深度学习

本项目是一个面向计算机视觉领域的算法库，聚焦于图像分类任务，旨在为科研开发者提供简洁、可复用的模型实现与实验基础。其主要功能模块包括：核心模型集：提供多种经典卷积神经网络实现，包括LeNet、AlexNet、VGG、GoogLeNet、ResNet、Inception系列、DenseNet等，涵盖从

1.支持实时的对话服务(Real-timeCrawlerIntegration)功能描述：对话系统不再仅限于其内置的静态知识。当用户的提问涉及最新事件、实时数据或特定网站内容时，系统可通过集成的实时服务，动态地从互联网上获取最新信息。价值：彻底解决了大模型知识陈旧、无法回答时效性问题的痛点，使服务能

利用pytorch训练图片集，模型选用mobilenet，识别率95%以上。结合yolov8使用预训练模型，可视频动态识别物品的材质。yolo可以自己搜集图片集训练自己的模型

项目包含多个核心功能模块：基础LSTM模型、BayesianLSTM模型和ResNet-LSTM混合模型，每种模型针对不同复杂度的文档格式识别任务提供最佳解决方案。主要功能包括：1)支持对docx文档中商务标部分的文本序列进行建模分析，将文档内容转换为适合深度学习模型的输入格式；2)提供多种损失函数

1.项目目标： 根据已有的历史功率+天气数据和未来几天的天气预报数据，预测未来超短期/短期/中长期的功率曲 线，尽可能高的提高预测精度和稳定性。 2.我的职责 作为项目负责人和人工智能算法工程师，我负责整个预测功能模块的开发和部署。 其工作内容包括： a.根据业务需求，设计算法模块整体架构和策略，用数学描述业务优化目标； b.数据接口的分析和数据的获取; c.数据的分析/清洗/可视化/融合/特征工程(pandas), eg. 相关性分析，分布分析，空缺值/越限值/离群值的处理，负荷和天气数据的拼接，时间戳补全，时间离散化，特征筛选，新特征构造等等; d.数据集的划分和模型评估方法(十折交叉验证+mse+mape+std); e.多模型的训练/测试/调参/比对/部署(eg. 机器学习算法 xgboost+KNN+LR ，深度学习算法 LSTM+Transformer+CNN ,自动化调参使用 optuna ，通过 matplotlib 误差分布分析，通过 conda或 docker在 linux 服务器上进行部署); f.整体策略的回测、评估和优化 g.代码版本管控(本地服务器+git); 3.目标及达成情况: 母线负荷预测精度＞97.5%,光伏出力预测精度＞90%,风电出力预测精度＞70%,当然具体取决于数据的质量和数量。 在浙江/江苏等多个城市的电力调度中心部署应用，运行情况良好。 南方电网新能源智慧平台全行业（国能、金风、远景等新能源厂家 pk ）排行榜第1 4.技术适用范围 可以提供主流机器学习、深度学习算法框架完成任何行业有一定数量数据的分类和回归任务

软件主要包括视觉算法模块、人机交互局模块、通信模块，软件主要功能是实现换向器表面缺陷的视觉检测 本人主要负责上位机软件开发和部分视觉检测算法的开发和部署 主要难点：视觉算法调试

文本检测： CTPN：核心思想是将图片按宽度为16像素分成很多个小格，检测每一个小格中是否包含文本，同时预测文本的高度和宽度。最后将多个检测结果融合，形成最终的文本框。CTPN缺点:对于倾斜和弯曲的文本检测效果很差，这个是因为模型自身的原理决定，很难通过训练解决。 CRAFT：可以识别任意角度的文本，而且可以给出图片中每一个像素为文本的置信分。在深度学习的OCR文本检测中，有一个很大的痛点就是在图片里有比较大的文本和比较小的文本的时候，小文本容易被漏检，这是因为采用了类似region proposal原理的算法（比如CTPN），很难通过调参或者数据集解决。而Craft由于是像素级别的预测，在这方面有天然的优势，不会漏检图片中的小文本。 Seglink：在CTPN基础上进行改进，利用开源项目测试了一些比较模糊的图片，发现效果不是很好，暂时没有深入研究，从论文的结果来看，在复杂场景下的识别效果要好于CTPN。 EAST：在Seglink基础上的改进算法，在识别倾斜和弯曲文本的效果上比较好 文本识别： CNN+RNN+CTC：其中CNN用于提取图像特征，RNN在CNN提取特征的基础上，通过双向LSTM提取相邻下像素之间的特征，最后CTC用于计算损失函数。 CNN+Seq2Seq+Attention：引入了attention机制，通过开源项目的测试，效果相当好 keras开源库：实现了文字检测和文字识别的整合，其中文字检测用的是CRAFT，文字识别用的是CRNN

该项目的目的是通过人体表面肌电信号识别特定手势，数据来源于kaggle平台的公开数据集EMG Signal for gesture recognition，其中的数据来自不同的用户，每条数据的核心信息为8个channel。 训练过程中，使用2个卷积层提取特征，再经过2个GRU层，最后进行全连接。此外，训练集中的肌电信号被录者不会出现在测试集中，即训练集与测试集的用户不同。经测试，未经过针对某特定用户进行训练所得到的预训练模型，最终的正确率大约在85%左右，而针对特定用户训练后，模型正确率可达98%以上。

1.假设句向量之间的相似度可以用数值来衡量，其中1表示十分相似，0表示完全不相似。 2.本项目可以直接优化句向量在文本相似度的性能 2.例如，我喜欢你，该句向量化为x1。我和你聊得来，该句向量化为x2，现有的模型计算相似度为0.8，而人类认为的真实相似度为0.61，模型计算结果偏高，则利用本文的方法为0.72.

本项目应用FasterRCNN网络，实现了高速公路在某一个时间段内的过往车辆识别，并通过回归计算，预测高速公路上堵车的情况

该项目是基于华为昇腾服务器设计的一个全天铁路场景异物智能检测系统，该项目实现了对前端发送报警图片的处理：主要包括图片前处理，模型推理，图片后处理；同时基于Flask框架实现对处理结果的返回。本人只要负责深度学习模型修改，模型转换，网络微调，Web应用程序框架编写。

该项目主要是在信访投诉举报场景下，对群众诉求概要提取，自动比对、智能分类和智能分派： 1.群众诉求概要提取:对群众的网上、来信、来电、来访等4类信访形式提出的具体 诉求内容进行概要提取，概括的内容简洁明了、语义通顺并能保持原意，让业务员快速 理解信访件内容。 2.信访件信息自动比对:使用合理的算法对诉求内容等信息进行相似度判别，辅助 业务员对重复信访件的判别。 3.智能分类:通过对信访件诉求的意图分析，按照目前信访的4级分类标准，智能 判断信访件所属分类。 4.智能分派:根据智能分类结果及问题属地等信息自动为信访件选择转送相应的事 权单位。

深度学习和自然语言处理技术，我们将改进搜索算法和模型，以提供更精准的搜索匹配和更好的用户体验。 项目的关键目标之一是改进搜索结果的相关性和排序。使用DeepQA技术，我们将利用大规模数据集进行训练和优化，以提高搜索系统对用户查询的理解能力，从而生成更准确、相关的搜索结果。通过深入挖掘文本语义和上下文信息，我们的系统将能够更好地理解用户意图，并提供更贴合用户需求的搜索结果。 此外，我们还优化了搜索系统的速度和效率。通过应用深度学习模型和高性能计算技术，我们将提高搜索系统的处理速度和响应时间，使用户能够快速获取搜索结果。我们将优化系统架构和算法，以提高搜索索引的构建和更新速度，从而保证搜索系统的实时性和准确性。

项目介绍:我设计并开发了一个搜索引擎。该软件可以爬取网络上的网页，并提供网页排序， 和检索功能。 技术栈:Python 项目成果: 1. 使用广度优先算法，对特定 IP 的网站，实现了网络爬虫的功能。 2. 使用 PageRank 算法给网页计算权重。 3. 实现倒排索引，加速信息检索的速度。 4. 根据 TF-IDF 给网页对关键字提供相关度指数。

项目介绍:根据用户的历史电影评分矩阵和用户实时生成的评分，我使用 Spark 设计并开发了一个电影推荐系统。该系统可以给用户推荐高质量的电影，提高用户体验。 技术栈:Scala、Spark、机器学习算法、Kafka、Redis 项目成果: 1. 从 csv 格式数据文件获取数据的的数据预处理功能。 2. 使用 Spark SQL，基于用户评分，评分时间做的统计推荐。 3. 使用 Spark ML 的 ALS 推荐算法做的离线推荐功能和电影特征相似度矩阵。 4. 使用 Spark Streamming、Redis、Kafka 根据用户最近电影评分和电影相似度做的实时推荐功能。 5. 基于电影类型标签，使用 Spark ML 的 TF-IDF 函数和余弦相似度实现的内容推荐功能。

本项目通过textcnn卷积神经网络实现对文本情感分析识别，由python 3.6.5+Pytorch训练所得。 1、 特征提取流程： 主要目的就是把文本转为词向量，建立id对应，因为只有数字才能计算。 2、 模型算法： 使用深度学习模型CNN卷积神经网络提取特征。

分别使用RNN/DNN/CNN实现猫狗图片分类 循环神经网络(RNN)是具有短期能力的神经网络，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构，一般用于处理序列数据。 DNN称为深度神经网络，特指全连接神经网络，也称为多层感知机，由输入层、输出层和多个隐藏层构成。 卷积神经网络最早主要是用来处理图像信息，其准确率一般也远远超出其他的神经网络。

1.实现图像10分类，使用cifar10数据集 2.使用卷积神经网络提取特征，使用全联接网络做分类器，实现图像分类 3.模型取得了良好的效果

1.项目要求实现基于内容的遥感图像检索 2.涉及到深度学习，pytorch的使用，排序算法，是我一个人完成的，首先使用resnet提取特征，然后进行度量学习，将图像特征转化为哈希码，随后通过哈希码的相似度来检索相似的图像。 3.最终模型的准确率，召回率较高，达到了98%

从事计算机视觉算法的设计、开发、验证与论文发表工作。 从事人脸识别算法的工程化工作，实现了人脸验证算法的工程化部署，支持高并发。 精通计算机视觉中 单目标跟踪、人体关键点识别、目标检测、多目标跟踪等算法，并有发表高质量论文的经验。