一、系统简介： 本系统为人事管理系统，系统分为七大模块：绩效考核，招聘管理，档案管理，工资管理，考勤管理，培训管理，系统管理。 可满足小企业日常办公。本系统最大特色是有强大和灵活的权限控制功能，所有菜单，按钮功能均可由管理通过配置来控制。 系统默认有四个角色：管理员，财务专员，人事专员，普通用户 管理员（admin/admin）：可以操作所有功能 财务专员(cw/cw)：可查看工资管理，考勤管理，培训管理等内容 人事专员（rs/rs）:可查看和管理招聘管理，档案管理，培训管理等内容 普通用户（wdc/wdc）：只可查看工资，打卡考勤，参加培训等 二、软件架构： （1）基础环境： JDK:1.8 MySQL:5.7 Maven3.0 （2）使用框架： 核心框架：Spring Boot 2.2.13.RELEASE ORM框架：MyBatisPlus 3.1.2 数据库连接池：Druid 1.2.8 安全框架：Apache Shiro 1.8.0 日志：SLF4J ，Log4j 前端框架：VUE2.2.6,LayUI,Ztree,jQuery,Bootstrap

1.2 项目目标 使用机器学习 和 情感词典 这两种方法 分别对中文新闻类文本进行情感极性分析 输入一段新闻文本能够得到文本的情感极性 1.3 目标人群 需要对已有中文文本数据进行情感分析的企业及用户 APP中需要集成中文文本情感分析功能的开发人员 从事中文文本情感分析与挖掘的研究人员

进程间通信之共享内存 shared memory ） 1 效率最高 2 存在竞态 七种进程间通信方式： 一 无名管道（ pipe ） 二 有名管道（ fifo ） 三 共享内存 shared memory 四 信号 sinal 五 消息队列 message queue ） 六 信号量 semophore 七 套接字 socket 以上七种进程间通信的完整代码 皆可以在我的资源列表中获取下载： 资源列表：http: download csdn net user qiulanzhu">进程间通信之共享内存 shared memory ） 1 效率最高 2 存在竞态 七种进程间通信方式： 一 无名管道（ pipe ） 二 有名管道（ fifo ） 三 共享内存 shared memory 四 信号 sinal 五 消息队列 message queue ） 六 信号量 semophor [更多]

本次实验提供六个类别的垃圾识别分类数据集，分别是glass、cardboard、metal、paper、plastic、trash。本次实验是基于卷积神经网络模型来完成六个类别垃圾分类。 目前垃圾分类已经在许多城市开展起来。这看似微不足道的“小事”，实则关系到13亿多人生活环境的改善，理应通过人工智能技术来大力提倡社会风气养成。本次实验提供六个类别的垃圾识别分类数据集，分别是glass、cardboard、metal、paper、plastic、trash。本次实验是基于卷积神经网络模型来完成六个类别垃圾分类。 2.任务要求 每位同学单独完成；建立神经网络模型，并尽可能将其参数调优到最佳状态；绘制深度学习模型图、绘制并分析学习曲线等；分析模型并试着调试不同学习率等超参数对模型的结果影响 ；使用Python语言。 3.实验方法 卷积神经网络 （Convolutional Neural Network, CNN）是一种结构类似于人类或动物的 视觉系统 的人工神经网络，包含一个或多个卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Full

Corgi Engine - 2D + 2.5D Platformer v8.0版本 Corgi 引擎是 Unity 上最畅销和最完善的平台游戏解决方案。 它基于一个紧凑型（非基于物理的控件）角色控制器而构建，为你的游戏带来最佳体验。它的速度非常快，并且可以在台式、移动端以及任何你想要的地方使用。功能丰富，并且持续更新（在过去 5 年间发布了 50 多个版本），它是创建 2D + 2.5D 平台游戏或枪战类游戏的最佳工具！ 无论你是初次接触 Unity、经验丰富的开发员或工作室，还是制作第一个游戏的新手或商业游戏创作者，此引擎都将帮助你释放游戏的潜力。 - 内容丰富，该资源包含 50 多个演示关卡，并为你提供一切所需：300 多件随时可用、手工制作的视觉资源（不仅仅是占位的艺术品，还可以被实际运用），200 多个经优化的脚本，和大量用于制作的预制件。 - 内置游戏精华：Corgi 引擎内置了 MMFeedbacks，让你只需点击几下即可改进游戏的原生感觉。对游戏中的每个动作或事件最多可添加 40 种反馈：屏幕抖动、粒子、声音、着色器控制、后期处理、摆动、相机缩放、时间控制、闪烁等

基于python lstm flask 搭建的豆瓣电影推荐系统. 完整代码+论文 +ppt 毕业设计基于python lstm flask 搭建的豆瓣电影推荐系统. 完整代码+论文 +ppt 毕业设计基于python lstm flask 搭建的豆瓣电影推荐系统. 完整代码+论文 +ppt 毕业设计

本小组研究的课题是基于深度学习的图像识别，最终实现的是对海量图片数据的学习和准确的识别，不仅如此，我们测试了几种不同的分类模型，并比较预测结果，计算预测准确率，对预测方法进行优化，希望得到一种最高效的预测方法，从而实现真正的机器智能化识别。 本小组课设主要基于python开发环境下的scikit-learn标准库以及PIL图像处理库，并采用matplotlib实现最终结果的比对，PIL库用于图像的特征值批量读取，scikit-learn标准库用于分类模型的构建，matplotlib则用于显示最终结果。

基于uniapp的组件，稍加改造vue即可通用，pda扫码组件，Honeywell

网络模型共含有19层，其中7层传统卷积层、8层深度可分离卷积层、4层最大池化层。同时，使用了 Adam优化器及对数损失函数。网络结构如图4所示，顺序从左至右、从上至下，并做以下说明： Conv为传统卷积层，其后3个参数分别代表：卷积核个数、卷积核大小、步长。 activation表示该层对应的激活函数。 SeparableConv为深度可分离卷积层，其后2个参数分别代表：卷积核个数、卷积核大小，步长均为 1。 MaxPooing为最大池化层，其后2个参数分别代表：滤波器大小、步长。 ReLU为线性整流函数，作为卷积后的激活函数，相比sigmoid函数和tanh函数有着更好的效果。 softmax用于将最后一层卷积输出的七个数值映射到（0,1）区间，并使它们和为 1。 这样能更直观地以概率的形式显示结果。 在每一层卷积过后，都加入了批量归一化（Batch Normalization，BN）层，图中未标出。批量归一化对网络训练的各个方面都有一定的提升作用。它可以加快训练并提高性能、解决梯度消失的问题、规范权重、优化网络梯度流等，所以很有必要加入。 整个网络参数数量仅为75906个，其中可训

该系统实现了基于深度框架的语音识别中的声学模型和语言模型建模，其中声学模型包括CNN-CTC、GRU-CTC、CNN-RNN-CTC，语言模型包含transformer、CBHG，数据集包含stc、primewords、Aishell、thchs30四个数据集。 本项目现已训练一个迷你的语音识别系统，将项目下载到本地上，下载 thchs 数据集并解压至 data，运行 test.py，不出意外能够进行识别，结果如下： the 0 th example. 文本结果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2 原文结果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xi