Python

项目主要通过scrapy进行采集，redis作为中间件存储任务队列，写入json文件，通过脚本读取json文件入库mysql 本人负责该站点从0到1的采集开发，开30个进程可达到日入20W的数据量。 其中的主要难点在于列表页的采集存在极验3的滑块验证，通过逆向，轨迹模拟等破解W参数加密最终拿到数据

大事件系统是为业务服务侧(使用方)，提供服务监控数据可视化以及总览看板，且定制 化合理化的为使用方提供扩缩容服务，以及流程的可视化，且确保资源回收，当扩容出现失 败时候。大事件系统提供告警信息。

本项目旨在开发一种基于脑电图（EEG）、语音和面部信息等生理信息的更准确的多模态情绪检测方法，以提 高心理健康领域诊断和治疗的可靠性。目前项目进展到参考论文代码复现阶段，采用FOCAL框架进行多模态融 合。后期将针对脑电与语音模态对代码进行修改，重新训练模型。

通过RPA机器人开发专家级认证。 使用自制机器人API执行业务逻辑机器人。 开发过程中，对数据处理使用Python脚本，保持开发代码清晰易懂。 运维近50个已有的RPA流程，查看错误日志进行排错，修复机器人运行逻辑，重新捕捉元素等，保证其正常运行。

背景:23年5月，DeepMind和Meta的三位前员工在巴黎共同创立了Mistral AI 23年9.27，他们发布了第一个基座大模型，即Mistral 7B，共73亿参数 模型对比: 在所有基准测试中跑赢 Llama 2 13B 在推理、数学和代码生成方面中优于 Llama 1 34B 在代码上接近 CodeLlama 7B 性能，同时保持良好的英语任务 主要方面： 使用分组查询注意力 （GQA） 加快推理速度，还减少了解码期间的内存需求 使用滑动窗口注意力 （SWA）有效地处理任意长度的序列，同时降低推理成本。 位置编码方面RoPE)采用绝对位置编码的形式 实现相对位置编码 其他： 预填充与分块：减少重复运算 滚动缓冲区缓存(Rolling Buffer Cache)：固定的注意力长度意味着可以使用滚动缓存来限制的缓存大小 检索增强生成（RAG），它融合了大语言模型中的检索（retrieval）和文本生成（text generation）功能。这种方法将从庞大语料库中获取相关文档片段的检索系统，与根据检索信息生成答案的大语言模型配对使用。 我们将使用 2023 年 12

该项目主要分为数据训练模块、写作优化模块和前端展示模块。使用者可以通过输入关键词或主题，利用AI写作功能快速生成文章内容；同时，AI算法对写作内容进行优化，提高文章质量和观赏性。前端展示模块通过VUE3框架实现了用户友好的界面，使用户能够方便地使用这些功能。 我负责项目的整体设计和架构搭建，使用了lamma大模型进行数据训练，基于spring全家桶搭建了底层Java开发环境。最终，项目成功实现了AI写作和写作优化功能，提供了一个高效、智能的写作工具给用户。 项目中的难点主要是数据训练和写作场景优化的算法设计。为了解决这些难题，我深入研究了lamma大模型的使用方法，结合领域知识进行数据处理和训练；同时，我与团队合作，持续优化写作场景，不断改进算法，确保最终实现了用户满意的成果。

将YOLOV4、YOLOv5、YOLOWorld、Ultralytics-YOLOv5、Ultralytics-YOLOv8、GroundingDINO这些常用的目标识别神经网络，通过WEBUI展现在界面上。 开发者可以通过鼠标点击上传模型，上传图片的方式去查看模型效果。 项目后端涉及到python语言，主要使用fastapi作为web框架。 对于模型卸载功能，最新的5.0版本下使用了multiprocessing的方式进行动态加载卸载，可以解决常用的卸载方式下显存无法完全释放的问题。 前端则是由本人进行美工设计，并完成html+css+js的前端开发。

该项目是对全国律师事务所的采集 负责项目从0-1的开发，任务存放在redis队列中，通过playwright框架采集律师事务所的数据。 难点在于该站点存在多个滑块以及字体加密。通过自动化框架采集。

1、完成app重0到1项目架构 2、高并发情况下，大量的线程创建和销毁导致资源的浪费，在项目中 引入线程池，针对不同的服务设置不同的线程池参 数，最大限度减少资源损耗

企业内部系统 后端采用Django+MySql 部分业务由于变化较多采用MongoDB存储 前端采用uniapp开发，发布到Android APP+小程序发布

1. 功能模块： （1）登录注册模块 （2）图片识别模块 （3）问题反馈模块 2. 负责全部的模块。使用Python Web框架Tornado做后端服务，Html5, CSS, JavaScript前端，MySql数据库。PyTorch训练模型。

该项目分为3部分：股票信息的采集，指标计算，提示用户股票价格浮动异常； 我主要负责编码实现，按照产品文档实现对应功能；

mvn 对战是一个根据仿真飞机数据来控制飞机展示飞机协同作战的一套软件系 统，系统主要包括前段 2D UI pygame 和 thinker 组成的数据展示和指令下发的前端服务， 以及后端服务，后端服务包括 仿真战场模块，对局指令处理模块，飞机指令处理模块，飞 机算法模块，c++与 python 接口协议通信。

数据库开发和使用,Python作为数据科学主流语言,被广泛用于数据读存、处理、分析、建模,可以说是无所不能.Python是是一种多用途，高级别，面向对象，交互式，解释型和对用户非常友好的编程语言。交互模式是Python shell的一项功能，可为您在控制台上输入的每条语句提供即时反馈。Python有一个简单的编码风格，很容易用一点知识和正确的工具来捕捉。

基于Python语言、QT框架实现的游戏自动回血回蓝辅助。 通过抓取游戏画面进行处理进而识别角色血量蓝量，自动补给。

用户通过 ci-manager 服务配置搭建流水线，设置配置文件，根据配置文件中的需求，进行 构建，处理得到用户需要的结果，进行后续发布。补丁方面，当最新发布版本与其他部件不 适配时，需要回退到某个代码节点，工具节点，针对这种情况，用户可以合理修改配置文件， 完成特殊构建任务

统一存储为国产化版本的智能存储引擎，基于 glusterfs 文件系统实现文件、对象、的 一个存储服务。其包含资源池管理，安全组管理，磁盘管理，卷管理，共享服务管理、多元 化存储机制。其支持 cifs、nfs、s3、iscsi 等共享协议，实现了 nas 网络共享和 san 共享等 多元存储方式。

基于微信小程序平台的跑腿服务应用，旨在为用户提供便捷的本地跑腿服务。用户可以通过小程序快速下单，预约附近的跑腿人员进行商品购买、配送或其他本地服务。 主要功能： 用户下单： 用户可以轻松填写所需商品的详细信息，指定购买地点，并下单。 跑腿接单： 跑腿人员可以在小程序中看到附近的订单，并选择接单。 实时跟踪： 用户可以实时查看跑腿人员的位置和订单状态。 订单管理： 用户和跑腿人员都可以查看和管理历史订单。 支付结算： 支持微信支付，确保交易安全便捷。 特点： 便捷性： 借助微信小程序，用户无需下载安装额外的应用，即可快速使用服务。 高效性： 通过GPS定位和订单匹配算法，实现跑腿人员与用户之间的快速连接。 安全性： 采用微信支付，提供安全的支付环境，保护用户资金安全。 目标用户： 本地居民、上班族、学生等需要便捷跑腿服务的用户群体。

G4F库+前端+控制台 对话前端：原生JS+axios 控制台：React+Ajax 控制台后端：Flask+MongoDB+MySQL+Redis 实现近50个不同的GPT模型和数十个AI提供商的调用和使用

背景:23年5月，DeepMind和Meta的三位前员工在巴黎共同创立了Mistral AI 23年9.27，他们发布了第一个基座大模型，即Mistral 7B，共73亿参数 模型对比: 在所有基准测试中跑赢 Llama 2 13B 在推理、数学和代码生成方面中优于 Llama 1 34B 在代码上接近 CodeLlama 7B 性能，同时保持良好的英语任务 主要方面： 使用分组查询注意力 （GQA） 加快推理速度，还减少了解码期间的内存需求 使用滑动窗口注意力 （SWA）有效地处理任意长度的序列，同时降低推理成本。 位置编码方面RoPE)采用绝对位置编码的形式 实现相对位置编码 其他： 预填充与分块：减少重复运算 滚动缓冲区缓存(Rolling Buffer Cache)：固定的注意力长度意味着可以使用滚动缓存来限制的缓存大小 检索增强生成（RAG），它融合了大语言模型中的检索（retrieval）和文本生成（text generation）功能。这种方法将从庞大语料库中获取相关文档片段的检索系统，与根据检索信息生成答案的大语言模型配对使用。 我们将使用 2023 年 12