:spider_web: :spider_web: :spider_web: :spider_web:快点回家 :spider_web: :spider_web: :spider_web: :spider_web: 愿你在陌生冰冷的城市里加上盏属于自己的灯 一款基于Flask，高德开放api的可视化地图租房规划 快速筛选基于自己的心里价位租赁类型上下班路线规划 项目预算中预览可能与实际代码产生页面有区别 租房数据来自于互联网公开数据涉及金钱交易时请注意自身财产安全 前端采用Bootstrap初步采用Flask数据库采用Mongo :spider_web: :spider_web: :spider_web:致谢 :spider_web: :spider_web: :spider_web: JianboWu感谢他提供的Bootstrap Studio激活码 :spider_web: :spider_web: 演示展示 :spider_web: :spider_web: 首页 租房页面 :spider_web: :spider_web: :spider_w

基于 Flask 框架实现的后端接口，采用 SQlite 数据库。前端采用 bootstrap、JQuery 实现。利用 unittest 进行接口简单的单元测试，以及使用 selenium 进行部分页面测试。 功能为可学习 HTML、CSS、JS 课程的平台功能，以及可进行测验评估。 适用于需要实现该功能的人群，类似此类大作业的学生

该资源是根据“笨办法”学Python 3 创建的最终项目-三体小游戏，以windows为平台，需要安装virtualenv, flask才能运行。

Fridg是一个网络应用程序，致力于通过使用Spoonacular的API提供食谱以最大程度地减少手头上的食物，从而减少食物浪费。 Fridg还提供了缺失成分的清单，用户可以通过Twilio API将其作为购物清单发送到手机。 用户还可以保存食谱并记录其经验以供参考，例如是否尝试过食谱，给予5星评级以及添加评论。 Fridg是一个全堆栈的单页面Web应用程序，使用React，Python，Flask和PostgreSQL构建。 我们的食材是冰箱里一个幸福的大家庭。 家庭意味着没有任何遗留或遗忘的成分。 部署方式 关于我 嗨，欢迎光临！ Michelle在癌症精密医学实验室工作，对组织标本进行实验并分析药物React。 Michelle意识到真正的科学方法效率极低，为解决创造性问题留出了很少的空间，并且没有看到自己在该领域的成长。 在编码的每个步骤中，她对问题解决，调试和测试的效率和灵活性非

视图&路由 Flask 简介 虚拟环境安装 路由各种定义 状态保持 cookie session 模板 基本使用 过滤器&自定义过滤器 模板代码复用：宏/继承/包含 模板中特有变量和函数 Flask-WTF 表单 CSRF 数据库操作 ORM Flask-SQLAlchemy 增删改查操作 案例 蓝图 单元测试

Python 之 Flask WEB 开发项目实战（轻量级开发者必备） 通过此项目可以由浅入深学习python flask 的web开发，并具备2年以上开发经验。 project.zip的解压密码：wosn.net

图像搜索引擎 使用Python，Flask和OpenCV实现的基于内容的图像检索系统。 给定一个查询图像，此应用将按相似颜色内容的顺序从数据库返回其他图像。 使用颜色直方图定义图像的颜色内容，使用卡方距离确定两个图像直方图的相似程度。 使用指南 使用其他图像数据集（可选） 在app/static/images填充图像数据库 然后在终端： >> python3 -m venv venv >> source venv/bin/activate >> pip install -r requirements.txt >> cd app >> python index.py --dataset s

Python爬虫+Flask+ECharts 疫情可视化 主要实现了对数据的爬取和保存，和通过echarts来进行数据的可视化

树莓派Flask+DTH11传感器做Web界面显示温湿度 小白一枚 刚刚接触编程 树莓派和python 打算开启代码之旅。做了个小玩意打算记录下来。大佬们勿喷。 DTH11传感器实现参照别人的，这里主要学了一点Flask框架知识，将DTH11得到的数值传送给模板html文件中的变量{{A}}（占位符）实现web端的显示。

pytorch_classification 利用pytorch实现图像分类，其中包含的密集网，resnext，mobilenet，efficiencynet，resnet等图像分类网络，可以根据需要再行利用torchvision扩展其他的分类算法 实现功能 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，修正与投票融合 利用flask实现模型云端api部署 使用tta测试时增强进行预测 添加label smooth的pytorch实现（标签平滑） 添加使用cnn提取特征，并使用SVM，RF，MLP，KN