windows或MacOS上运行（在Windows7和MacOS10.12上进行了测试）理解：您必须已在本地安装才能运行脚本。
它应该安装在操作系统的默认位置（对于Windows为C:\ProgramFiles\SciTools\或在MacOS上为/Applications/Understand.app）；
如果它不在默认位置，则可以在understandapi.py和understandcli.pycli.py的顶部都修改路径。
您可以申请1年教育许可证，以了解Python3.4+：该脚本是为Python3.4+编写的，在Windows上，您的32位/64位版本的Python3应该与您的Understand安装（使用Python3.664位开发）的位数相婚配。
Python库：pip3installnumpy用法python3getsmells.py[sourcePath][outputPath(optiona
2017/9/27 18:41:35
8KB
1
matlabdir源代码Crop_DiseasesCropDiseasesDetection代码源于Google识别API，根据数据情况做了少许修改。
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA
2017/8/5 16:52:45
720KB
1
这就是我今天发的iwanna游戏的py文件，所有资源都在百度网盘，链接:https://pan.baidu.com/s/1V2Ajw6j1YBhqr8HRiR87jQ?pwd=xx4j提取码:xx4j?w,s,a,d,上下左右都可以移动。
空格腾跃，可以两段跳。
十分坑爹。
r重新开始，c退出。
希望大家玩的快乐！
空格腾跃，可以两段跳。
十分坑爹。
r重新开始，c退出。
希望大家玩的快乐！
2020/1/13 12:40:51
16KB
1
基于Pytorch实现的深度强化学习DQN算法源代码，具有超详细的正文，已经在诸多项目中得到了实际应用。
主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；
（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
主要包含2个文件：（1）dqn.py，实现DQN只能体的结构、经验重放池、Q神经网络、学习方法等；
（2）runner.py，使用dqn.py中的智能体与环境进行交互与学习，并最终学会仿真月球车着陆游戏。
2020/1/5 5:04:31
8KB
1
matlab插值代码解释FSRCNN由Pytorch和Matlab复制《加速超分辨率卷积神经网络》（CVPR2016）论文。
依存关系Matlab2016火炬1.0.0解释论文作者url：提供的一些Matlab代码。
使用两种语言进行项目的次要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。
概述网络概述和与SRCNN的比较：用法使用./data_pro/data_aug.m进行扩充。
使用./data_pro/generate_train.m生成train.h5。
使用./data_pro/generate_test.m生成test.h5。
乘坐train.py火车：pythontrain.py将Pytorch模型.pkl转换为Matlab矩阵.mat。
（weights.pkl-＞weights.mat）pythonconvert.py使用./test/demo_FSRCNN.m获得结果。
结果使用./model/weights.mat可以得到结果：Set5平均：重建PSNR=32.52dBVS双三次PSNR
依存关系Matlab2016火炬1.0.0解释论文作者url：提供的一些Matlab代码。
使用两种语言进行项目的次要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。
概述网络概述和与SRCNN的比较：用法使用./data_pro/data_aug.m进行扩充。
使用./data_pro/generate_train.m生成train.h5。
使用./data_pro/generate_test.m生成test.h5。
乘坐train.py火车：pythontrain.py将Pytorch模型.pkl转换为Matlab矩阵.mat。
（weights.pkl-＞weights.mat）pythonconvert.py使用./test/demo_FSRCNN.m获得结果。
结果使用./model/weights.mat可以得到结果：Set5平均：重建PSNR=32.52dBVS双三次PSNR
2017/10/8 20:19:39
7.89MB
1
jd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.pyjd.py
2021/5/27 14:32:12
3KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB