- 博客(419)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 【YOLOv5/v7 添加注意力机制】 模块五十 RepConvResidual模块在YOLOv5/v7中的应用
本文提出了一种基于RepConvResidual模块的改进YOLO模型，该模块通过多路径训练和单路径推理设计，在保持计算效率的同时提升特征提取能力。论文详细展示了模块实现代码，包括训练/推理模式切换和BN融合方法，并提供了YOLOv5/v7集成方案。实验表明，在VisDrone和COCO数据集上，改进模型获得0.4-1.1%的mAP提升，同时保持相近计算量。文章还包含TensorRT加速、深度可分离版本实现等工程技巧，以及梯度爆炸、ONNX导出等典型问题的解决方案，为实时目标检测任务提供实用优化方案。
2025-06-10 00:30:00
70
原创 【YOLOv5/v7 添加注意力机制】 模块四十九 RepConvResidual模块详解
摘要：本文提出一种改进的RepConvResidual残差模块，通过多分支结构设计实现训练时特征增强和推理时参数优化。该模块在YOLOv5/v7中替换传统Bottleneck后，在VisDrone数据集上mAP提升0.4-0.8，推理速度加快26%。关键技术包括：1) 双分支结构融合RepConv与残差连接；2) 重参数化实现训练/推理结构转换；3) 动态权重学习机制；4) 针对TensorRT的专门优化。
2025-06-09 11:23:23
246
原创 【YOLOv5/v7 添加注意力机制】 模块四十八 RepConvBottleneckCSP模块在YOLOv5/v7中的应用
摘要：本文提出了一种改进的YOLO目标检测模块RepConvBottleneckCSP，通过双分支结构和重参数化技术实现性能提升。该模块在COCO数据集上使检测精度提升0.5-1.2%，推理速度加快1.5-2倍，同时减少15%参数冗余。文章详细展示了模块实现代码、YOLO架构适配方案及训练配置优化，包括专用超参文件和部署融合策略。消融实验表明，全面应用该模块可使[email protected]提升至39.5%，V100推理时延降至1.3ms。最后提供了训练发散、TensorRT部署和通道压缩等典型问题的解决方案。
2025-06-09 11:00:46
13
原创 【YOLOv5/v7 添加注意力机制】 模块四十七 RepConvBottleneckCSP模块详解
本文提出了一种创新的RepConvBottleneckCSP模块，通过双分支结构融合重参数化卷积，显著提升了目标检测模型的性能。该模块在训练时采用多分支增强特征提取，推理时等效为单一卷积，实现了计算效率与精度的双提升。实验显示，在YOLOv5/v7模型中应用该模块可使mAP提升0.5-1.2%，同时降低推理时延40%。文章详细阐述了模块设计原理、代码实现、集成方案和优化技巧，包括动态深度调整、混合精度训练兼容性以及TensorRT专属优化方法，并针对常见部署问题提供了解决方案。
2025-06-09 10:53:24
112
原创 【YOLOv5/v7 添加注意力机制】 模块四十六 RepConvBottleneck模块在YOLOv5/v7中的应用
摘要：本文提出了一种基于结构重参数化的YOLO优化模块RepConvBottleneck，通过1×1降维→3×3特征提取→1×1升维的流程设计，在训练时保持多分支结构，推理时合并为单分支3×3卷积。相比标准Bottleneck模块，该方案可降低35%推理计算量，同时保持模型精度（[email protected]达37.9）。实现上采用即插即用设计，可直接替换C3模块中的标准Bottleneck，并提供完整的PyTorch实现代码、模型配置方案及TensorRT加速技巧，特别适用于轻量化端侧部署场景。
2025-06-09 10:48:46
380
原创 【YOLOv5/v7 添加注意力机制】 模块四十五 RepConvBottleneck模块详解
本文提出了一种创新的RepConvBottleneck模块设计，通过三重重参数化结构实现训练与推理模式的差异化处理。训练时采用完整Bottleneck结构（1x1降维+3x3深度+1x1升维卷积），推理时合并为单个3x3卷积，使推理速度提升30%以上，AP指标提高0.3-0.8。文章详细给出了PyTorch实现代码，包括权重融合和BN参数融合方法，并提供了YOLOv5/v7的集成方案及性能对比数据。实验显示在COCO数据集上参数量仅增加0.7M的情况下，mAP提升至38.1，GPU时延降低至1.7ms。
2025-06-09 10:41:15
85
原创 【YOLOv5/v7 添加注意力机制】 模块四十四 RepConvBlock模块在YOLOv5/v7中的应用
本文提出一种基于RepConvBlock的改进方案，用于优化YOLO模型的卷积结构。该方法通过训练时多分支结构和推理时单分支合并，解决了传统卷积难以兼顾训练特征丰富性与推理速度的矛盾。核心实现包括：在common.py中添加RepConvBlock类、修改yolo.py中的Conv模块逻辑，以及确保导出时完成重参数化。该方案仅替换stride=1的3x3卷积，在保持AP指标的前提下降低计算量（FLOPs从7.7G降至7.5G）和推理时延（从2.3ms降至1.9ms）。
2025-06-09 10:35:12
12
原创 Python爬虫经典案例合集——【8.移动端数据抓取】 详细讲解和代码示例
本文介绍了移动端数据抓取的进阶技术方案，主要包括：1）使用Frida进行微信小程序逆向和HTTPS抓包解密；2）利用mitmproxy解析加密API并生成签名参数；3）关键破解技术如绕过SSL证书锁定、Protobuf协议解析和设备指纹模拟。同时提供了企业级抓取架构设计，包含真机集群、协议逆向节点等组件。最后强调了法律合规要点，包括禁止破解付费API和获取用户隐私，建议使用官方接口并设置合规请求头。整体展示了从技术实现到系统架构再到合规运营的完整移动端数据采集解决方案。
2025-06-06 12:20:17
61
原创 Python爬虫经典案例合集——【3.API接口抓取】 详细讲解和代码示例
本文介绍了API抓取技术的高阶应用与解决方案，包括：1）GitHub GraphQL API查询示例；2）关键破解技术如签名逆向、加密参数处理和WebSocket抓取；3）企业级方案如自动化API探测系统和分布式采集架构；4）反反爬策略涉及指纹混淆和协议级伪装；5）法律合规要点强调频率控制和数据规范。最后展示了完整的API爬虫项目结构，涵盖多平台采集模块、核心功能组件和配置文件管理。全文150字，系统讲解了API数据采集的技术实现与合规实践。
2025-06-06 12:17:42
64
原创 Python爬虫经典案例合集——【2.动态内容抓取(下)】 详细讲解和代码示例
本文介绍了抖音API逆向工程技术，重点解析了X-Bogus签名生成算法和视频数据获取方法。通过Python代码示例展示了如何构造带签名的API请求获取视频信息。在爬虫技术方面，详细讲解了Playwright的高级应用技巧，包括设备模拟、请求拦截和无限滚动处理。针对反爬机制，提供了指纹识别防御和自动化工具检测的应对方案。文章还提出了分布式爬虫架构设计及性能优化建议，并强调法律合规的重要性，包括遵守robots协议、请求频率控制等。最后给出了完整的项目结构参考，涵盖浏览器操作、API逆向、配置管理等模块。
2025-06-06 12:14:17
28
原创 Python爬虫经典案例合集——【10.智能爬虫进阶】 详细讲解和代码示例
智能爬虫技术正从传统模式向认知智能演进，融合NLP、CV、强化学习和知识图谱等技术。关键技术包括：基于BERT的网页实体识别、CNN验证码破解、强化学习动态调度策略、Neo4j知识图谱构建，以及GPT-4辅助分析。系统采用模块化架构，包含NLP处理、视觉分析、智能调度等组件，支持边缘计算部署。为保障合规性，系统集成GDPR检测和伦理请求头声明，并通过Prometheus进行性能监控。该技术体系适用于金融舆情、竞品分析和全球化数据采集等场景，实现了从数据采集到认知理解的跃迁。
2025-06-06 12:00:38
14
原创 Python爬虫经典案例合集——【9.图像/文件抓取】 详细讲解和代码示例
本文介绍了一个多类型资源下载系统的技术实现方案。系统采用模块化架构，根据资源类型(图片/视频、PDF/文档、压缩包)分别处理，最终存储到分布式系统。核心功能包括：图片批量下载(含反盗链破解)、PDF文本提取(支持OCR识别扫描件)、分布式文件抓取和大文件断点续传。针对反爬机制提供了CDN动态密钥破解和验证码处理方案，同时强调了法律合规要求。项目采用标准化的目录结构，包含下载器、后处理和配置模块，支持多种文件类型处理和企业级应用场景。
2025-06-06 11:53:00
41
原创 Python爬虫经典案例合集——【7.分布式爬虫】 详细讲解和代码示例
本文介绍了分布式爬虫的核心架构与实现方案。系统采用Master-Worker模式，通过Redis消息队列进行任务分发，实现Scrapy-Redis、Celery+Redis等经典方案，并详细说明了任务去重、负载均衡等关键技术优化。文章还涵盖了Kubernetes部署、Prometheus监控等企业级方案，以及常见问题的避坑指南，包括任务倾斜处理、断点续爬实现和性能调优参数设置。整体架构包含爬虫节点、消息队列、分布式存储和部署配置等模块，形成了一套完整的分布式爬虫解决方案。
2025-06-06 11:44:03
11
原创 Python爬虫经典案例合集——【6.数据存储案例】 详细讲解和代码示例
Python爬虫经典案例合集——【6.数据存储案例】 详细讲解和代码示例。
2025-06-06 11:39:50
13
原创 Python爬虫经典案例合集——【5.反爬对抗案例】 详细讲解和代码示例
Python爬虫经典案例合集——【5.反爬对抗案例】 详细讲解和代码示例。
2025-06-06 11:34:39
109
原创 Python爬虫经典案例合集——【4.登录验证突破】 详细讲解和代码示例
本文摘要：本文系统介绍了网站登录验证突破的技术方法，包括登录流程分析、验证码处理方案和加密逆向技术。重点讲解了知乎图形验证码和淘宝滑块验证的破解案例，涉及Python实现、OCR识别和轨迹模拟技术。同时提出了企业级解决方案如验证码自动识别系统和分布式登录池架构，并强调法律合规要点，指出仅限个人账号自动化使用。文章还提供完整的项目结构设计，包含平台模块、核心组件和配置文件。技术分析深度与法律警示并重，为自动化登录实现提供全面指导。（150字）
2025-06-06 11:06:42
56
原创 Python爬虫经典案例合集——【2.动态内容抓取(上)】 详细讲解和代码示例
本文摘要：动态网页抓取技术解析与实战案例，涵盖淘宝商品搜索和抖音视频数据抓取两种方案。从技术原理入手，对比分析Selenium、Playwright和API逆向工程三种方案的优缺点。通过具体Python代码实例，详细演示Playwright模拟浏览器操作和API反向工程破解过程，并深入解析指纹识别防御、无限滚动处理等关键技术。文章还提出企业级分布式爬虫架构设计方案，强调法律合规要点，包括频率控制和robots.txt检查。最后给出标准化项目结构建议，为动态网页数据采集提供全面技术参考。
2025-06-06 10:51:00
45
原创 Python爬虫经典案例全指南
《Python爬虫实战全攻略》摘要：从基础到高级爬虫技术全覆盖，包含静态网页抓取（requests+BeautifulSoup）、动态内容处理（selenium/playwright）、反爬对抗（IP代理/验证码破解）等核心技能。详解Scrapy框架工程化应用与智能爬虫开发，提供MongoDB/MySQL数据存储方案。特别强调法律合规与性能优化，包含robots.txt解析和异步IO加速等实用技巧。学习路径建议由浅入深，所有案例均附带可运行代码，助力开发者快速掌握电商监控、新闻采集等实战场景。
2025-06-06 10:24:05
42
原创 Python爬虫经典案例合集——【1.基础爬虫案例】 详细讲解和代码示例
本文介绍了使用Python爬取豆瓣电影Top250的技术方案。通过Requests获取网页数据，BeautifulSoup解析HTML，CSV存储结果。关键技术包括：伪装浏览器请求头、CSS选择器定位元素、随机延迟防封策略、异常处理机制等。文章详细解析了爬虫实现步骤，包括获取单页数据、存储到CSV文件，并提供了MySQL数据库存储方案。针对403错误、数据提取失败等常见问题给出了解决方案，同时建议了项目扩展方向，如增加字段、详情页深度抓取等。该案例完整展示了静态网页抓取流程，适合学习爬虫基础技术。
2025-06-06 10:09:16
195
原创 使用 GradScaler 进行自动混合精度（AMP）训练 的完整框架和代码示例
使用 GradScaler 进行自动混合精度（AMP）训练 的完整框架和代码示例
2025-06-06 09:29:31
11
原创 第六章、补充五大内容——4.权重衰减（weight decay）
摘要：权重衰减(L2正则化)通过在损失函数中添加参数惩罚项控制模型复杂度。核心实现包括：1)数学上在梯度更新时加入衰减系数λ；2)PyTorch可通过手动L2计算或优化器内置参数实现。YOLOv8默认使用0.0005的权重衰减系数，通过SGD优化器配置生效。实验表明，合理的权重衰减能显著改善参数分布，提升模型泛化能力。与Dropout、BatchNorm相比，权重衰减具有实现简单、训练一致的优点。调试建议包括：CNN推荐0.0001-0.001范围，大学习率时应减小衰减系数，不同网络层可差异化设置。
2025-06-05 21:00:00
8
原创 第六章、补充五大内容——5.AMP（Automatic mixed precision）自动混合精度
摘要：AMP(自动混合精度)技术通过FP16计算加速训练，同时保持FP32主权重确保精度。PyTorch实现包含GradScaler动态调整损失缩放，YOLOv8集成后训练显存降低40-50%，速度提升1.5-2倍，精度损失小于0.5%。关键技术包括：自动选择FP16/FP32计算、梯度缩放、敏感操作保护等。调试时需监控NaN值并调整缩放因子。最佳实践表明，AMP在YOLOv8中可实现高效训练且兼容现有流程，适用于RTX30系列等支持Tensor Core的GPU。
2025-06-05 14:14:40
14
原创 第六章、补充五大内容——3.带动量的梯度下降优化算法：（SGDM：SGD with momentum）
SGDM（随机梯度下降动量）通过引入动量累积机制优化神经网络训练。其核心公式为v_t=γv_{t-1}+η∇J(θ)，其中γ为动量因子（YOLOv8默认0.937）。实现方式包括纯Python和PyTorch版本，YOLOv8还启用Nesterov加速优化。SGDM能有效加速收敛、跳出局部最优，典型参数momentum设为0.8-0.99，需配合学习率调整。在YOLOv8训练中，SGDM与学习率预热等策略协同使用，显著提升模型收敛速度和检测精度（mAP）。调试时建议测试不同动量值，并监控训练稳定性。
2025-06-05 13:56:06
12
原创 第六章、补充五大内容——2.随机梯度下降法学习率的调整
本文系统介绍了深度学习中的学习率调整方法与YOLOv8实现策略。主要内容包括：1）学习率调整的两类核心方法（周期性调整和自适应调整）；2）PyTorch和YOLOv8的具体实现方式，重点解析了余弦退火和预热机制；3）YOLOv8完整学习率调度流程及可视化技术；4）不同策略的对比实验与调试建议。研究指出，合理使用余弦退火+预热组合能显著提升训练效果，建议配合梯度裁剪和参数组差异化策略，并通过监控工具优化学习过程。文章为YOLOv8等目标检测模型的训练调参提供了实用指导。
2025-06-05 13:46:45
12
原创 第六章、补充五大内容——1.随机梯度下降法（SGD：Stochastic gradient descent）
本文介绍了随机梯度下降（SGD）优化器的基本原理和在YOLOv8中的应用。SGD通过随机采样计算梯度并更新参数，数学表达式为θ=θ-η*∇θJ(θ;x_i,y_i)。文章展示了Python和PyTorch两种实现方式，并详细解析了YOLOv8中SGD的配置方法、源码实现及其改进变种（如带动量的SGDM）。同时提供了YOLOv8训练示例和参数调优建议，包括学习率范围（0.01-0.1）、动量值（0.8-0.98）等。最后对比了SGD的优缺点：计算高效但需精细调参，建议配合学习率调度器使用以获得最佳性能。
2025-06-05 12:31:30
191
原创 第四章、用YOLOv8测试一个数据集——第十四节 YOLOv8的损失函数计算
YOLOv8损失函数由分类损失、回归损失（CIoU）和DFL损失三部分组成，权重分别为0.5、7.5和1.5。分类使用BCEWithLogitsLoss，回归采用CIoULoss计算边界框重叠度，DFL通过概率分布预测精细定位。代码实现展示了损失计算流程，包含参数说明(如reg_max=16)和调试技巧(NAN检测、权重平衡)。可视化工具可监控训练过程，帮助分析IoU分布和损失变化趋势。该设计平衡了分类与定位任务，通过模块化实现支持灵活调整和问题诊断。
2025-06-05 11:08:30
7
原创 第四章、用YOLOv8测试一个数据集---第十三节 YOLOv8的子模块及Python实现
YOLOv8目标检测模型架构详解：该模型由Backbone(CSPDarknet)、Neck(PANet)和Head三部分组成，采用模块化设计。Backbone使用CSP结构降低计算量，Neck通过双向特征金字塔实现多尺度融合，Head采用解耦式设计提升精度。代码实现包含标准卷积(Conv)、跨阶段连接(C2f)等核心模块，并支持添加注意力机制等自定义修改。调试时可使用特征图可视化和参数量统计工具。该架构设计兼顾计算效率和检测精度，开发者可通过模块化组件灵活调整网络结构，深入理解目标检测模型原理。
2025-06-05 10:51:25
11
原创 第四章、用YOLOv8测试一个数据集——第十二节 平均精度AP的计算
本文详解目标检测AP计算流程及实现方法：1）AP计算核心步骤包括置信度排序、PR曲线生成与平滑处理、曲线下面积计算；2）提供YOLOv8风格代码实现，涵盖单阈值AP、多阈值mAP计算及PR曲线可视化；3）解析关键组件实现细节，包括精确率-召回率计算和AP积分方法；4）给出完整评估示例和可视化工具，并说明常见问题解决方案（数据泄露、曲线抖动、类别不平衡）。通过本文可全面掌握AP评估原理及YOLOv8实现方式，有效分析模型性能。
2025-06-05 10:34:49
33
原创 第四章、用YOLOv8测试一个数据集——第十一节 YOLOv8的性能评价指标
本文系统介绍了YOLOv8目标检测模型的评估指标体系与实现方法。主要内容包括：1）核心指标总览（mAP、Precision、Recall等）及其计算公式；2）关键指标的Python代码实现，包括AP计算、PR曲线绘制和推理速度测试；3）YOLOv8内置评估工具的使用方法；4）各指标的实际意义与应用场景分析；5）性能优化建议与常见问题排查方案。通过这套评估体系，开发者可以全面分析模型性能，准确定位优化方向，实现精度与速度的平衡。文章提供了从理论到实践的完整评估方案，附有可视化方法和代码示例。
2025-06-05 10:28:22
30
原创 第四章、用YOLOv8测试一个数据集——第十节 混淆矩阵ConfusionMatrix的形成
本文详细介绍了YOLOv8目标检测模型中混淆矩阵的实现与应用。首先阐述了混淆矩阵的核心概念，包括真阳性(TP)、假阳性(FP)和假阴性(FN)的定义及计算方法。然后展示了YOLOv8混淆矩阵的具体实现步骤，包括初始化、矩阵更新流程和关键方法解析，如IoU计算函数和指标计算方法。文章还提供了混淆矩阵的可视化工具和实际应用场景，包括类别不平衡分析和模型调优方向。通过该实现，用户可以深入理解混淆矩阵的构建原理，定位模型在特定类别的表现缺陷，并可视化分析模型的错误模式，为模型优化提供依据。
2025-06-05 10:09:15
6
原创 第四章、用YOLOv8测试一个数据集——第九节 收集计算mAP信息的update_metrics函数
本文介绍了YOLOv8目标检测模型中mAP指标的计算流程。核心函数update_metrics通过统计TP/FP、计算IoU矩阵和类别匹配来更新混淆矩阵，为后续PR曲线和mAP计算提供数据支撑。文章详细解析了代码实现步骤，包括初始化、预测处理、IoU计算和混淆矩阵更新，并提供了参数调整建议和常见问题排查方法。通过该流程可掌握YOLOv8评估指标的计算逻辑，支持灵活调整评估方式和问题定位，实现准确的目标检测模型性能评估。
2025-06-05 10:03:22
29
原创 第四章、用YOLOv8测试一个数据集——第八节 预处理、模型推理和后处理过程的回顾
文章摘要：本文详细介绍了YOLOv8目标检测的完整流程，包括预处理、模型推理和后处理三个核心环节。预处理采用LetterBox保持图像比例，模型支持PyTorch和TensorRT加速，后处理包含非极大抑制（NMS）等关键步骤。提供了Python代码示例和关键参数说明，如置信度阈值（conf_thres=0.25）和IoU阈值（iou_thres=0.45）。还包含性能优化技巧和常见问题排查方法，帮助开发者构建完整的YOLOv8检测流程并优化性能。
2025-06-05 09:55:53
35
原创 第四章、用YOLOv8测试一个数据集——第七节 用dataloader取数据
本文介绍了YOLOv8数据加载器(Dataloader)的使用方法。主要内容包括：1)数据读取流程解析，从初始化到GPU传输的完整过程；2)两种数据读取实现方式，包括基础读取和自定义读取；3)关键数据字段说明，如图像Tensor、标注框信息等；4)完整工作流示例和实用技巧，如数据可视化检查、性能优化方法；5)常见问题解决方案，包括数据格式异常、内存不足等情况的处理方法。通过本文，读者可以掌握YOLOv8数据加载的正确使用方法，构建高效数据处理管道。
2025-06-05 09:50:54
32
原创 第四章、用YOLOv8测试一个数据集——第六节 dataloader的初始化
本文介绍了YOLOv8数据加载器的实现方案，包含基础Dataloader初始化、特色功能实现及性能优化。主要内容包括：1) 基础Dataloader的最小实现示例；2) YOLOv8专用Dataloader的特色功能，如分布式采样、矩形训练批次采样、多进程安全配置等；3) 关键配置解析和高级扩展功能，如自动批大小调整、混合精度加载；4) 性能优化参数推荐和完整使用示例；5) 故障排查技巧。该方案能构建高性能数据管道，适应不同训练场景，最大化硬件利用率并快速定位问题。
2025-06-04 17:47:33
14
原创 第四章、用YOLOv8测试一个数据集——第五节 dataset的初始化函数
通过以上实现，您可以： ✅ 构建健壮的数据集初始化流程。✅ 灵活配置不同训练场景的参数。✅ 优化大规模数据集处理性能。✅ 实现高效的数据加载机制。
2025-06-04 16:41:12
42
原创 第四章、用YOLOv8测试一个数据集——第四节 dataset和dataloader入门
本文介绍了YOLOv8目标检测框架的数据加载机制及实现方案。主要内容包括：1) 数据加载流程架构解析；2) 核心Dataset类实现方法，涵盖图像读取、标签处理和数据增强；3) Dataloader配置技巧及自定义collate_fn；4) 内置数据加载器使用；5) 高级数据流控制技术（多尺度训练、数据缓存）；6) 性能优化方案。通过代码示例详细展示了如何构建高效的数据管道，支持自定义数据增强、批处理优化和训练加速，为YOLOv8模型的训练提供了完整的数据加载解决方案。
2025-06-04 15:49:12
26
原创 第四章、用YOLOv8测试一个数据集——第三节 测试参数配置
通过以上配置方案，您可以： ✅ 精确控制测试过程的每个环节。✅ 实现不同场景的最佳参数组合。✅ 获取全面准确的评估结果。✅ 进行深度的性能分析优化。
2025-06-04 15:04:29
50
原创 第四章、用YOLOv8测试一个数据集——第二节 数据集准备与配置
本文介绍了YOLOv8目标检测数据集构建的全流程方法。主要内容包括：1）数据集准备流程，从数据收集到验证的完整步骤；2）标准数据集目录结构设计；3）核心代码实现，包含配置文件生成、COCO转YOLO格式转换；4）数据集验证方法，包括完整性检查和可视化验证；5）自动化数据分割；6）高级配置技巧如数据增强和类别权重设置；7）常见问题解决方案。这些方法可帮助构建符合YOLOv8要求的标准数据集，实现自动化预处理，并有效验证数据质量，处理各种数据问题。
2025-06-04 14:45:59
38
YOLOv8 源代码（Ultralytics 8.3.146 引入了对灰度对象检测工作流程的全面支持，其中突出表现为新的 COCO8-Grayscale 数据集、专用的灰度 YOLO11n 模型以及）
2025-05-29
YOLOv8源代码和资源的详细整理（含：编译好的依赖项、预训练权重（第三方整理资源））
2025-05-29
《C# 入门经典》本书以循序渐进的方式讲解C#语言的基础知识、高级特性和实际应用
2025-03-24
Navicat下载文件 Navicat 是一款广泛使用的数据库管理工具，支持多种数据库系统
2025-03-07
超级好用的比较工具，版本2.16.8 64位
2025-01-24
Postman安装文件 64位 版本7.13
2025-01-24
sakura 编辑器 版本2-2-0-1
2025-01-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人