sina sae上布署thinkphp时瀑布流失效

哈工大csdn俱乐部 2015-08-13 10:39:27

我用的是thinkphp 3.1sae版本，然后瀑布流部分用的是官网原生的。本地测试正常的瀑布流在上到sae后就失效了。求助。。。

...全文

222 3 打赏收藏举报

写回复

3 条回复

切换为时间正序

请发表友善的回复…

发表回复

哈工大csdn俱乐部 2015-08-13

打赏
举报

回复

引用 1 楼 fdipzone 的回复:

你要检查是php问题还是js问题。

同样的版本，本地测试完全ok啊

哈工大csdn俱乐部 2015-08-13

打赏
举报

回复

引用楼主 hitcsdn 的回复:

我用的是thinkphp 3.1sae版本，然后瀑布流部分用的是官网原生的。本地测试正常的瀑布流在上到sae后就失效了。求助。。。

同样的版本，本地测试完全ok啊

傲雪星枫 2015-08-13

打赏
举报

回复

你要检查是php问题还是js问题。

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。

内容概要：本文提出并实现了一种基于Transform-KAN混合架构的电力负荷预测模型，旨在通过融合Transformer在长序列建模中的注意力机制优势与Kolmogorov-Arnold Network（KAN）在函数逼近方面的高精度非线性拟合能力，显著提升负荷预测的准确性与鲁棒性。研究系统阐述了模型的整体结构设计、输入特征工程、训练流程及关键超参数配置，并利用真实电力系统历史数据进行多步预测实验，验证了该方法在处理非线性、非平稳负荷序列时的优越性能。重点探讨了新型神经网络结构在时间序列预测任务中的创新应用，为复杂电力系统负荷的精准预估提供了有效的技术路径。; 适合人群：具备一定编程基础和机器学习知识，从事电力系统、能源管理或时间序列预测相关研究的研发人员，尤其适合工作1-3年希望深入理解前沿预测模型的技术人员。; 使用场景及目标：①应用于电网调度、能源管理系统中对未来电力负荷的精确预测；②探索Transformer与KAN等新兴神经网络模型在实际工业场景中的融合设计与实现方法；③为学术研究提供可复现的高性能负荷预测基准方案。; 阅读建议：此资源以Python代码实现为核心，强调理论与实践相结合，建议读者在学习过程中仔细研读模型架构细节，动手运行并调试代码，结合实验结果深入理解各模块的作用与优化策略，从而全面掌握该先进预测方法的设计精髓。

4,250

社区成员

4,522

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章