1.项目为企业庆典和宣传网页，并接入企业公众号。项目包含宣传内容和点赞活动，各地区人员通过点赞和分享对所在校区进行火力投送比拼。 2.项目由个人单独完成，系统使用java技术栈进行开发，并使用缓存、公众号、地图API等技术。项目对并发有一定的要求。

1、本项目分为电量预测、电量监测、月度上报、参数配置、系统管理、个人信息六大模块。 2、利用模型预测结果对电量的下月度使用情况进行精准分析，通过对该地区下所有用户信息电量监测、实时展示电量使用情况。通过报表上报功能，完成对本月度电量考核的工作汇报。

1. 该项目分预约模块，查询预约，设置3大块；适用于预售制的企业，客户下单支付后，自动化处理和生成相关订单，方便企业立即制作的发货。 2. 刚开始业务交易量不大，该小程序的前端和后端是我负责，后面交易上来，我负责前端这块，后端交由其他人处理。使用的是uniapp开发，可以兼容多个小程序，提高效率。

1、项目分为可视化大屏监测、台区线损统计分析、线损异常综合统计、线损反馈分析、线损辅助决策分析、在线智能工具六大模块。 2、通过监测台区，统计指标异常台区信息，识别造成台区线损异常的指标原因，通过在线诊断工具确认异常原因，最后以在线派单形式完成工单。

1分为工作台的数据展示，登录注册，操作界面，数据分析，执行扫描界面.适用于让用户便携的通过web端和手机端操作机器人获取数据并分析。 2 前端这块我负责管理和架构的搭建以及执行扫描的开发任务。考虑到稳定和效率，用了vue技术栈+vant+elementUI+第三方插件或库。 3

1.项目分为3大块，分别是日程安排，登录和个人中心；适用于公司领导安排事项和员工安装精细设备或大型设备场景，不仅大幅度降低失误又提高效率。 2.该项目的所有前端任务是我负责，开发过程与后端进行多次联调沟通。确保功能正常；使用的是微信官方的原生开发；目前该小程序已经在运作发挥其作用中。

项目描述： 搭建对客工单coe能力，对全集团所有业务对客该工单提供接入能力。包含对客工单的配置中心，对客工单的创建、分派、转发等业务逻辑操作，包含c端和pc端已经各业务线接入能力；系统用户约4300w，日活用户30w，日访问量500w，日工单量10w。QPS 峰值约 5000，TPS 峰值近 500。 个人职责： 1.参与需求讨论分析，对功能进行细化拆分，以及数据库设计和跨中心沟通协调 2.进行每两周一次敏捷迭代，严格控制任务完成进度，保证功能高质量交付 3.项目难点在于业务复杂性高，C端用户访问量高，并发大，对服务性能要求高，老系统缺少 解决方案：针对用户多，请求量大，我们采取redis来做热点数据的缓存来提高服务的qps。在高并发的场景下，多处采用多线程来处理请求，并采用分布式锁来解决接口的幂等问题。业务逻辑复杂，通过拆分多个业务线功能，对差异较大业务逻辑单独处理，以达到提高满足各业务线不同场景的要求。对于服务性能，我们采用读写分离，查询服务使用elasticSearch来达到满足c端用户高并发场景；写服务使用sharding-jdbc技术进行分库分表，来提高数据库写操作的并发量。

1，通过vue2+antd vue框加构建物流后台管理系统 2,，实现登录功能， 3，实现动态加载菜单及路由功能 4，实现通过不同用户，不用权限显示相应的菜单及路由功能， 5，实现后端添加菜单，分配权限，限制权限的功能， 6，按业务需求实现相应的操作页面功能，（增，删，改，查，分页查询，定时显示，消息提示，物流信息显示）

订单系统: 1.主要负责正向订单提交、未支付取消订单等订单相关功能，技术框架为springmvc+mybatis+dubbo+zk+apollo，rabbitMQ作为消息通信，mysql数据库，redis缓存； 2.正向订单下单流程重构逻辑梳理；正向单下单、订单取消已经订单查询接口开发 3.难点在于创建订单需要执行逻辑过于复杂，而下单则是操作频繁的功能 4.解决方案：使用分库分表技术增加数据库层的吞吐量，提高访问效率，同事将拆单以及其他分支流程通过mq进行异步处理调用其他外部系统 营销系统：包括礼品券和优惠券两种优惠活动，技术架构统一为springboot+mybatis+dubbo+nacos, rocketMQ作为消息通信，mysql数据库;从0到1保证系统一期、二期功能上线，redis作为缓存和分布式锁 1.优惠券功能开发，包括生成优惠券、创建优惠券规则、创建自动派发规则等功能 2.负责礼品券需求沟通，功能任务分配以及进度把控，功能开发以及BUG修复，礼品券主要功能包含：礼品券购买、礼品券规则创建与生成、礼品券分享等核心功能点 3.APP功能上线后，增加可观新用户，并提高了老用户

1.html基础代码 2.css（标签选择器，id，class等等） 3.js的函数 4.部分代码 function counttotal() { //调用计算合计的方法 //计算当前所有商品的数量以及合计 //累加，求和 var sum = 0; var sum1 = 0; //循环遍历 数量的input 将每一个value值加在一起 for (var n = 0; n < countinputs.length; n++) { if (checkones[n].checked) {//如果对应的单向选择框是选中的,那么就将其对应的数量和小计,加到对应位置 sum += parseInt(countinputs[n].value); sum1 += parseFloat(subtotals[n].innerHTML); //通过parseInt把valu

1.html基础标签 2.css简单的样式 3.部分代码（ 分类浏览 数码影音 家居装饰 母婴用品 美妆个护 食品保健 潮流服装 家具装饰 手表饰品 鞋包皮具 家用电器 电脑办公 玩具文具 汽车用品 手机通讯 流行饰品

1，优化商城页面， 2，运用javascript及vue框架构建商城站点 3，后端数据处理（即时价格显示，图片的即时更新，客户即时信息处理） 4，通过ajax， axios等交互实现页面无跳转刷新 5，处理兼容各浏览器问题 6，优化网站访问性能 7，google GTM是处理即时任务，达到seo的最佳搜索功能

1.使用计数器 2.简单的html; 3.css文字修饰和界面 4.js的动画效果（部分代码） （ function time(obj, futimg) { var nowtime = new Date().getTime(); // 现在时间转换为时间戳 var futruetime = new Date(futimg).getTime(); // 未来时间转换为时间戳 var msec = nowtime - futruetime; // 毫秒 未来时间-现在时间 var time = (msec / 1000); // 毫秒/1000 var day = parseInt(time / 86400); // 天 24*60*60*1000 var hour = parseInt(time / 3600) - 24 * day; // 小时 60*60 总小时数-过去的小时数=现在的小时数

1.主要包括DANN模型定义、数据集定义和加载、模型训练与测试、MNIST-M数据集生成等模块； 2.使用tensorflow2.x框架和bpython进行开发，训练5000个迭代次数后MNIST-M数据集的分类准确率稳定在0.86. 3.相关详细介绍参考：https://daipuweiai.blog.csdn.net/article/details/104478550和https://daipuweiai.blog.csdn.net/article/details/104495520两篇博客

1.本网站用于名言名句的摘抄与欣赏，在注册登录了本网站之后，用户们可以根据自己的喜好，选择不同的名言类型，然后进行浏。同时具有收藏评论交友等功能。 2.本网站的开发技术有html，css，js等。

1.主要包括CGAN模型定义、数据集定义与加载、模型训练和模型测试4个模块； 2.主要使用python语言和Keras框架进行实现该项目。利用MNIS训练CGAN，经过100个epoch可以生成手写数字图像

1. 使用了yolov3或mediapipe网络，实现3d实时检测 2. 我负责神经网络训练以及调试, 将神经网络应用到实际应用中。 3. 创建qt界面，使应用更加整洁，使用者可以更加便利地使用。

1，按设计者提供的设计图进行100%实现网站交互效果， 2，实现网站优化及视觉效果提升， 3，提高网站的访问性能， 4，各种浏览器的兼容及解决方案， 5，解决各种项目中遇到的难点，怪异问题引起的网站体验差的问题 6，懂得nodejs的后端开发，简单的数据库及接口开发 7，沟通能力较强，了解客户使用习惯

可以通过活动将商家达成异业联盟，商家可以发布视频，携带商品。提供预约等功能。 设计稿地址：https://modao.cc/app/9518ffdb38d5528969398e5c2ba94c3d99ea95c9?simulator_type=device&sticky#screen=sksdz2bq262lm4n 网页后端语言JAVA，技术栈：Spring Boot Jpa，JWT、Spring Security、Redis 网页前端（管理端）：Vue、elementUI 小程序前端：uni

该项⽬主要是通过GAN和域⾃适应来来辅助完成机场机坪⻋辆检测，进而克服机场机坪数据严重缺少标签难 题，并适应因光照和照明灯光变换带来的场景变化。主要⼯作如下： 1. ⾸先在YOLO v3的基础上添加两个⼤尺度特征的预测分⽀，并在5个预测分⽀的上加⼊SPP模块形成 YOLO-SPP5，在训练中使⽤CIOU Loss和Focal Loss。在⽩天机坪场景数据集上达到了78.68%的 mAP。在YOLO-SPP5的基础上利⽤DarkNet-53提取得到的特征利⽤梯度反转层构建与分类器形成DAYOLO-SPP5。同时利⽤CycleGAN实现数据重建，构造⽬标域假图共享源域标签。训练过程中⽩天机坪数 据使⽤⽬标检测标签，夜晚数据则不⽤，在夜晚机坪数据集上达到了81.61%的mAP，该部分的⽹络架构 及其整体思路与ICIP2021（CCF C类会议）论⽂Multiscale Domain Adaptive YOLO for CrossDomain Object Detection基本⼀致； 2. 针对YOLO-SPP5检测速度较慢和CycleGAN图像转化质量不⾼的缺点，在YOLO-SPP5的Da