精华内容
下载资源
问答
  • 我真的不是开玩笑的,软件开发中,周围的小伙伴一直说demo,但是我真的不知道demo什么意思,是样本,示范的意思吗?感觉并不是很确切。
  • demo什么demo什么用?

    千次阅读 2021-05-06 15:38:56
    程序员延伸出了“例子、小样”的意思,所以写demo就是写个“小例子”。 写demo什么用呢? 不知道,你们有没有这样的体会,本质上【写】程序是很简单的事情。难的部分其实是【设计】。当你在设计的时候,其实用到...

    程序员经常说的demo是什么?

    demo本意是“试样唱片; 录音样带”。程序员延伸出了“例子、小样”的意思,所以写demo就是写个“小例子”。

    写demo有什么用呢?

    不知道,你们有没有这样的体会,本质上【写】程序是很简单的事情。难的部分其实是【设计】。当你在设计的时候,其实用到一些技术。如果你没有用过对应的技术的话,

    你需要先验证使用的技术是否可行。demo的作用就是验证一些技术是否可行,以便到时候【写】出【设计】的程序逻辑,可以用。这就是demo的作用进行测试。

     

     

     

    展开全文
  • C++编程demo文档

    2016-11-21 10:54:31
    C++编程 Demo
  • 海康摄像头demo

    2018-11-24 09:45:51
    海康摄像头示例代码,浏览器中调用,包括文档和实例,亲测可用
  • web前端demo

    2018-03-05 17:57:34
    一个简单的前端demo 青春,一半明媚,一半忧伤。 它是一本惊天地泣鬼神的着作,而我们却读的太匆忙。 于不经意间,青春的书籍悄然合上,以至于我们要重新研读它时, 却发现青春的字迹早已落满尘埃,模糊不清
  • BP神经网络原理以及demo示例

    千次阅读 2017-04-02 14:23:09
    开门见山,先把github上的代码demo放上去,先了解一下他们是如何构建一个BP神经网络的。 然后就是一些我对BP神经网络的算法的一些总结。 #-*- coding:utf-8 -*- import numpy as np import matplotlib.pyplot as plt...

    这几天突然对神经网络有兴趣了,就花了两三天的时间学习了一下BP神经网络。开门见山,先把github上的代码demo放上去,先了解一下他们是如何构建一个BP神经网络的。

    然后就是一些我对BP神经网络的算法的一些总结。

    #-*- coding:utf-8 -*-
    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib
    from sklearn.datasets import make_moons
    from sklearn import linear_model
    import sklearn
    
    np.random.seed(0)
    X,y=sklearn.datasets.make_moons(200,noise=0.20)
    plt.scatter(X[:,0],X[:,1],s=40,c=y,cmap=plt.cm.Spectral)
    
    #定义决策边界函数
    def plot_decision_boundary(pred_func):
        # Set min and max values and give it some padding
        x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
        y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
        h = 0.01
        # Generate a grid of points with distance h between them
        xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
        # Predict the function value for the whole gid
        Z = pred_func(np.c_[xx.ravel(), yy.ravel()])
        Z = Z.reshape(xx.shape)
        # Plot the contour and training examples
        plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral)
        plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Spectral)
    
    #训练逻辑回归分类器
    clf=sklearn.linear_model.LogisticRegressionCV()
    clf.fit(X,y)
    plot_decision_boundary(lambda x:clf.predict(x))
    plt.title('Logistic Regression')
    # plt.show()
    #
    num_examples = len(X) # 训练集大小
    nn_input_dim = 2 # 输入层节点数
    nn_output_dim = 2 # 输出层节点数
    
    # 梯度下降参数
    epsilon = 0.01 # 学习率
    reg_lambda = 0.01 # 规范化强度
    
    #定义损失函数
    def calculate_loss(model):
        W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2']
        # 用于计算预测值的前向传播
        z1 = X.dot(W1) + b1
        a1 = np.tanh(z1)
        z2 = a1.dot(W2) + b2
        exp_scores = np.exp(z2)
        probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
        # 计算损失
        corect_logprobs = -np.log(probs[range(num_examples), y])
        data_loss = np.sum(corect_logprobs)
        #添加正则化的损失,可选可不选,为了陷入过拟合
        data_loss += reg_lambda/2 * (np.sum(np.square(W1)) + np.sum(np.square(W2)))
        return 1./num_examples * data_loss
    
    #我们还要实现一个用于计算输出的辅助函数。它会通过定义好的前向传播方法来返回拥有最大概率的类别
    def predict(model, x):
        W1, b1, W2, b2 = model['W1'], model['b1'], model['W2'], model['b2']
        # 正向传播
        z1 = x.dot(W1) + b1
        a1 = np.tanh(z1)
        z2 = a1.dot(W2) + b2
        exp_scores = np.exp(z2)
        probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
        return np.argmax(probs, axis=1)
    
    #构建模型
    def build_model(nn_hdim, num_passes=20000, print_loss=False):
    
        #将参数初始化为随机值。我们需要学习这些。
        np.random.seed(0)
        W1 = np.random.randn(nn_input_dim, nn_hdim) / np.sqrt(nn_input_dim)
        b1 = np.zeros((1, nn_hdim))
        W2 = np.random.randn(nn_hdim, nn_output_dim) / np.sqrt(nn_hdim)
        b2 = np.zeros((1, nn_output_dim))
    
        # 这是用于最终反馈结果的变量
        model = {}
    
        # 批量梯度下降.
        for i in xrange(0, num_passes):
    
            # 前向传播
            z1 = X.dot(W1) + b1
            a1 = np.tanh(z1)
            z2 = a1.dot(W2) + b2
            exp_scores = np.exp(z2)
            probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
    
            # 反向传播
            delta3 = probs
            delta3[range(num_examples), y] -= 1
            dW2 = (a1.T).dot(delta3)
            db2 = np.sum(delta3, axis=0, keepdims=True)
            delta2 = delta3.dot(W2.T) * (1 - np.power(a1, 2))
            dW1 = np.dot(X.T, delta2)
            db1 = np.sum(delta2, axis=0)
    
            # A添加规范项 (b1 和b2 没有规范项)
            dW2 += reg_lambda * W2
            dW1 += reg_lambda * W1
    
            # 梯度下降参数更新
            W1 += -epsilon * dW1
            b1 += -epsilon * db1
            W2 += -epsilon * dW2
            b2 += -epsilon * db2
    
            # 将参数赋到model中
            model = { 'W1': W1, 'b1': b1, 'W2': W2, 'b2': b2}
    
            # 选择性打印损失
            # 这项操作代价较大,因为它要用到整个数据集,所以我们会降低使用频率。
            if print_loss and i % 1000 == 0:
              print "Loss after iteration %i: %f" %(i, calculate_loss(model))
    
        return model
    
    # 创建一个含有三层隐含层的模型
    model = build_model(3, print_loss=True)
    
    # 绘制决策边界
    plot_decision_boundary(lambda x: predict(model, x))
    plt.title("Decision Boundary for hidden layer size 3")
    plt.show()
    


    算法部分:

    其中xj(j=1,2……n)为神经元i的输入信号,wij为连接权,ui是由输入信号线性组合后的输出,是神经元i的净输入。θi为神经元的阀值,vi为经偏差调整过的值,称为神经元的局部感应区。f(.)是激励函数,yi是神经元i的输出

    我个人认为,BP神经网络的算法核心是让全局网络误差达到最小,当误差为0的时候也就是模型最准确的时候,当然误差很可能不是0,为了逼近最小误差,我们要不断的去调节参数w,这个w的调节过程,就是不断迭代权值修去过过程。而这个权值修正,要用到梯度下降的方法,也是BP神经网络的一个核心思想,虽然梯度下降法可以有效的快速收敛,但当函数越来越复杂以后,会特别容易收敛到非最小值点,这就需要有一个更加好的初值和更加合适的学习率。所以说梯度下降的方法并不是完美的,它很有可能会导致寻求的误差最小值是局部最小值而非全局最小值,不过现在已经有了不少的改进方法,如随机梯度下降,批量梯度下降等等。最终在训练完模型后,这个模型就具有类似的预测能力。


    这里的w都是权值,x是输入数据,b是阈值,f(x)代表的就是激活函数。如代码部分的demo中,也是按照这个算法来构建误差函数的。


    给定n个样本,误差就是训练中给出的分类和学习后分类函数输出的分类的差值,然后平方再加和。这个过程与求方差差不多,反正最后的原则很清楚,方差尽可能小,最好是0。开始的时候会在隐含层和输出层设置两套w,这个w的设定是随机的,因为第一次设置的w极有可能不会是整个网络误差最小,所以超过误差范围就要调整。而图中的函数本身是没有1/2的,这里特意配一个1/2是因为:1,不会影响函数的单调性,2,在求导的时候能够去掉,式子会看上去比较整洁。

    图中的d是期望输出,y是实际输出。


    整个机制就是如上图这样的。


    反向传播。然后对这个误差函数进行求导求偏微分。上图是输出层的误差偏微分。


    上图是隐含层偏微分,方法和输出层的推导完全一样。


    最后就是权值的修正过程:



    总结:我们会先设置两套w作为两层网络各自的“超平面”的系数,然后输入一次完整的训练过程,就会有一个误差值出现,因为在给出的w很可能不合适。接着就是一次一次的进行w的调整。调整的方法是,首先找到一个误差和自变量的关系,然后求误差极值。误差存在的点就是误差最小的点,这和回归分析的最小二乘法的思想几乎一样。只是在最后的w迭代的两个公式中,用的就是试探的方法。思想就是往误差小的一边走一小步,如果还不够小就在走一步,这就是一次一次的迭代过程。直到最后找到一个误差满足要求的点,把这一点的w都记录下来,或者达到设定的训练次数,网络就训练完毕了。上图的η(学习率)就是这个每次走的“一小步”。


    github中代码demo:https://github.com/NSAryan12/nn-from-scratch/blob/master/nn-from-scratch.ipynb

    参考书籍:白话大数据与机器学习---高扬,卫峥,尹会生著。


    展开全文
  • ![图片说明](https://img-ask.csdn.net/upload/201810/11/1539240510_426745.png)
  • 单片机demo的使用

    2009-09-20 16:49:34
    为方便读者掌握lope应用仿真器的使用步骤。。。
  • HTML5及CSS学习demo1和demo2

    千次阅读 多人点赞 2020-03-05 22:06:01
    HTML5及CSS学习 学习路径: HTML 20% CSS3 50% H5C3 10%包括新增的标签 各种网页编程语言的功能 结构 网页元素整理分类HTML 表现 版式,颜色 大小CSS 行为 网页交互的编写后端 JS 浏览器工作原理 ...

    HTML5及CSS学习

    学习路径:
    HTML 20%
    CSS3 50%
    H5C3 30%包括新增的标签

    各种网页编程语言的功能

    • 结构 网页元素整理分类HTML
    • 表现 版式,颜色 大小CSS
    • 行为 网页交互的编写后端 JS

    浏览器工作原理

    转载自Adazheng的博客
    感谢博主能写出这么好的拟人的文章!

    1. 用户输入网址(假设是个html页面,并且是第一次访问),浏览器向服务器发出请求,服务器返回html文件;
    2. 浏览器开始载入 html 代码,发现 <head> 标签内有一个 <link> 标签引用外部 CSS 文件;
    3. 浏览器又发出 CSS 文件的请求,服务器返回这个 CSS 文件;
    4. 浏览器继续载入 html 中 <body> 部分的代码,并且 CSS 文件已经拿到手了,可以开始渲染页面了;
    5. 浏览器在代码中发现一个 <img> 标签引用了一张图片,向服务器发出请求。此时浏览器不会等到图片下载完,而是继续渲染后面的代码;
    6. 服务器返回图片文件,由于图片占用了一定面积,影响了后面段落的排布,因此浏览器需要回过头来重新渲染这部分代码;
    7. 浏览器发现了一个包含一行Javascript代码的 <script> 标签,赶快运行它;
    8. Javascript脚本执行了这条语句,它命令浏览器隐藏掉代码中的某个(style.display=”none”)。杯具啊,突然就少了这么一个元素,浏览器不得不重新渲染这部分代码;
    9. 终于等到了 </html> 的到来,浏览器泪流满面……
    10. 等等,还没完,用户点了一下界面中的“换肤”按钮,Javascript 让浏览器换了一下 <link> 标签的 CSS 路径;
    11. 浏览器召集了在座的各位 <span> <ul> <li> 们,“大伙儿收拾收拾行李,咱得重新来过……”,浏览器向服务器请求了新的CSS文件,重新渲染页面。
    • 可能大家刚开始看这个会十分蒙蔽,不明白他说的是什么,我相信等大家学完前端的基础后,回来在看这篇小文会会心一笑

    vscode安装技巧

    • 现在打开我的学习文件夹要先打开vscode,再把文件夹拖进去,没有右键用打开的那个选项,操作起来十分麻烦,一不小心就把文件夹整个拖到桌面上了
    • 上网查找了一下有没有解决方法,发现了这篇教程 感谢作者!
    • 这篇教程基本上完美解决了这个问题,现在说一下我通过这个教程时所遇到的坑
      • 因为每个人的安装路径都不一样,所以要修改路径为盘符到你的code.exe的路径,如果忘记装在哪里可以直接搜索code.exe就可以找到了

    vscode写博客

    • 这两个月以来,写博客真的对我的学习有了很大的提升,这里我要吹爆 markdown 这个标记语言太适合我们程序猿写笔记了,这里我就简介一下怎么用 vscode 写笔记

    之前的时候我使用手写笔记,结果手抄代码的感觉你们一定会懂,写完之后也很少翻开看,遂放弃;之后又尝试用注释的方式去写笔记,但是这种方法很难系统的保存,翻看也十分不方便,也放弃了

    • 首先你要安装好vscode,然后下载 markdownlint 这个插件然后了解最基本的markdown语法,就可以愉快的写笔记了!

    • 推荐 菜鸟教程的markdown基本语法

    • 然后在你写笔记的时候,会出现一些黄色的波浪线,并且有警告,一般都是 MD XX ,这时就是你有书写不规范的地方,这时只需要对照 markdownlint规则详细介绍及自定义参数设置 这篇博客就能完美解决这个问题

    • 还有就是vscode默认是不支持数学公式的,需要安装 Markdown+Math 这个插件

    • 还有一个就是markdown的一个小小的瑕疵,他无法连着图片文件一起保存,所以就需要图床

    • 当然在CSDN里面我们就直接使用它里面的上传图片就可以了,其他好像也有一些方法,例如用GitHub上存储图片,这个方面我使用的较少,还是需要大家自己去探索

    HTML5及CSS学习demo2

    本章导读:主要讲了各种标签的使用方法
    包括标题标签,段落标签,换行标签,

    HTML标签

    <html>
        双标签<br />单标签
    </html>
    
    • 有包含关系和并列关系

    HTML基本结构

    <html>
        <head>
            <title>网页的标题</title>
        </head>
        <body>
            网页的内容部分
        </body>
    </html>
    

    vscode使用小技巧:

    输入!并回车,输出基本模板
    alt+B 打开浏览器预览
    安装插件 open in browser,auto remane tag

    各种标签的讲解

    <!DOCTYPE html> <!DOCTYPE>告诉浏览器使用的HTML5版本
    <html lang="en"> lang="当前文档的显示的语言" 中文"zh-CN",英语"en"
    <head>
        <meta charset="UTF-8"> charset规定文档的字符编码
        <meta name="viewport" content="width=device-width, initial-scale=1.0"> 移动端开发的代码
        <meta http-equiv="X-UA-Compatible" content="ie=edge">
        <title>Document</title>
    </head>
    <body>
    
    </body>
    </html>
    

    HTML常用的标签

    • 标题标签<h1>-<h6>一级标题到6级标题 =md中的#

    • 段落标签和换行标签<p></p>段落标签

    • 换行标签 单标签 <br />强制换行(也可以这么写<br>)

      小知识:html里多个空格只会显示一个空格(回车算一个空格)
      段落和换行的区别,段落两行之间会有空隙,换行不会有空隙

    文本格式化标签

    • 加粗 <strong>加粗标签</strong> <b>加粗标签*2</b>
      优先考虑strong
    • 斜体 <em>倾斜标签</em> <i>倾斜标签*2</i>
      优先考虑em
    • 删除线 <del>删除标签</del> <s>删除标签*2</s>
      优先del标签
    • 下划线 <ins>下划线标签</ins> <u>下划线标签*2</u>
      优先使用ins

    特殊的标签 div 和 span

    • div 用来布局的 但是他是单独占一整行
    • span 在一行上显示多个span

    图像标签和路径

    图片标签

    • 图像标签<img src="图像URL" /> 单标签 同一目录下可以直接用图片名做url
    • 图像标签的参数 (参数之间用空格分开)
      • alt 如果图片不能显示用来替换的文字
      • height 图片高度
      • width 图片宽度
      • title 鼠标放到图片上显示的文字
      • border 边框宽度 css设定的情况比较多

    路径

    • 相对路径 相对于html文件的路径

      • 同一级的相对路径 直接写文件名就可以
      • 下一级路径 下一级文件夹名/文件名
      • 上一级路径../文件名
    • 绝对路径 从盘符开始的路径

      • 如果找不到的话需要file协议(file:文件路径)
      • 使用时经常用图片网址作为绝对路径

      小知识 相对路径使用的是/ 绝对路径使用的是\

    超链接标签 a

    • 超链接语法格式
    <a herf="" target=""></a>
    
    • herf 用于链接目标的地址(必须)

      • 外部链接 两个标签中间作为超链接开关
      • 内部链接 herf直接写文件名称就可以(盲猜也是使用相对路径)
      • 空链接 herf可以用空链接 用#代替
      • 下载链接 如果herf里是一个zip或文件则默认下载
      • 各种元素都可以做为超链接
      • 锚点链接 跳到本页中的某处的链接
        • herf属性里为’#名字’的形式<a herf="#two">
        • 然后在目标标签里<h3 id="two">
    • targrt 链接页面的打开方式 _self为默认值在当前页打开 _blank为在新窗口打开

    注释标签和特殊字符

    • 注释标签 <!–这就是注释–>

    • 快捷键ctrl+/

    • 常用特殊字符

      符号名字符代码
      大于号&gt;
      小于号&lt;
      空格&nbsp;
    展开全文
  • matplotlib_demo-源码

    2021-03-29 13:08:26
    matplotlib_demo
  • 这几天做微信开发,主要是demo里面介绍的文字很少,不过好在摸索知道了之后就知道怎么处理了。其中有的是搜索别人的博客或者问答分享才知道很多潜在问题。 SDK目录结构 |– cert 证书目录,申请商户成功后可以下载...

    这几天做微信开发,主要是demo里面介绍的文字很少,不过好在摸索知道了之后就知道怎么处理了。其中有的是搜索别人的博客或者问答分享才知道很多潜在问题
    SDK目录结构
    |– cert 证书目录,申请商户成功后可以下载到的
    | |– apiclient_cert.pem
    | -- apiclient_key.pem
    |-- download.php
    |-- index.php **几种支付方式的首页引导的,好几个按钮**
    |-- lib
    | |-- WxPay.Api.php
    | |-- WxPay.Config.php **主要把商户信息,公众号信息填进去**
    | |-- WxPay.Data.php
    | |-- WxPay.Exception.php
    |
    – WxPay.Notify.php
    |– logs
    | |– 2015-03-06.log
    | -- 2015-03-11.log
    |-- micropay.php
    |-- native.php **主要扫码支付的模式一,模式二生产二维码的页面(其中模式二的订单也是在这里提交)**
    |-- native_notify.php **模式一的二维码被扫码后,会通知这个页面生产提交订单到微信**
    |-- notify.php **jsapi 扫码(native)支付成功的结果都会回调通知这个页面**
    |-- orderquery.php
    |-- qrcode.php
    |-- refund.php
    |-- refundquery.php
    |-- unifiedorder.php
    – unit
    |– WxPay.JsApiPay.php
    |– WxPay.MicroPay.php
    |– WxPay.NativePay.php
    |– log.php
    `– phpqrcode
    有里这个介绍就进度快一点了,用的是http模式,据说https模式demo中有的地方需要修改bug。

    再说一下,支付成功之后通知的页面,的url都要写在公众号里配置,而且二级域名,目录都要精准一样,否则就会人为没有配置。

    notify.php的这个位置可以写支付成功之后,你要做的事情。注意不要话费太多时间,而且微信可能不止一次通知,也许会重复。不过你可以SQL到数据库,哪怕重复提交,插入不进去数据,也相当于避免重复提交咯。哈哈

    这里写图片描述

    展开全文
  • tree demo范例

    2018-06-26 15:13:01
    ztree 在工程项目中的完美应用,使用方便,适用于web,移动端
  • TopoGun 3 Demo模式体验

    2020-07-13 22:03:55
    这个版本提供了Demo模式,也就是免费体验模式。在Demo模式下类似导出模型这样的功能被屏蔽掉了 文章目录自动重拓扑整体重拓扑结合Mask对局部进行自动拓扑Patch功能 不愧是曾经重拓扑界的王者,沉寂几年重出江湖,...
  • ssh电子商务demo项目

    2012-03-19 13:19:25
    demo小项目运用了ssh,实现了电子商城的核心功能,包括购物车、分页浏览、注册登录等,适合刚学ssh框架的朋友。框架式struts2.18、hibernate3.32,spring 2.56.
  • HTML的Demo实例

    2020-10-31 14:01:47
    Demo1 效果图如下: 代码如下: <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>Demo1</title> <style type="text/css"> * { margin...
  • unity3d 官方demo入门概念

    千次阅读 2019-01-20 13:27:52
    unity3d 基本操作 基本概念 gameObjects:游戏中一切出现的都是objects component: gameObjects 本身是没有各种行为的,是通过给object添加component让其具有移动等等行为或者是属性 transform:移动,理解为物体...
  • 一个html5做的动态云demo,也是借鉴别人的,
  • MVC架构demo

    2017-03-27 17:17:16
    MVC架构demo
  • 【web学习之demo】 一个Demo的解析

    千次阅读 2018-10-19 08:52:11
    █ 【web学习之demo】 一个Demo的解析 █ 相关文章: -   ● 【web学习之html】 HTML基础 - 常见语法总结  ● 【web学习之html】 HTML基础 - 常见语法总结  ● 【web学习之eclipse】 用eclipse从git...
  • 计算机国际会议中proceedings,conference,paper,workshop,demo意思:  一、proceedings:在国际会议中指会议进程;也指会议报告记录。  proceedings are the collection of academic papers published in the ...
  • 微信小程序Demo详解

    2018-10-29 10:43:41
    以微信小程序的Demo为例,做一次简短的分析 第一步: 需要生成appId,这个很简单,类似傻瓜安装,查看官方文档 第二步:Demo基础配置了解 全局配置 app.json 包含的默认组,pages,windows project.app.json 个性化配置 ...
  • c语言常用demo

    千次阅读 2019-03-24 15:30:21
    文件输入输出 读取数据 FILE *fp = fopen("C:\\Users\\Desktop\\input.txt", "r"); if (!fp) { printf("can't open file\n"); exit(1); } while (!feof(fp)) { fscanf(fp, "%d", &...读入数据...
  • Unity3d学习笔记-Demo实现

    千次阅读 2020-06-23 21:10:25
    这是我在学习Unity3d过程中实现的几个小demo,在这里分享给大家体验。 1.3D坦克大战 这里的素材可以在AssetStore中找到,场景搭建比较简单。游戏内容我在网上学习的基础上添加了空投道具以及简单的敌人AI的逻辑,除...
  • C#小demo

    2018-06-24 17:43:00
    我今天把c#语言的小demo写了一个 1.三级分类 数据表里新建一个newid select出来 然后搭层写方法 通过三级查询 转载于:https://www.cnblogs.com/hualishu/p/9221177.html...
  • style使用demo

    2015-12-01 16:18:12
    一个演示style和theme的使用的demo
  • R语言函数(2)-demo()函数详解

    千次阅读 2020-06-03 19:52:00
  • HTML 基础标签demo

    2015-11-22 16:27:17
    table标签,和tr,td配合使用, 换行 单元格 border 表格的边框宽度 form 表单 输入框 单选框 按钮, 具体代码如下 这里是显示表单和table 这里是显示table和... 小明男数学99
  • 计算器小Demo

    2014-01-22 11:21:38
    自己写的一个计算器小Demo,很适合初学者。采用的是线性布局,很实用
  • C语言简单demo

    千次阅读 2018-05-30 10:05:13
    #include #include #include //int fun(int a,int b); /*struct xinxi { int id; char sex[2]; int age; char job; union //message { int num; char teaching[10]; }ms; };... /*st
  • 深度学习一些有意思的demo

    千次阅读 2017-03-16 10:38:39
    1、DeepWarp:一款可以玩转所有人眼球的机器学习Demo(转自机器之心) 按照网站的要求输入一张静态的图片,然后人眼可以转动 Demo 地址:http://163.172.78.19/ 2、依据轮廓,还原出完整的图像 项目地址:...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 128,483
精华内容 51,393
关键字:

demo是什么意思