项目准备（flask+pyhon+MachineLearning）- 3
目录
1.商品信息
2. 商品销售预测
2.1 机器学习
2.2 预测功能
3. 模型评估
1.商品信息
@app.route('/products')
def products():"""商品分析页面"""data = load_data()# 计算当前期间和上期间current_period = data[data['成交时间'] >= data['成交时间'].max() - timedelta(days=30)]previous_period = data[(data['成交时间'] < data['成交时间'].max() - timedelta(days=30)) & (data['成交时间'] >= data['成交时间'].max() - timedelta(days=60))]# 计算商品指标current_sales = current_period.groupby('商品ID').apply(lambda x: (x['销量'] * x['单价']).sum())previous_sales = previous_period.groupby('商品ID').apply(lambda x: (x['销量'] * x['单价']).sum())product_metrics = pd.DataFrame({'current_sales': current_sales,'previous_sales': previous_sales}).fillna(0)product_metrics['growth_rate'] = ((product_metrics['current_sales'] - product_metrics['previous_sales']) / product_metrics['previous_sales']).fillna(0)max_competitor_sales = product_metrics['current_sales'].max()product_metrics['market_share'] = (product_metrics['current_sales'] / max_competitor_sales)# BCG矩阵分类growth_rate_threshold = product_metrics['growth_rate'].median()market_share_threshold = product_metrics['market_share'].median()def classify_product(row):if row['growth_rate'] >= growth_rate_threshold:return '明星商品' if row['market_share'] >= market_share_threshold else '问题商品'else:return '现金牛' if row['market_share'] >= market_share_threshold else '瘦狗'product_metrics['category'] = product_metrics.apply(classify_product, axis=1)# 统计分类结果category_stats = product_metrics.groupby('category').agg({'current_sales': ['count', 'sum']})category_stats.columns = ['product_count', 'sales_amount']category_stats['sales_percentage'] = (category_stats['sales_amount'] / category_stats['sales_amount'].sum())return render_template('products.html',category_statistics=category_stats.to_dict('index'),growth_rate_threshold=float(growth_rate_threshold),market_share_threshold=float(market_share_threshold))2. 商品销售预测
2.1 机器学习
def prepare_features(data):"""准备特征数据"""# 删除包含NaN的行data = data.dropna(subset=['销量', '单价', '类别ID', '门店编号'])# 时间特征data['weekday'] = data['成交时间'].dt.weekdaydata['month'] = data['成交时间'].dt.monthdata['hour'] = data['成交时间'].dt.hour# 类别编码le_category = LabelEncoder()le_store = LabelEncoder()# 拟合编码器le_category.fit(data['类别ID'].astype(str)) # 将类别ID转换为字符串le_store.fit(data['门店编号'].astype(str))# 转换数据data['类别编码'] = le_category.transform(data['类别ID'].astype(str))data['门店编码'] = le_store.transform(data['门店编号'].astype(str))# 特征选择features = ['类别编码', '门店编码', '单价', 'weekday', 'month', 'hour']target = '销量'# 确保所有特征都是数值类型X = data[features].astype(float)y = data[target].astype(float)return X, y, le_category, le_store# 创建全局变量来存储模型和编码器
model = None
scaler = None
label_encoder_category = None
label_encoder_store = Nonedef initialize_model():"""初始化模型和编码器"""global model, scaler, label_encoder_category, label_encoder_storetry:data = load_data()X, y, le_category, le_store = prepare_features(data)# 训练模型X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 标准化特征scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train)# 训练决策树模型model = DecisionTreeRegressor(random_state=42, max_depth=10)model.fit(X_train_scaled, y_train)# 保存编码器label_encoder_category = le_categorylabel_encoder_store = le_storereturn Trueexcept Exception as e:print(f"模型初始化错误: {str(e)}")return False
2.2 预测功能
@app.route('/predict', methods=['POST'])
def predict():"""处理预测请求"""global model, scaler, label_encoder_category, label_encoder_storetry:# 如果模型未初始化，先初始化if model is None or scaler is None:if not initialize_model():return jsonify({'error': '模型初始化失败'}), 500# 获取表单数据category = request.form['category']store = request.form['store']price = float(request.form['price'])weekday = int(request.form['weekday'])month = int(request.form['month'])try:# 转换类别编码和门店编码category_encoded = label_encoder_category.transform([str(category)])[0]store_encoded = label_encoder_store.transform([str(store)])[0]except ValueError as e:return jsonify({'error': f'无效的输入数据: {str(e)}'}), 400# 准备预测数据pred_data = pd.DataFrame([[category_encoded,store_encoded,price,weekday,month,12 # 使用默认时间]], columns=['类别编码', '门店编码', '单价', 'weekday', 'month', 'hour'])# 标准化预测数据pred_data_scaled = scaler.transform(pred_data)# 预测prediction = model.predict(pred_data_scaled)[0]# 确保预测结果为正整数prediction = max(0, round(prediction))# 获取门店信息store_info = STORE_INFO.get(store, {})store_name = store_info.get('name', f'门店{store}')# 加载历史数据进行分析data = load_data()# 计算该类别的历史平均销量category_avg = data[data['类别ID'].astype(str) == str(category)]['销量'].mean()# 计算该门店的历史平均销量store_avg = data[data['门店编号'].astype(str) == str(store)]['销量'].mean()# 计算价格区间的平均销量price_range = 0.1 # 价格范围±10%price_lower = price * (1 - price_range)price_upper = price * (1 + price_range)price_avg = data[(data['单价'] >= price_lower) & (data['单价'] <= price_upper)]['销量'].mean()# 计算同时段（星期几和月份）的历史平均销量time_avg = data[(data['成交时间'].dt.weekday == weekday) & (data['成交时间'].dt.month == month)]['销量'].mean()# 生成分析结果analysis = {'category_comparison': round((prediction / category_avg * 100) if category_avg > 0 else 100),'store_comparison': round((prediction / store_avg * 100) if store_avg > 0 else 100),'price_comparison': round((prediction / price_avg * 100) if price_avg > 0 else 100),'time_comparison': round((prediction / time_avg * 100) if time_avg > 0 else 100),'category_avg': round(category_avg if not pd.isna(category_avg) else 0),'store_avg': round(store_avg if not pd.isna(store_avg) else 0),'price_avg': round(price_avg if not pd.isna(price_avg) else 0),'time_avg': round(time_avg if not pd.isna(time_avg) else 0)}return jsonify({'prediction': int(prediction),'category': category,'category_name': CATEGORY_NAMES.get(category, f'类别{category}'),'store': store,'store_name': store_name,'price': price,'weekday': weekday,'month': month,'analysis': analysis})except Exception as e:print(f"预测错误: {str(e)}")return jsonify({'error': str(e)}), 400@app.route('/prediction')
def prediction_page():"""销售预测页面"""data = load_data()categories = sorted(data['类别ID'].astype(str).unique().tolist())stores = sorted(data['门店编号'].astype(str).unique().tolist())# 创建类别选项列表，包含ID和名称category_options = [{'id': cat_id, 'name': CATEGORY_NAMES.get(cat_id, f'类别{cat_id}')} for cat_id in categories]# 创建门店选项列表store_options = [{'id': store_id, 'name': STORE_INFO.get(store_id, {}).get('name', f'门店{store_id}')}for store_id in stores]# 初始化模型（如果需要）global modelif model is None:initialize_model()return render_template('prediction.html', categories=category_options,stores=store_options)3. 模型评估
@app.route('/model_evaluation')
def model_evaluation():"""模型评估页面"""data = load_data()# 准备特征X, y, le_category, le_store = prepare_features(data)# 训练模型并获取评估结果_, _, metrics, feature_importance, scatter_data, residual_data, feature_names, importance_scores = train_models(X, y)return render_template('model_evaluation.html',metrics=metrics,feature_importance=feature_importance,scatter_data=scatter_data,residual_data=residual_data,feature_names=feature_names,importance_scores=importance_scores)4. 训练模型
def train_models(X, y):"""训练模型"""# 数据分割X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 标准化特征scaler = StandardScaler()X_train_scaled = scaler.fit_transform(X_train)X_test_scaled = scaler.transform(X_test)# 训练决策树模型dt_model = DecisionTreeRegressor(random_state=42, max_depth=10)dt_model.fit(X_train_scaled, y_train)# 预测y_pred = dt_model.predict(X_test_scaled)# 计算模型指标metrics = {'r2_score': r2_score(y_test, y_pred),'mse': mean_squared_error(y_test, y_pred),'mae': mean_absolute_error(y_test, y_pred),'rmse': np.sqrt(mean_squared_error(y_test, y_pred))}# 特征重要性feature_importance = []for name, importance in zip(X.columns, dt_model.feature_importances_):correlation = np.corrcoef(X[name], y)[0, 1]feature_importance.append({'name': name,'importance': importance,'correlation': correlation})# 准备图表数据scatter_data = [[float(actual), float(pred)] for actual, pred in zip(y_test, y_pred)]residuals = y_test - y_predresidual_data = [[float(pred), float(residual)] for pred, residual in zip(y_pred, residuals)]return dt_model, scaler, metrics, feature_importance, scatter_data, residual_data, X.columns.tolist(), dt_model.feature_importances_.tolist()
相关文章：
项目准备（flask+pyhon+MachineLearning）- 3
目录 1.商品信息 2. 商品销售预测 2.1 机器学习 2.2 预测功能 3. 模型评估 1.商品信息 app.route(/products) def products():"""商品分析页面"""data load_data()# 计算当前期间和上期间current_period data[data[成交时间] > data[成…...
选开源CMS建站系统时，插件越多越好吗？
在选择开源CMS建站系统时，插件数量并不是唯一的衡量标准，更不能简单地说“插件越多就越好”，还是需要综合评估来考虑选择结果，以下是有关选择开源CMS系统时对插件数量的考量。 插件数量的优势插件数量可能带来的问题功能丰富性&a…...
OSPF BIT 类型说明
注：本文为 “OSPF BIT 类型 | LSA 类型 ” 相关文章合辑。 机翻，未校。 15 OSPF BIT Types Explained 15 种 OSPF BIT 类型说明 Rashmi Bhardwaj Distribution of routing information within a single autonomous system in larger networks is per…...
—循环、数组、函数的详解)
C语言(3)—循环、数组、函数的详解
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言一、函数二、循环与数组 1.循环2.数组 总结 前言 提示：以下是本篇文章正文内容，下面案例可供参考 一、函数 在C语言中，函数…...
大唐杯——阶段二01
03 5G寻呼 UE（User Equipment） UE是用户设备（User Equipment）的缩写，指的是移动通信网络中的终端设备，例如手机、平板电脑、物联网传感器等。 AMF（Access and Mobility Management Function&a…...
清华大学Deepseek第六版AIGC发展研究3.0（共186页，附PDF下载）
人工智能生成内容（AIGC）正以前所未有的速度改变我们的生活。 2024年底，清华大学新闻与传播学院与人工智能学院联合发布了《AIGC发展研究3.0版》，这份报告系统梳理了AIGC技术的突破性进展、应用场景及社会影响，并展望了…...
【漫话机器学习系列】114.逻辑 Sigmoid 函数
逻辑 Sigmoid 函数详解 1. 引言 逻辑回归（Logistic Regression）是机器学习中常用的分类算法，而 Sigmoid 函数 是逻辑回归的核心数学工具。Sigmoid 函数能够将任意实数映射到 (0,1) 之间，因此特别适用于概率估计。在这篇文章中&a…...
Cocos Creator3.8.6拖拽物体的几种方式
文章目录 前言一、第一种通过UILocation二、第二种通过UIDelta实现总结 前言 在游戏开发中，拖拽物体是一个非常常见的交互功能，无论是用于UI元素的拖动，还是场景中物体的移动，拖拽操作都能极大地提升用户体验。Cocos Creator 3.8…...
01_NLP基础之文本处理的基本方法
自然语言处理入门 自然语言处理（Natural Language Processing, 简称NLP）是计算机科学与语言学中关注于计算机与人类语言间转换的领域，主要目标是让机器能够理解和生成自然语言，这样人们可以通过语言与计算机进行更自然的互动。 …...
Minio搭建并在SpringBoot中使用完成用户头像的上传
Minio使用搭建并上传用户头像到服务器操作,学习笔记 Minio介绍 minio官网 MinIO是一个开源的分布式对象存储服务器，支持S3协议并且可以在多节点上实现数据的高可用和容错。它采用Go语言开发，拥有轻量级、高性能、易部署等特点，并且可以自由…...
深入解析 Kubernetes CRD：原理、特点与典型应用场景
深入解析 Kubernetes CRD：原理、特点与典型应用场景 一、CRD 的本质与原理 1.1 什么是 CRD？ CRD（Custom Resource Definition） 是 Kubernetes 提供的核心扩展机制，允许用户自定义 API 资源类型。通过 CRD，开发者可以将业务逻辑抽象为 Kubernetes 原生资源模型，实现与…...
【新手入门】SQL注入之盲注
一、引言 在我们的注入语句被带入数据库查询但却什么都没有返回的情况我们该怎么办? 例如应用程序返回到一个"通用的"的页面，或者重定向一个通用页面(可能为网站首页)。这时，我们之前学习的SQL注入的办法就无法使用了。这种情况我们称之为无…...
功能丰富的自动化任务软件zTasker_2.1.0_绿色版_屏蔽强制更新闪退
🚀 zTasker 一键式效率倍增器使用指南 🙏 致谢 首先感谢开发者提供如此高效的工具！ 软件本身功能强大，但部分机制需特别注意！ 📖 软件概述 zTasker 是一款通过自动化脚本/任务流实现效率飞跃的生产力工…...
YOLOv11-ultralytics-8.3.67部分代码阅读笔记-model.py
model.py ultralytics\models\yolo\model.py 目录 model.py 1.所需的库和模块 2.class YOLO(Model): 3.class YOLOWorld(Model): 1.所需的库和模块 # Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/licensefrom pathlib import Pathfrom ult…...
详解)
深入浅出 Go 语言：协程(Goroutine)详解
深入浅出 Go 语言：协程(Goroutine)详解 引言 Go 语言的协程（goroutine）是其并发模型的核心特性之一。协程允许你轻松地编写并发代码，而不需要复杂的线程管理和锁机制。通过协程，你可以同时执行多个任务，并…...
【深度学习】Hopfield网络：模拟联想记忆
Hopfield网络是一种经典的循环神经网络，由物理学家John Hopfield在1982年提出。它的核心功能是模拟联想记忆，类似于人类大脑通过部分信息回忆完整记忆的能力。以下是通俗易懂的解释： 1. 核心思想 想象你看到一张模糊的老照片，虽然…...
为什么深度学习选择Tensor而非NumPy数组？核心优势深度解析
简短总结： 支持 GPU 加速：Tensor 提供对 GPU 的原生支持，能够有效加速计算，而 NumPy 则通常只能在 CPU 上运行。支持自动求导：深度学习模型的训练依赖于参数的优化，而 Tensor 提供了自动求导功能ÿ…...
副本集搭建)
MongoDB—(一主、一从、一仲裁)副本集搭建
MongoDB集群介绍： MongoDB 副本集是由多个MongoDB实例组成的集群，其中包含一个主节点（Primary）和多个从节点（Secondary），用于提供数据冗余和高可用性。以下是搭建 MongoDB 副本集的详细步骤&am…...
【Leetcode 每日一题】132. 分割回文串 II
问题背景 给你一个字符串 s s s，请你将 s s s 分割成一些子串，使每个子串都是回文串。 返回符合要求的 最少分割次数 。 数据约束 1 ≤ s . l e n g t h ≤ 2000 1 \le s.length \le 2000 1≤s.length≤2000 s s s 仅由小写英文字母组成 解题过程 …...
面试常问的压力测试问题
性能测试作为软件开发中的关键环节，确保系统在高负载下仍能高效运行。压力测试作为性能测试的重要类型，旨在通过施加超出正常负载的压力，观察系统在极端条件下的表现。面试中，相关问题常被问及，包括定义、重要性、与负…...
信刻光盘安全隔离与信息交换系统让“数据摆渡”安全高效
随着数据传输、存储及信息技术的飞速发展，信息安全保护已成为重中之重。各安全领域对跨网数据交互的需求日益迫切，数据传输的安全可靠性成为不可忽视的关键。为满足业务需求并遵守保密规范，针对于涉及重要秘密信息，需做到安全的物…...
MySQL InnoDB 引擎中的聚簇索引和非聚簇索引有什么区别？
在 MySQL 的 InnoDB 存储引擎中，聚簇索引（Clustered Index）和非聚簇索引（Non-Clustered Index）是两种重要的索引类型，它们在数据存储结构、性能特点和适用场景上存在显著区别。以下是对它们的详细对比和解释…...
微信小程序开发学习笔记
微信小程序开发学习笔记 一、基础结构项目结构配置文件（app.json） 二、常用组件视图组件表单组件导航组件 三、API 常用功能网络请求数据缓存用户信息支付功能 四、框架与工具框架开发者工具 五、开发流程六、最佳实践七、常见问题路由跳转：权…...
动态规划刷题
文章目录 动态规划三步问题题目解析代码 动态规划 1. 状态表示：dp[i]，表示dp表中i下标位置的值 2. 状态转移方程：以i位置位置的状态，最近的一步来划分问题，比如可以将状态拆分成前状态来表示现状态，dp[i] …...
uniapp 系统学习，从入门到实战（七）—— 网络请求与数据交互
全篇大概 3600 字(含代码)，建议阅读时间 25min 📚 目录 使用uni.request发起请求封装全局请求工具破解跨域难题总结 在跨平台应用开发中，网络请求是连接前端与后端服务的核心环节。UniApp 提供了 uni.request 方法处理网络请求，但…...
AI人工智能机器学习之聚类分析
1、概要 本篇学习AI人工智能机器学习之聚类分析，以KMeans、AgglomerativeClustering、DBSCAN为例，从代码层面讲述机器学习中的聚类分析。 2、聚类分析 - 简介 聚类分析是一种无监督学习的方法，用于将数据集中的样本划分为不同的组ÿ…...
安当全栈式PostgreSQL数据库安全解决方案：透明加密、动态凭据与勒索防护一体化实践
引言：数字化转型下的数据库安全挑战 随着PostgreSQL在企业核心业务中的广泛应用，其承载的敏感数据价值日益攀升。然而，近年来针对数据库的攻击事件频发，如SQL注入漏洞（CVE-2025-1094）、勒索病毒攻击、内部…...
进程的状态 ─── linux第11课
目录 编辑 补充知识: 1.并行和并发 分时操作系统（Time-Sharing Systems） 实时操作系统（Real-Time Systems） 进程的状态(操作系统层面) 编辑 运行状态 阻塞状态 状态总结: 挂起状态 linux下的进程状态 补充知识: …...
DevOps原理和实现面试题及参考答案
解释 DevOps 的核心目标与文化价值观，如何理解 “CAMS” 模型？ DevOps 的核心目标是打破开发（Development）和运维（Operations）之间的壁垒，通过自动化、协作和持续反馈，实现软件的快速、可靠交付，以更好地满足业务需求和客户期望。具体来说，DevOps 旨在缩短软件的交付…...
牛客刷题自留-深度学习
1、当在卷积神经网络中加入池化层(pooling layer)时，平移变换的不变性会被保留，是吗？ 正常答案: C A 不知道 B 看情况 C 是 D 否 平移变换不变性的概念 平移变换不变性指的是当输入图像发生小范围的平移时，模型的输出结果不会发…...
网络空间安全（6）web应用程序技术
前言 Web应用程序技术是指用于开发和构建基于Web的应用程序的技术和工具，涵盖了前端开发、后端开发、数据库管理、安全性等多个方面的技术。 一、前端开发技术 HTML/CSS/JavaScript：HTML用于构建网页结构，CSS用于进行样式设计，Jav…...
kubernetes 初学命令
基础命令 kubectl 运维命令常用： #查看pod创建过程以及相关日志 kubectl describe pod pod-command -n dev #查看某个pod，以yaml格式展示结果 kubectl get pod nginx -o yaml #查看pod 详情 以及对应的集群IP地址 kubectl get pods -o wide 1. kubetc…...
Redis面试题
Redis 是一个高性能的开源键值对存储数据库，在面试中经常会被问到。以下是一些常见的 Redis 面试题： 基础概念 Redis 是什么 描述：Redis 是一个开源的、基于内存的数据结构存储系统，它可以用作数据库、缓存和消息中间件。支持多…...
提升系统效能：从流量控制到并发处理的全面解析
在当今快速发展的数字时代，无论是构建高效的网络服务、管理海量数据，还是优化系统的并发处理能力，都是技术开发者和架构师们面临的重大挑战。本文集旨在深入探讨几个关键技术领域，包括用于网络通信中的漏桶算法与令牌桶算法的原理…...
【计算机网络入门】初学计算机网络（四）
目录 1.信源、信宿、信号、信道 2.码元 2.1 码元与比特之间的关系 3.波特和比特 4.奈奎斯特定理 4.1 带宽和噪声的概念 5.香农定理 5.1信噪比 6.奈氏定理和香农定理的对比 1.信源、信宿、信号、信道 数据转换为信号从信源发送到信道上，再发送到信宿中。 …...
多元数据直观表示（R语言）
一、实验目的： 通过上机试验，掌握R语言实施数据预处理及简单统计分析中的一些基本运算技巧与分析方法，进一步加深对R语言简单统计分析与图形展示的理解。 数据： 链接: https://pan.baidu.com/s/1kMdUWXuGCfZC06lklO5iXA 提取码: …...
派可数据BI接入DeepSeek，开启智能数据分析新纪元
派可数据BI产品完成接入DeepSeek，此次接入标志着派可数据BI在智能数据分析领域迈出了重要一步，将为用户带来更智能、更高效、更便捷的数据分析体验。 派可数据BI作为国内领先的商业智能解决方案提供商，一直致力于为用户提供高效、稳定易扩展…...
Hive之正则表达式
Hive版本：hive-3.1.2 目录 一、Hive的正则表达式概述 1.1 字符集合 1.2 边界集合 1.3 量词（重复次数）集合 1.4 转义操作符 1.5 运算符优先级 二、Hive 正则表达式案例 2.1 like 2.2 rlike 2.3 regexp 2.4 regexp_replace正…...
【软路由】ImmortalWrt 编译指南：从入门到精通
对于喜欢折腾路由器，追求极致性能和定制化的玩家来说，OpenWrt 无疑是一个理想的选择。而在众多 OpenWrt 衍生版本中，ImmortalWrt 以其更活跃的社区、更激进的特性更新和对新硬件的支持而备受关注。 本文将带你深入了解 ImmortalWrt࿰…...
蓝桥杯备考：从记忆化搜索到动态规划
首先我们先来复习一下我们之前学的用记忆化搜索优化的求斐波那契数列 #include <iostream> #include <cstring> using namespace std; const int N 35; int f[N]; int dfs(int n) {if(f[n]!-1) return f[n];if(n1||n0) return f[n]n;return f[n] dfs(n-1)dfs(n-2…...
React底层原理详解
React中Element&Fiber对象、WorkInProgress双缓存、Reconcile&Render&Commit、第一次挂载过程详解 在面试中介绍React底层原理时，需遵循逻辑清晰、层次分明、重点突出的原则，结合技术深度与实际应用场景。以下是结构化回答模板：…...
[含文档+PPT+源码等]精品基于Python实现的vue3+Django计算机课程资源平台
基于Python实现的Vue3Django计算机课程资源平台的背景，可以从以下几个方面进行阐述： 一、教育行业发展背景 1. 教育资源数字化趋势 随着信息技术的快速发展，教育资源的数字化已成为不可逆转的趋势。计算机课程资源作为教育领域的重要组成部…...
通过 PromptTemplate 生成干净的 SQL 查询语句并执行SQL查询语句
问题描述 在使用 LangChain 和 Llama 模型生成 SQL 查询时，遇到了 sqlite3.OperationalError 错误。错误信息如下： OperationalError: (sqlite3.OperationalError) near "sql SELECT Name FROM MediaType LIMIT 5; ": syntax error [SQL: …...
Mercury、LLaDA 扩散大语言模型
LLaDA 参考： https://github.com/ML-GSAI/LLaDA https://ml-gsai.github.io/LLaDA-demo/ 在线demo： https://huggingface.co/spaces/multimodalart/LLaDA Mercury 在线demo： https://chat.inceptionlabs.ai/ 速度很快生成...
常用的AI文本大语言模型汇总
AI文本【大语言模型】 1、文心一言https://yiyan.baidu.com/ 2、海螺问问https://hailuoai.com/ 3、通义千问https://tongyi.aliyun.com/qianwen/ 4、KimiChat https://kimi.moonshot.cn/ 5、ChatGPThttps://chatgpt.com/ 6、魔塔GPT https://www.modelscope.cn/studios/iic…...
Starrocks入门（二）
1、背景：考虑到Starrocks入门这篇文章，安装的是3.0.1版本的SR，参考：Starrocks入门-CSDN博客 但是官网的文档，没有对应3.0.x版本的资料，却有3.2或者3.3或者3.4或者3.1或者2.5版本的资料，不要用较…...
记录一次跨库连表的坑
一、背景 1. 业务背景 一个微服务项目，本次业务主要涉及两个板块，分别是 文章管理 和 系统管理。具有开发环境、测试环境、生产环境三个环境。其中，开发环境和测试环境用的是同一个服务器（nacos和MySQL都是用的同一个服务器中的…...
各种传参形式
一、QueryString 前端请求：http://localhost:8080/test/user/find?id26&namezhangsan 后端接收： 1.参数接收： RequestMapping("/find") public void find(String id,String name){... }2.对象接收： RequestMa…...
基于DeepSeek 的图生文最新算法 VLM-R1
目录 一、算法介绍 二 算法部署 三 模型下载 四 算法测试 五 可视化脚本 一、算法介绍 VLM-R1：稳定且可通用的 R1 风格大型视觉语言模型 自从 Deepseek-R1 推出以来，出现了许多专注于复制和改进它的作品。在这个项目中，我们提出了 VLM-R1，一种稳定且可通用的 R1 风格…...
⭐算法OJ⭐字符串与数组【动态规划 DP】（C++实现）最长公共子序列 LCS + 最短公共超序列 SCS
动态规划（Dynamic Programming, DP）在字符串数组相关的算法题中应用广泛，尤其是在解决子序列、子串、编辑距离、匹配等问题时。动态规划的核心思想是将问题分解为子问题，并通过存储子问题的解来避免重复计算，从而提高效…...