系统实现了一个完整的黑盒对抗攻击检测与防御展示平台。用户可以在前端选择CIFAR-10+ResNet-18或TinyImageNet+EfficientNet-B0实验组合，配置黑盒攻击方法、防御方法、查询场景、查询预算、样本数量和检测阈值。系统支持HSJA、NES、SimBA、BA、Sign-Op

包括数据集制作，图像预处理，数据标注；算法设计，包括算法搭建，参数微调；模型训练，在超算平台上提交训练任务，训练后获取模型权重；在验证集上测试效果并改良模型；将模型封装为软件。主要功能为实现了端到端的图像检测与识别功能，将图像输入模型后即可输出检测结果。

本预测体系由三层结构化模块构成。数据准备层通过Python爬虫定向抓取2016Q1至2025Q3的财务三表数据，构建分赛道季度收入拆分方法与事件哑变量体系。LayerA驱动型基线模型采用“赛道拆分+业务量×变现率”框架，对智慧教育、开放平台、智慧城市、其他四大业务分别建模，辅以均值回归毛利率与历史中

DockerCompose封装GPU推理环境，支持WindowsWSL2显卡直通，一键完成CUDA、模型依赖部署；基于PyTorch实现5款量化大模型串行批量推理，内置显存自动回收逻辑，；导入自定义Prompt集合自动生成全部模型回答，导出可编辑Excel打分表；标准化0/1/2人工打分、双层质检，

模块一：鸟类检测引擎基于YOLOv8/YOLOv11深度学习模型，支持对图像和视频流中的鸟类进行实时检测。•支持预训练COCO权重（通用鸟类检测）和自定义微调模型（特定物种识别）•GPU加速推理，单帧检测耗时

数据预处理模块 全量8个CSV文件合并→缺失值中位数填充（按类别分段）→Z-score标准化（fitontrain）→7:3分层划分；模型训练模块 PyTorch从零搭建CNN-1D和LSTM；两层评估模块第一层：Binary检测（异常vs正常）—Precision/Recall/F1；第二层：五分

设计分阶段课程学习与⾃动切换策略，提升⻓周期训练稳定性并降低策略震荡⻛险。构建Sim2Real接⼝与并联映射能⼒，完成⼯作空间惩罚与动作低通滤波，为控制侧联调提供稳定输入。⽀持⻓周期训练、断点恢复与回归验证。打通模型管理与ONNX导出链路，为C++侧推理部署与跨平台集成提供标准模型接⼝。

1.悬浮ai助手：可在任何软件上层与ai聊天，让他帮你读屏操作手机，ai的每一步操作都会显示在屏幕上；2.技能配置：这里面有技能市场，可以让用户下载别的用户分享的技能，还有技能制作页，这里有完整的一套制作，可以用画布编辑，可视化编辑，不是纯文本编辑，非常适合用户上手制作技能。技能制作主要用于让ai在

本项目面向城市环境声音识别场景，可用于智慧城市噪声监测、公共安全辅助感知、音频内容分析等业务。系统以UrbanSound8K数据集为基础，对城市中常见的环境声音进行自动分类，例如空调声、汽车鸣笛、儿童玩耍、狗叫、钻孔、发动机怠速、枪声、破碎机、警笛和街头音乐等。项目解决了传统人工听辨效率低、主观性强

整体架构可以理解成一个典型的“云端训练+本地推理部署”的混合系统。训练阶段，所有模型（YOLOv8、YOLOv26、ResNet、MobileNet）都在Python环境里完成训练和评估，并且统一用同一份数据集和相同的数据划分方式，保证对比结果公平。训练完之后，最优模型会被导出成部署格式（比如TFL