sjk_swiftmonkey 二次开发swiftmonkey 支持Xcode11，iOS13 无需插桩，修改bundleID即可 支持插入功能逻辑（例如登录）---这里的自定义功能逻辑需要自己写代码利用xctest相关API实现 二次开发可参考：

Faster-Rcnn：Two-Stage目标检测模型在Tensorflow2当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 - - 77.5 所需环境 tensorflow-gpu==2.2.0 文件下载 训练所需的voc_weights.h5可以去百度网盘下载 链接: 提取码: 92e8 VOC数据集下载地址如下： VOC2007+2012训练集 链接: 提取码: eiw9 VOC2007测试集 链接: 提取码: dsda 预测步骤 a、使用预训练权重 下载完库后解压，在百度网盘下载voc_weights.h5，放入model_data，运行predict.py，输入 img/street.jpg 利用video.py可进行摄像头检测。 b、使用自己训练的权重 按照训

Go-Workflow go-workflow 是一个超轻量级的工作流引擎,基本架构同Activiti工作流有些相似，但是它更精简，更轻量，它是一个工作流微服务，具体案例详见：example.md 前端流程生成工具： 一、特点： 1.它是一个工作流微服务 2.将所有的无关流程的数据，包括用户、用户组等信息从服务中解耦出去，go-workflow只纪录流程的流转 3.使用json数组替代bpmn来生成流程定义，简化流程定义的生成 二、go-workflow框架 1.go-workflow 数据库设计 1.1 流程定义表 表 procdef 用于保存流程的配置， 主要字段有： name: 流程定义的名称，如:"请假流程" version: 流程定义的版本 resource: 保存流程定义的具体配置,它是一个json格式的字符串 company: 保存该流程创建人所在公司 1.2 流程实

LoginFrame

Mask-Rcnn-实例分割模型在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 这个训练好的权重是基于coco数据集的，可以直接运行用于coco数据集的实例分割。 链接: 提取码: 15cj 这个数据集是用于分辨图片中的圆形、正方形、三角形的，格式已经经过了处理，可以让大家明白训练集的格式。 链接: 提取码: 9457 训练步骤 1、准备数据集 a、利用labelme标注数据集，注意标注的时候同一个类要用不同的序号，比如画面中存在两个苹果那么一个苹果的label就是apple1另一个是apple2。 b、标注完成后将jpg文件和json文件放在根目录下的before里面。 c、之后运行json_to_dataset.py就可以生成train_dataset文件夹了。 2、修改训练参数 a、dataset.py内修

一、需求分析 开发意义： 随着信息技术不断向深入发展，越来越多的学校开始着手信息化建设。其中学生选课、成绩信息化管理就是其中重要的一块内容。学生选课与成绩信息规模大、项目条数多、信息量庞大，传统的人工管理方式显然已经无法满足要求，需要借助计算机来进行现代化信息管理，从而提高管理的准确性与高效性。 可行性： 传统人工管理成绩存在诸多弊病，比如准确性低、效率低等。计算机具有存储快、查找便利、准确性高的特点，能非常好的解决人工管理的弊病。 应用环境： Web服务器：tomcat8.5； 编程工具Eclipse Java 2019-09； 数据库：SQL sever 2017； 技术路线： jsp+servlet+javabean； 1.1系统功能需求 系统功能框架介绍，处理模块描述。 管理员： 查询教师名单； 添加教师信息； 修改教师信息； 删除教师信息； 查询学生名单； 添加学生信息; 修改学

fashion-mnist-train 详细测试结果参考目录下的fashion_mnist.docm 三种机器学习分类器： 随机森林 KNN 朴素贝叶斯 卷积网络结构 两层卷积层，一个全连接层 数据集 fashion-mnist 机器学习工具 sk-learn 深度学习框架 pytorch(GPU) 运行代码流程 1.获取数据集 解压fashion_mnist目录下的fashion_mnist_data.zip，共4个文件，为训练集、测试集、训练集标签、测试集标签。 2.数据可视化和标签制作 运行make_data.py，可以在fashion_mnist下得到训练集和测试集的图片文件、训练集和测试集标签。 3.机器学习分类器测试 运行train_minst.py，可以测试三种不同机器学习分类器的性能。 4.深度学习卷积网络测试 运行fashion_mnist_cnn.py,可以改变超参数L

Bluetooth Android 蓝牙开发 Android 打开、搜索、配对、连接、通信 发送文字、传输默认文件 <----- Android经典蓝牙 -------->

pytorch U-Net，R2U-Net，Attention U-Net，Attention R2U-Net的实现 U-Net：用于生物医学图像分割的卷积网络 基于U-Net（R2U-Net）的递归残积卷积神经网络用于医学图像分割 注意U-Net：学习在哪里寻找胰腺 Attention R2U-Net：只需集成两个最新的高级作品（R2U-Net + Attention U-Net） 网络 R2U网 注意U-Net 注意R2U-Net 评估 我们仅使用测试模型。 数据集分为三个子集：训练集，验证集和测试集，其比例分别为整个数据集的70％，10％和20％。 整个数据集包含2594幅图像，其中1815幅图像用于训练，259幅用于验证，520幅用于测试模型。

调整率 根据队列目标调整速率有一个与此代码不太相关的博客：