1.开发背景，客户所逼要求表格须有如Excel筛选功能 2.解决方案：使用第三方被迫放弃，自己开发。 3.筛选功能基本实现，列标头还没加图标，只能双击打开筛选窗口。 密码：dglc2022

Android应用源码之级联菜单，两级菜单自定义实现提供多种方式PopWindow，Fragment引用.zip

基于paddle从头实现了单向，多层，双向LSTM，给出了完整使用代码,并与paddle自带的LSTM进行了对比实验。

根据贝塞尔曲面算法，在OpenGL下实现经典例子茶壶旋转，teapot IDE：codeblocks ,相关库文件在GL文件夹中，将必要的DLL文件复制至系统盘system32（win7） system(xp)

自定义实现md5（字节转16进制字符串）,小写32位。目测可用。

svd算法matlab代码主成分分析（PCA）实验 主成分分析（PCA）非常有用，并且是统计和机器学习中常用的算法之一。 该工具被广泛用于各种应用中，例如用于可视化和分析的降维，压缩，离群值检测和图像处理。 PCA是我最喜欢用于各种任务的工具之一，通常用于可视化目的。 但是，我意识到，一直以来，我一直只是将其用作黑匣子，对它的概念只有很浅的了解。 因此，这激发了我使用PCA的自定义实现创建此存储库的动力。 请注意，此存储库无意描述有关PCA的完整详细信息。 仅显示一些python代码以帮助更好地了解其计算方式。 为了获得更好，更全面的资料，我发现“主成分分析教程” [1]非常有用。 关于PCA 简而言之，该方法对角化输入数据的协方差矩阵。 对角矩阵的属性是所有值都是零，除了对角线上的值必须为非零。 该方法假定输入数据的变量之间存在线性关系，并且删除了它们之间的关系。 有几种计算PCA的方法： 通过协方差矩阵-当特征数比记录数下这是非常有用的。 而且更容易解释这种方法。 通过标产品矩阵-当特征数比记录数较高，这是有用的。 通过奇异值分解（SVD） -这种方法在实践中使用最多（Scikit

分散的明星公证人 客观的 创建并实施带有适当UT和基本UI的智能合约，以通过其“令牌ID”“注册”（添加）和“检索”“数字资产”（在本例中为“星”）。 合同应包含以下功能： 创建 存在 代币到资产（星号） 交易：买卖 转移中 交流中 安装 cd erc721-smart-contract cd smart_contracts npm install 注意：将被下载并安装。 本地部署 全局安装truffle和ganache-cli npm install --global truffle ganache-cli 打开一个终端并执行 ganache-cli 结果示例： Ganache CLI v6.2.4 (ganache-core: 2.3.2) Available Accounts ================== (0) 0xdf224df7a6922a153c22

my_malloc C malloc / free函数的自定义实现。

自定义实现ARKit，手动搭建ARSession，点击屏幕添加3D虚拟物体

wp-full-stripe-custom WP Full Stripe 插件的自定义实现