机器深度学习

从零构建一个全新的、与现有所有AI架构无关的类脑认知系统。不预设任何功能模块，模拟大脑皮层的Pr-Al分子梯度轴，让网络在与环境和任务的交互中自发分化出不同功能区域。核心创新创新 说明 人脑对应层级预测编码 4层网络，每层独立预测，预测误差驱动学习 皮层分层结构（V1→V2→V4→IT）Pr-Al功

#ClassificationPost-ProcessingforHawk##OverviewAgenericONNXclassificationblockthatrunsafteranomalydetectioninHawk'spost-processingpipeline.Itclassifie

本项目是一个基于KaggleNotebook开源的深度学习实验项目，主要围绕ABNetwork与TransformerBase等模型方案进行训练效果对比与验证。项目包含数据读取与预处理、特征整理、模型构建、训练参数配置、实验过程记录、指标评估与结果比较等模块，能够用于复现实验流程、分析不同网络结构的

–使用Pandas,NumPy和TensorFlow/Keras构建端到端分类模型，预测泰坦尼克号乘客的生存情况。–进行了全面的探索性数据分析(EDA)和特征工程（处理缺失值、编码性别/登船港口/舱位等级），并使用Matplotlib和Seaborn可视化了关键生存因素。–通过Gemini辅助的超参

项目简介：本项目是一个基于本地大模型的智能文档问答系统。你可以上传自己的文档（目前仅支持txt文件），大模型将会根据文档内容回答你的问题。整个过程完全在本地进行，无需联网，保障隐私安全。核心功能：-文档上传与管理：支持上传'.txt'文件，并自动构建数据库。-智能问答：你可以显式指明"根据文档内容进

基座冻结训练：冻结大模型基底权重，仅开放部分参数参与训练，降低显存开销，避免通用能力灾难性遗忘。LoRA参数微调：使用低秩矩阵对模型做垂直微调，定向学习计算机学术论文句式与专业术语，强化学术翻译精度。模型指针调用：设计模型权重指针映射，动态指向微调后的LoRA分支与原始基座分支，按需切换推理权重。R

1.数据加载与预处理模块功能：读取JSONL格式的原始评论数据，提取评论文本和评分。关键步骤：将评分1–2星映射为“负面”（negative），3–5星映射为“非负面”（non-negative）。进行文本清洗（如正则匹配单词、去除标点）。计算文本统计特征（词数、句长、词频、词汇量等）。生成词云等可

Aprogramaimstorecognizethemodelofcivilairlinersthroughtheirside-lookingpictures常见民航客机识别程序（主要识别侧视图片）首先使用yolo算法实现飞机定位和裁切，通过引入注意力通道的卷积神经网络实现细粒度的飞机型号分类。

合作开发前端+独立研发后端，分为前端捕获、后端跨语言多架构模型融合深度学习处理识别和Windows自动登录验证三大模块,主要为不支持windowsHello摄像头的电脑提供快速便捷而准确的人脸识别解锁电脑,详细请加QQ:1790070573细聊.

该项目主要探索多维的Tensor在CPU上实现快速的矩阵运算等，功能实现涵盖了自定义内存配置器Allocator，createTensorOne，createTensorZero，createTensorRand，cat，normalize，selectSet，selectGet，toString，

Myolotrain是一个可视化管理yolo视觉模型训练的系统，为计算机视觉任务提供了直观的图形界面。该平台集成了在线标注、数据集管理、模型管理、训练管理和目标检测功能，支持windows、linux、docker等多种部署方式，使用户能够轻松地训练和部署YOLOv8模型，支持CPU和GPU，使用t

基于StableDiffusion开源接口构建的AI视觉创作平台，在交互与功能层面实现全链路优化：前端采用Vue框架打造直观流畅的操作界面，用户可轻松完成参数配置、模型选择与生成预览；模型应用支持双模式——既提供经过性能优化的系统预置模型，满足快速出图需求；也开放用户自定义训练通道，允许上传专属数据

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

实时语音识别 (Real-time Speech Recognition): 能够捕捉麦克风输入，并将用户的语音实时、准确地转换为文本。 自然语言理解 (Natural Language Understanding - NLU): 分析转换后的文本，理解用户的意图和关键信息（例如指令、询问的对象、参数等）。 对话管理 (Dialogue Management): 在多轮交互中维护对话状态和上下文，使对话更加连贯自然。 任务执行与技能调用 (Task Execution & Skill Invocation): 根据理解的用户意图，执行相应的操作，例如： 信息查询: 获取天气预报、时间、百科知识、新闻等。 媒体控制: 播放/暂停音乐、调整音量。 简单助理任务: 设置提醒、创建待办事项。 语音合成 (Text-to-Speech - TTS): 将助手的文本回复通过 edge-tts 转换成清晰自然的语音进行播放。 Web 界面交互 (Web Interface Interaction): 提供一个用户友好的网页界面，可以： 显示语音识别的文本和助手的回复。 允许用户通过文本输入与助手交互。 (可能) 展示图片、链接等多媒体信息。 多模态反馈 (Multimodal Feedback): 结合语音、文本以及可能的视觉元素（在Web界面上）来呈现信息和交互结果。 图像分析(Image Analysis): 可以通过pygame.camera调用摄像头或者截图当前页面，并与llm互动获取想要的信息 剪切板提取(Clipboard Management): 可以通过pypercli获取剪切板中的文本内容并自动判断是否需要进行执行 上下文管理(Context management): 通过EnhancedConversationContext类管理对话记录，支持记住或者遗忘特定信息，根据相似度判断是否清除旧的上下文，能够根据对话历史生成更相关的回复 日志记录(Logging): 使用rich库美化日志输出，并将日志保存到文件中 网页搜索(Search): 使用DuckDuckGo搜索用户指定的内容，并返回搜索结果摘要

项目技术：数据增强（镜像反转、左右各旋转30度、增加噪点、MSRCR处理光线）、迁移学习、ReduceLROnPlateau缩小学习率、Xception/InceptionResNet-V2特征融合 项目成果：从Kaggle中获取999条数据，采用迁移学习及微调模型比较多个深度学习模型的准确率后，得到Xception模型最高仅为95.6%，对模型进行特征融合，模型准确率提升至98.4%

项目技术：随机森林、LSTM、SVR 项目成果：总计1825条数据20个特征，构建了4个新特征总计24个特征，绘制饼状图、箱形图等对特征选择并比较不同特征效果，随机森林、SVR采用R2、MAE、MSE评估指标，LSTM采用MAE、MSE评估指标，比较两个模型的结果后，最终采用LSTM模型，MAE与MSE分别为0.01416，0.0026

项目内容：使用k-prototypes聚类方法对好大夫在线网站获取的医生数据进行分析，构建用户画像分析互联网医疗行业的分级诊疗情况。 项目技术：Scrapy爬虫、SWOT分析、哈工大LTP分词、K-prototypes聚类、PCA/t-sne降维可视化、构建用户画像、文献调研 项目成果：根据2952447条数据29个特征建立模型，识别8类核心用户群体，为互联网+医疗促进分级诊疗制度的实施提供数据支持

传统视频特征提取高度依赖领域知识，切鲁棒性差，泛化能力也不够。深度学习的方法通过多层非线性变换，从原始数据中学习层次化的特征表示，从而实现更准确、更鲁棒的特征提取。操作步骤如下： (1)对原始短视频做简单的预处理,使用FFmpeg工具快速将视频按照帧抓取图片; (2)依照准确率和时间的需求决定输入模型的图片的数目N,以相等的间隔均匀地从所有图像中抽取输入图像,组成一段有序的输入帧,并剪切成224像素×224像素的大小; (3)将步骤(2)中处理好的图片输入二维卷积神经网络,输出浅层特征表示图; (4)将步骤(3)的输出结果,输入伪三维卷积神经网络,进行时间信息和高维空间信息学习.

项目介绍 silc-client 是一个基于 Vue 3 + TypeScript 构建的现代化前端应用项目。该项目使用了最新的前端技术栈，提供了一个响应式、高性能的用户界面。 技术栈 框架: Vue 3.5.13 (Composition API) 语言: TypeScript 5.8.0 构建工具: Vite 6.2.4 状态管理: Pinia 3.0.2 路由: Vue Router 4.5.0 UI组件库: Element Plus 2.9.9 图表库: ECharts 5.6.0 HTTP客户端: Axios 1.9.0 工具函数: Lodash 4.17.21 日期处理: Day.js 1.11.13 项目特性 ? 基于 Vue 3 Composition API 的现代化开发体验 ? 使用 Element Plus 提供的丰富UI组件 ? 集成 ECharts 支持数据可视化 ? 使用 Pinia 进行状态管理 ?️ Vue Router 实现单页应用路由 ? TypeScript 提供类型安全 ⚡ Vite 提供快速的开发服务器和构建

词袋模型只考虑是否出现，而不考虑词与词之间的顺序，导致文本中很多语义关联的丢失。 本项目用Dirichlet分布α中取样生成文档di的主题分布θi(主题分布θi由超参数为α的Dirichlet分布生成)，从主题的多项式分布θi中取样生成文档di的第j个词的主题z(i,j),并将其对应的词语分布∳(z,j)由参数为β的Dirichlet分布生成，依次作为一个词是否出现在前一个词的概率。 该项目简化了语料库或数据框与大语言模型（LLMs）的对接过程，通过确定最佳主题数，支持文本分类、摘要生成、评分以及分析等多种任务。