该实例内含数据设计思想，E-R图，设计SQL代码，是一个比较好的，典型的数据库设计实例，值得参考！
实在对不起 之前发布了一个连锁店系统（pos)源代码+数据库表结构的资源，是需要5个压缩包 的，但我不会一次性上传，只能再次上传下，大家别骂我，不知者无罪嘛！ 大家搜下就能下到 全部的了，sorry!
一个顾客买东西，收银员要录入数据，但是一个顾客只有一个流水号，可以买多种商品，要怎么录入数据啊？在添加界面录入数据每次只能录入一种商品，流水号只能是一个，商品是多种，界面应该怎么弄？数据库和界面怎么
POS管理系统的分析与设计，基于UML，适合课程设计，实验报告等参考。 文档结构： 1 任务描述 2 系统需求 2.1 用例与用例列表 2.2 用例图 2.3 用例文本 2.4 性能需求 3 需求分析
包括： 1.虚拟主机业务管理 2.再就业信息管理 3.钢材仓库管理 4.闲置设备管理 5.图书借阅管理 6.工程项目管理 7.销售业务管理系统
实在对不起 之前发布了一个连锁店系统（pos)源代码+数据库表结构的资源，是需要5个压缩包 的，但我不会一次性上传，只能再次上传下，大家别骂我，不知者无罪嘛！ 大家搜下就能下到 全部的了，sorry!
parent_id 字段，比如区域表（国、省、市、区）： CREATE TABLE Area ( [id] [int] NOT NULL, [name] [nvarchar] (50) NULL, [parent_id] [int] ...
面试题真的是博大精深，也通过这个面试题学到了很多东西，很多笔者也不是很懂，如有描述错误的地方还望大佬赐教， 每一次面试都可能问到相同的问题，一面问到，二三面还可能会问到，笔者认为这一点是整理这篇面试题收获最大的一点。 目录： 一面 1.1、HashMap和Hashtable的区别 1.2、实现
保证迭代顺序的HashMap 1.3、 说一说排序算法，稳定性，复杂度 1.4、 说一说GC 1
你的CUDA算法，数据传输是否是你的性能瓶颈呢？要用常规还是异步？锁页还是零拷贝？看完此文，你应该能有所判断！
某网络系统有N个工作线个调度服务进程，作线 星初始化时 守候队列中等待;当用户请求到达时，由服务进程唤醒工作线程执;若工线程守候队列为空则则检查请求等待队列是否已满(最多可存放M个用户请求），未
2019全国大学生数学建模竞赛C题原版优秀论文，PDF原版论文，不是图片合成的，是可编辑的文字版。共三篇。 C044.pdf C137.pdf C308.pdf
本套课程的设计完全是为初学者量身打造，课程内容由浅入深，课程讲解通俗易懂，代码实现简洁清晰。通过本课程的学习，学员能够入门微信公众平台开发，能够胜任企业级的订阅号、服务号、企业号的应用开发工作。 通过本课程的学习，学员能够对微信公众平台有一个清晰的、系统性的认识。例如，公众号是什么，它有什么特点，它能做什么，怎么开发公众号。 其次，通过本课程的学习，学员能够掌握微信公众平台开发的方法、技术和应用实现。例如，开发者文档怎么看，开发环境怎么搭建，基本的消息交互如何实现，常用的方法技巧有哪些，真实应用怎么开发。
课程演示环境：Ubuntu需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：训练自己的数据集》，课程链接来了！速度和精度双提升！ 与 YOLOv3 相比，新版本的 AP（精度）和 FPS （每秒帧率）分别提高了 10% 和 12%。 YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。 本课程的YOLOv4使用AlexAB/darknet，在Ubuntu系统上做项目演示。包括：安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。还将介绍改善YOLOv4目标训练性能的技巧。 除本课程《YOLOv4目标检测实战：训练自己的数据集》外，本人将推出有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv4目标检测实战：人脸口罩佩戴识别》《YOLOv4目标检测实战：中国交通标志识别》《YOLOv4目标检测：原理与源码解析》
[记录一] Vue(全家桶)+node+koa2+mysql+nginx+redis，全栈博客项目训练
web博客练练手，现在以及做完了，把过程分享出来给大家看看，分享一下学习经验。 本文目录一，项目介绍和图片1，vue博客前端2，node后台，使用koa2框架编写3，管理博客界面二，分享系列，深入介绍项目 一，项目介绍和图片 1，vue博客前端 使用vue+vuex+vue-router+axios，通过webpack打包。 包括注册，session登陆功能，上传图片，查看文章，评论点赞等一系列功能。 2，node后台，使用koa2框架编写 3，管理博客
【为什么学爬虫？】 1、爬虫入手容易，但是深入较难，如何写出高效率的爬虫，如何写出灵活性高可扩展的爬虫都是一项技术活。另外在爬虫过程中，经常容易遇到被反爬虫，比如字体反爬、IP识别、验证码等，如何层层攻克难点拿到想要的数据，这门课程，你都能学到！ 2、如果是作为一个其他行业的开发者，比如app开发，web开发，学习爬虫能让你加强对技术的认知，能够开发出更加安全的软件和网站 【课程设计】一个完整的爬虫程序，无论大小，总体来说可以分成三个步骤，分别是： 网络请求：模拟浏览器的行为从网上抓取数据。 数据解析：将请求下来的数据进行过滤，提取我们想要的数据。 数据存储：将提取到的数据存储到硬盘或者内存中。比如用mysql数据库或者redis等。 那么本课程也是按照这几个步骤循序渐进的进行讲解，带领学生完整的掌握每个步骤的技术。另外，因为爬虫的多样性，在爬取的过程中可能会发生被反爬、效率低下等。因此我们又增加了两个章节用来提高爬虫程序的灵活性，分别是： 爬虫进阶：包括IP代理，多线程爬虫，图形验证码识别、JS加密解密、动态网页爬虫、字体反爬识别等。 Scrapy和分布式爬虫：Scrapy框架、Scrapy-redis组件、分布式爬虫等。 通过爬虫进阶的知识点我们能应付大量的反爬网站，而Scrapy框架作为一个专业的爬虫框架，使用他可以快速提高我们编写爬虫程序的效率和速度。另外如果一台机器不能满足你的需求，我们可以用分布式爬虫让多台机器帮助你快速爬取数据。 从基础爬虫到商业化应用爬虫，本套课程满足您的所有需求！ 【课程服务】 专属付费社群+每周三讨论会+1v1答疑
[记录二] Vue(全家桶)+node+koa2+mysql+nginx+redis，博客全栈项目之web前端vue
web博客练练手，现在已经做完了，把过程分享出来给大家看看，分享一下学习经验。这是第二篇，主要讲node，webpack和vue-cli环境的搭建，使用vue全家桶，写好路由，构建静态页面，为后续的api请求的编写打下基础。 本文的目录一，环境的搭建1，node下载2，vue和vue-cli下载二，配置vue和编写部分页面的代码 一，环境的搭建 1，node下载 如果本机没有安装node运行环境，请到官网下载node 安装包进行安装，如果本机已经安装node，要更新到
本课程内容系统、全面、简洁、通俗易懂，通过2个多小时的介绍，让大家对软件测试有个系统的理解和认识，具备基本的软件测试理论基础。 主要内容分为5个部分： 1 软件测试概述，了解测试是什么、测试的对象、原则、流程、方法、模型； 2.常用的黑盒测试用例设计方法及示例演示； 3 常用白盒测试用例设计方法及示例演示； 4.自动化测试优缺点、使用范围及示例； 5.测试经验谈。
2019全国大学生数学建模竞赛A题原版优秀论文，PDF原版论文，不是图片合成的，是可编辑的文字版。共三篇。 A023.pdf A190.pdf A240.pdf
课程聚焦Java基础编程提升的核心知识点，以真实场景项目实战为导向，循序渐进，深入浅出的了解Java基础编程，讲解Java这门使用广泛的编程语言，助你能够游刃有余地游走在这些技术之中。
DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法，可对物体进行像素级分割。 本课程将手把手地教大家使用labelme图像标注工具制作数据集，并使用DeepLabv3+训练自己的数据集，从而能开展自己的图像语义分割应用。 本课程有两个项目实践： (1) CamVid语义分割 ：对CamVid数据集进行语义分割 (2) RoadScene语义分割：对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割 本课程使用TensorFlow版本的DeepLabv3+，在Ubuntu系统上做项目演示。 包括：安装deeplab、数据集标注、数据集格式转换、修改程序文件、训练自己的数据集、测试训练出的网络模型以及性能评估。 本课程提供项目的数据集和Python程序文件。 下图是使用DeepLabv3+训练自己的数据集RoadScene进行图像语义分割的测试结果：
[记录三] Vue(全家桶)+node+koa2+mysql+nginx+redis，全栈博客项目前端部分完善
web博客练练手，现在已经做完了，把过程分享出来给大家看看，分享一下学习经验。这是第三篇，主要讲node，webpack和vue-cli环境的搭建，使用vue全家桶，写好路由，构建静态页面，完善前端的一些功能。 本文的目录一，编写子组件1，消息提示框子组件toast 一，编写子组件 1，消息提示框子组件toast ...
