收藏 / 列表

jiangyi 頭像

我愛哇哈哈 - 手把手教你用Tpaddleocr開發桌面端PDF識別工具，工作效率提升10倍！

作為一名資深技術開發，我經常遇到這樣的場景：需要從大量的PDF文檔中提取文字內容，但市面上的工具要麼收費昂貴，要麼識別效果差強人意。直到我發現了百度開源的PaddleOCR，結合Tpaddleocr（Python版本的PaddleOCR封裝），我決定自己動手開發一個桌面端PDF識別工具，效果出乎意料的好！ 今天就來分享一下我是如何從零開始，開發出這款高效、準確的PDF識別工具的。

yyds乾貨盤點 , 後端開發 , JAVA , paddle , Python

u_12891 頭像

gjnet - 空降負責人如何與團隊建立信任？_極客時間_石雲升

團隊士氣低落是組織面臨的嚴峻挑戰，其根源往往在於信任缺失、方向迷茫或持續的壓力。要在這種情況下重建信任與動力，管理者必須採取一套系統性且以人為本的策略。核心在於立即開啓透明、誠實的雙向溝通，主動承認問題所在，並清晰闡明未來的改進方向和共同目標。 解決信任危機是第一要務，這要求領導者言行一致，兑現承諾。其次，必須通過實際行動展示變革的決心，例如公平處理遺留問題、優化不合理的流程、併

Small , 數據 , 一對一 , Css , 前端開發 , HTML

leett 頭像

wx661607c93692e - Java 圖片縮略圖工具類

一、核心需求分析 我們希望工具類支持兩種主流模式： 模式 1：等比縮放（Fit） 在不超過目標寬高的前提下，按原圖比例縮放，空白處留白或透明。 適用：商品圖、文章封面預覽。 模式 2：中心裁剪（Crop） 先等比縮放使圖像覆蓋整個目標區域，再從中心裁剪出指定尺寸。 適用：用户頭像

縮放 , 後端開發 , JAVA , Image

u_16237826 頭像

軟件求生 - OCI GenAI + Spring AI = 向量檢索的最強組合，你準備好了嗎？

有時候，程序員的快樂真的很簡單——比如，終於搞懂了 OCI 的 GenAI 向量模型！那天我在辦公室喝着第二杯美式，看着控制枱跑出那行“Embedding completed successfully”，差點起立鼓掌。今天，小米就帶你走進 Spring AI 的世界，一起玩轉 OCI GenAI 向量模型 ——它不止能“理解文本”，還能為 AI 應用賦能，讓智能檢索、知識

機器學習 , 數組 , yyds乾貨盤點 , 搜索 , 人工智能 , ci

u_16213587 頭像

mob64ca13f937ae - C++的智能指針 - 牆頭草的個人空間 -

前言 作為 C++ 開發者，你是否曾因以下場景頭疼不已？ 函數中new了數組，卻因異常拋出導致後續delete沒執行，排查半天定位到內存泄漏； 多模塊共享一塊內存，不知道該由誰負責釋放，最後要麼重複釋放崩潰，要麼漏釋放泄漏； 用了auto_ptr後，拷貝對象導致原對象 “懸空”，訪問時直接崩潰卻找不

智能指針 , c++11 , 引用計數 , c++ , 後端開發 , Python

u_16040716 頭像

sangwu - 75. 顏色分類

75. 顏色分類 給定一個包含紅色、白色和藍色、共n個元素的數組nums，原地對它們進行排序，使得相同顏色的元素相鄰，並按照紅色、白色、藍色順序排列。 我們使用整數0、1和2分別表示紅色、白色和藍色。 必須在不使用庫內置的 sort 函數的情況下解決這個問題。 示例 1： 輸入：nums = [2,0,2,1,1,0] 輸出：[0,

yyds乾貨盤點 , 字符串 , 子串 , 子字符串 , 後端開發 , JAVA

u_14540126 頭像

最多選5個技能 - 多媒體應用設計師軟考備戰：技術基礎與核心概念解析

多媒體應用設計師軟考備戰：技術基礎與核心概念解析 引言 多媒體應用設計師作為信息技術領域的重要職業方向，其專業技術資格考試（軟考）已成為衡量從業人員能力水平的重要標準。本文將圍繞多媒體技術基礎、核心概念及典型題型展開系統分析，幫助考生構建完整的知識體系，為順利通過考試奠定堅實基礎。 一、多媒體技術基礎概述 1.1 多媒體基本概念 多媒體是指利用計算機

採樣頻率 , 有損壓縮 , 數據壓縮 , 後端開發 , Python

u_16297326 頭像

虎斑嘟嘟 - 魯棒性認證：隨機平滑的ℓ₁/ℓ₂認證半徑精確分析

魯棒性認證：隨機平滑的ℓ₁/ℓ₂認證半徑精確分析 對抗樣本的存在猶如深度學習領域的"暗物質"，揭示了模型決策邊界中隱藏的脆弱性。面對這一挑戰，隨機平滑技術脱穎而出，成為首個能夠為大規模深度學習模型提供可證明魯棒性保證的實用方法。然而，傳統的隨機平滑分析主要集中於ℓ₂範數威脅模型，在現實世界中更為常見的ℓ₁威脅（如稀疏對抗擾動）面前顯得力不從心。 本文將深入探討隨機平滑

縮放 , yyds乾貨盤點 , 後端開發 , JAVA , 深度學習 , 二分搜索

u_16747707 頭像

自由的瘋 - 《單元測試與Mock：保證代碼質量(十四)》

單元測試是確保代碼質量的核心手段，通過隔離測試目標代碼（System Under Test, SUT），驗證其邏輯正確性。結合Mock框架（如Moq）可以模擬外部依賴，使測試更可控、更高效。 1. xUnit/NUnit基礎：單元測試框架 1.1 xUnit與NUnit對比

List , Test , Stack , yyds乾貨盤點 , c++ , 後端開發 , c

xiongod 頭像

xiongood - Vue 中 v-if 與 v-show 的使用方法與區別

Vue 中 v-if 與 v-show 的使用方法與區別 在 Vue 中，v-if 和 v-show 是兩個用於控制元素顯示與隱藏的核心指令，就像給元素裝了 “開關”，但兩者的 “開關邏輯” 和適用場景截然不同。掌握它們的用法和區別，能讓我們更合理地控制 DOM 顯示，提升頁面性能。 一、基礎用法 1. v-if：條件渲染（動態創建 / 銷燬 DOM） v-if 是 “條

動態創建 , Vue , 後端開發 , JAVA , Css

lenglingx 頭像

lenglingx - mc在MinIO中創建用户創建policy用户和policy的綁定（minio）

minio下載地址：https://dl.min.io/ 有2個程序，一個minio，一個 mc 是（minio client）簡稱。 wget https://dl.min.io/community/server/minio/release/linux-amd64/minio wget https://dl.min.io/community/cli

顯示文件 , 上傳 , 運維 , 基本語法

u_17171325 頭像

鴿鴿程序猿 - 【Redis】Hash類型介紹

一、簡介 在 Redis 中，哈希類型是指值本⾝⼜是⼀個鍵值對結構，形如 key = "key"，value = { { field1, value1 }, ..., {fieldN, valueN} }，在Redis中為了與key - value作區分，將Hash類型鍵值對結構表示為filed - value。 String與Hash對比圖： 二、相關命令

字段 , 時間複雜度 , yyds乾貨盤點 , 後端開發 , JAVA , hg

u_16492348 頭像

wx65950818d835e - 14: 基於卷積神經網絡（CNN）的超分算法

引言 卷積神經網絡（CNN）是深度學習中最成功的模型之一，廣泛應用於圖像分類、物體檢測等任務。隨着深度學習技術的發展，CNN在圖像超分辨率（SR）領域也取得了顯著進展。基於CNN的超分算法利用深度卷積網絡從低分辨率圖像中提取特徵，並通過層層卷積和反捲積層重建高分辨率圖像。本文將探討基於CNN的超分算法的原理、優勢和挑戰。 CNN在超分中的基本原理 CNN通過多層

卷積 , 圖像重建 , c++ , 後端開發 , 深度學習 , c

u_16492406 頭像

mb65950ac695995 - 十三、PC 高刷新顯示與可變刷新率（VRR）下的插幀策略

在支持 120/144/240Hz 的顯示器上，插幀能顯著改善低幀率內容的體驗。與 VRR（G-Sync/FreeSync）配合，渲染與顯示的同步問題更復雜。插幀管線應與顯示時序協調，確保中間幀在合適的掃描時刻輸出。對於低延遲需求的競技遊戲，需謹慎啓用插幀，因為它可能增加端到端延遲。 策略： 當渲染幀率穩定接近刷新率時，減少插幀介入。 當渲染幀率低且

幀率 , c++ , 後端開發 , c

u_16866798 頭像

G佳偉123 - vue npm install安裝插件請求github過慢問題

vue安裝插件請求github過慢問題 新項目執行npm install安裝了半天發現還在安裝插件一看是請求的github 解決方案 切換國內鏡像源 切換至國內鏡像源是提升下載速度最直接有效的方法。常用的國內鏡像源包括淘寶鏡像、華為雲鏡像和騰訊雲鏡像。 配置淘寶鏡像源可以使用命令： npm config set re

鏡像源 , vue.js , 下載速度 , github , 前端開發