[公开]双高计划智慧健康养老服务与管理专业群建设-专业群课程建设02包中标公告
中标评审分析官方公示数据
中标原因深度分析独家解读
131/Deep-Learning-And-Reinforcement-Learning-Projects
/Project2/Model/Model.py
#!/bin/bash
# This script is used to run the training process for the model.
# Get the name of the model
model_name=$(python -c 'import Model; print(Model.__name__)')
# Get the file path of the model
model_file_path=$(python -c 'import Model; print(Model.__file__)')
# Run the training process
python $model_file_path --model_name $model_name --epochs 5 --batch_size 32 --learning_rate 0.001 --optimizer "adam"
/Project1/Project1.py
#!/bin/bash
# This script is used to run the training process for the model.
# Get the name of the model
model_name=$(python -c 'import Model; print(Model.__name__)')
# Get the file path of the model
model_file_path=$(python -c 'import Model; print(Model.__file__)')
# Run the training process
python $model_file_path --model_name $model_name --epochs 100 --batch_size 32 --learning_rate 0.001 --optimizer "adam"
/Project2/Model/__init__.py
#!/bin/bash
# This script is used to run the training process for the model.
# Get the name of the model
model_name=$(python -c 'import Model; print(Model.__name__)')
# Get the file path of the model
model_file_path=$(python -c 'import Model; print(Model.__file__)')
# Run the training process
python $model_file_path --model_name $model_name --epochs 5 --batch_size 32 --learning_rate 0.001 --optimizer "adam"
/Project1/__init__.py
#!/bin/bash
# This script is used to run the training process for the model.
# Get the name of the model
model_name=$(python -c 'import Model; print(Model.__name__)')
# Get the file path of the model
model_file_path=$(python -c 'import Model; print(Model.__file__)')
# Run the training process
python $model_file_path --model_name $model_name --epochs 10 --batch_size 32 --learning_rate 0.001 --optimizer "adam"
/Project2/Model/MobileNetV2.py
from torchvision.models import mobilenet_v2
import torch
import torch.nn as nn
from torchvision.models.mobilenet import Conv2dSame
class MobileNetV2(nn.Module):
def __init__(self, num_classes=1000):
super(MobileNetV2, self).__init__()
self.mobilenet = mobilenet_v2(pretrained=True)
self.mobilenet.classifier = nn.Sequential(
nn.Dropout(0.2),
nn.Linear(1280, num_classes),
)
def forward(self, x):
return self.mobilenet(x)
/Project2/Model/ResNet.py
from torchvision.models import resnet18
import torch
import torch.nn as nn
class ResNet18(nn.Module):
def __init__(self, num_classes=1000):
super(ResNet18, self).__init__()
self.resnet = resnet18(pretrained=True)
self.resnet.fc = nn.Linear(512, num_classes)
def forward(self, x):
return self.resnet(x)
/Project2/Project2.py
#!/bin/bash
# This script is used to run the training process for the model.
# Get the name of the model
model_name=$(python -c 'import Model; print(Model.__name__)')
# Get the file path of the model
model_file_path=$(python -c 'import Model; print(Model.__file__)')
# Run the training process
python $model_file_path --model_name $model_name --epochs 100 --batch_size 32 --learning_rate 0.001 --optimizer "adam"
/Project1/Model/Model.py
from torchvision.models import resnet18
import torch
import torch.nn as nn
class ResNet18(nn.Module):
def __init__(self, num_classes=1000):
super(ResNet18, self).__init__()
self.resnet = resnet18(pretrained=True)
self.resnet.fc = nn.Linear(512, num_classes)
def forward(self, x):
return self.resnet(x)
/Project2/Model/MobileNetV2.py
#!/bin/bash
# This script is used to run the training process for the model.
# Get the name of the model
model_name=$(python -c 'import Model; print(Model.__name__)')
# Get the file path of the model
model_file_path=$(python -c 'import Model; print(Model.__file__)')
# Run the training process
python $model_file_path --model_name $model_name --epochs 100 --batch_size 32 --learning_rate 0.001 --optimizer "adam"
/Project2/Project2.py
from torchvision.models import resnet18
import torch
import torch.nn as nn
class ResNet18(nn.Module):
def __init__(self, num_classes=1000):
super(ResNet18, self).__init__()
self.resnet = resnet18(pretrained=True)
self.resnet.fc = nn.Linear(512, num_classes)
def forward(self, x):
return self.resnet(x)
/Project2/Model/SqueezeNet.py
from
一、项目编号：11000026210200174519-XM001
二、项目名称：双高计划智慧健康养老服务与管理专业群建设-专业群课程建设
三、中标（成交）信息
总中标成交金额：119.765 万元（人民币）
中标成交供应商名称、地址及中标成交金额：
中标成交供应商名称：杭州阔知网络科技有限公司
中标成交供应商地址：浙江省杭州市滨江区长河街道滨安路1186-1 号3 幢12 层1201 室
中标金额：119.765万元
| 供应商名称 | 供应商地址 | 统一信用代码 | 中标金额 | 中标成交备注信息 |
|---|---|---|---|---|
| 杭州阔知网络科技有限公司 | 浙江省杭州市滨江区长河街道滨安路1186-1 号3 幢12 层1201 室 | 913301085930960439 | 119.765 万元 | 评审总得分(综合评分法)： 84.19 分 |
四、主要标的信息
| 供应商 | 商品名称 | 规格型号 | 数量 | 单价 | 总价 | 服务要求 |
|---|---|---|---|---|---|---|
| 杭州阔知网络科技有限公司 | 1 | 119.765万元 | 119.765万元 | 建设智慧健康养老服务与管理专业群培训和课程思政资源，具体包括以下内容：1、养老照护、康复保健、家务料理社会培训特色资源开发1 项；2、职后培训课程开发1项；3、《整理收纳》课程思政资源开发1项等。 |
合同履行期限：自合同签订之日起至2026年11月30日前完成并交付全部内容。
五、评审专家（单一来源采购人员）名单：
赵丹、李学礼、王志芳、金荣莹、杨洪义
六、代理服务收费标准及金额：
本项目代理费总金额：1.658120万元（人民币）
本项目代理费收费标准：
详见招标文件
七、公告期限
自本公告发布之日起1个工作日。
八、其它补充事宜
1.成交服务费缴纳账户
开户名（全称）：北京宏信天诚国际招标有限公司
开户银行：北京银行股份有限公司清华园支行
账号（人民币）：20000062274900106153382
2.财务邮箱：hxtccw@126.com
九、凡对本次公告内容提出询问，请按以下方式联系。
1.采购人信息
名 称：北京劳动保障职业学院
地址：北京市昌平区南口路32号
联系方式：杨老师,80114089
2.采购代理机构信息
名 称：北京宏信天诚国际招标有限公司
地 址：北京市海淀区复兴路乙12号中国铝业大厦11层1110室
联系方式：郝路、闫文娟、吉国侠、吴众为、成歌、刘京、修海龙、孙银英、赵洁、陈博维、姬小雪、王思晨、王东衍、刘海英、孙佳、黄艳、彭怡，010-63974645；010-63977798
3.项目联系方式
项目联系人：郝路、闫文娟、吉国侠、吴众为、成歌、刘京、修海龙、孙银英、赵洁、陈博维、姬小雪、王思晨、王东衍、刘海英、孙佳、黄艳、彭怡
电 话： 010-63974645；010-63977798
【定稿】IZ1284-02【公开】双高计划智慧健康养老服务与管理专业群建设-专业群课程建设-培训与思政20260617.docx
数据来源：查看官方原文 | 发布日期：2026-07-01