Python

Python是一门诞生于1991年的高级、解释型编程语言,由吉多·范罗苏姆创造。其核心设计哲学强调代码的极简性和可读性,尤其依赖清晰的缩进来定义代码结构,这使得它语法接近英语,非常易于学习和使用。作为动态类型语言,它为快速开发和原型设计提供了极大的灵活性,并支持面向对象、命令式、函数式等多种编程范式。Python的巨大优势在于其拥有一个由庞大活跃社区支撑的丰富第三方库生态系统(PyPI),覆盖了几乎所有应用领域:无论是Web开发(Django, Flask)、数据科学(Pandas, NumPy, Matplotlib)、人工智能(TensorFlow, PyTorch)还是自动化脚本和系统运维,都能找到成熟高效的工具库。这种“开箱即用”的特性使其成为解决各类实际问题的“瑞士军刀”,兼具强大的功能与简单的语法。
Python语言框架
Python是一门诞生于1991年的高级、解释型编程语言,由吉多·范罗苏姆创造。其核心设计哲学强调代码的极简性和可读性,尤其依赖清晰的缩进来定义代码结构,这使得它语法接近英语,非常易于学习和使用。作为动态类型语言,它为快速开发和原型设计提供了极大的灵活性,并支持面向对象、命令式、函数式等多种编程范式。Python的巨大优势在于其拥有一个由庞大活跃社区支撑的丰富第三方库生态系统(PyPI),覆盖了几乎所有应用领域:无论是Web开发(Django, Flask)、数据科学(Pandas, NumPy, Matplotlib)、人工智能(TensorFlow, PyTorch)还是自动化脚本和系统运维,都能找到成熟高效的工具库。这种“开箱即用”的特性使其成为解决各类实际问题的“瑞士军刀”,兼具强大的功能与简单的语法。
开发组织  吉多·范罗苏姆
系统包含麻将规则环境、自博弈数据生成、PPO强化学习训练、League训练、BehaviorCloning、DAgger、模型评估、ONNX导出以及Android端视觉识别和本地推理等模块。训练系统允许AI通过大量自博弈持续改进策略,并使用独立评估流程比较不同版本模型强度。移动端通过计算机视觉识别牌
150Python人工智能
流程分四步。第一步整理DEM、流域与河道、土壤、植被和雨量,生成训练表并处理缺测。第二步用流域特征训练MLP,一次预测模型所需的所有水文参数,作为无资料地区的初始率定结果。第三步用Kendall相关和随机森林重要度给参数打分,只把得分高的参数送入搜索。第四步在参数范围内调用模拟退火、粒子群和贝叶斯优
1810Python人工智能
服务注册了五个工具。text2sql按库表结构把问题写成PostgreSQL,execute_sql执行并返回结果;data_process读取上传的csv/xlsx并整理成模型输入;common_models按目标变量选择算法,分类用随机森林,回归用线性回归;aircondition_models
1850Python人工智能
系统核心功能:1、使用记录采集与脱敏:自动记录模型输入输出,对敏感信息脱敏后入库,形成使用日志库;2、经验自动总结:定时任务分析使用记录,自动提炼成功经验与失败教训,生成结构化经验条目;3、临时知识RAG:经验条目存入向量库,模型回答时实时检索相关经验作为上下文,临时生效;4、训练微调固化:对高频复
430Python人工智能
系统以人脸视频作为输入,完成视频读取、人脸区域定位与预处理,并通过rPPG模型从面部细微颜色变化中提取生理信号。系统支持模型推理、rPPG波形生成及结果分析,可用于非接触式心率估计,并为后续模型训练、性能评估和算法优化提供完整实验流程。
450Python机器深度学习
平台围绕目标检测模型开发提供数据标注、训练任务编排、训练状态监控、结果分析和智能问答等功能。用户可以在统一界面中完成图像数据整理与标注、配置模型和训练参数、启动训练任务并查看实时日志;训练完成后,可查看模型指标、检测效果及相关结果,辅助定位漏检、误检等问题。平台还集成目标检测领域知识问答能力,用于解
520Python机器深度学习
系统主要包括图像采集、目标检测、关键点定位、相机标定、PnP位姿求解、坐标系转换、姿态角计算及结果可视化等功能模块。通过YOLO模型完成目标及特征关键点检测,根据相机内参与目标三维几何信息建立二维—三维对应关系,采用PnP算法计算目标相对于相机坐标系的三维位置和旋转姿态,并输出X、Y、Z及姿态角等结
670Python人工智能
高维特征提取模块:利用深度学习网络(如3D-CNN、Transformer等)对高光谱影像进行空间-光谱特征联合提取。小样本学习模块:针对标注数据少的问题,引入小样本学习策略,提升模型泛化能力。分类与评估模块:输出地物分类图,自动生成混淆矩阵、总体精度(OA)和Kappa系数等评估报告。
630Python人工智能
系统围绕用户兴趣建模、资源特征分析、混合推荐计算、推荐结果展示及反馈优化构建完整服务链路。用户登录图书馆门户后,可在个人服务区域查看根据其研究方向、资源偏好和历史行为生成的个性化推荐结果,内容可覆盖专业图书、电子资源、课程资料及相关学术内容。推荐页面以书名、封面、作者、出版社和资源类型等信息呈现候选
660Java机器深度学习
系统提供两种互斥的检测模式。检测模式基于YOLO目标检测识别零件状态,通过类别标签自动判断每个工序的OK或NG状态,NG状态具有粘性锁定特性。规则SOP模式基于几何条件判断,结合YOLO目标框和MediaPipe手部关键点,识别取件、检测、放回、限位读取四类工序,其中检测工序支持内窥镜拍照触发,限位
900C++智能硬件
1.多轮智能主循环:意图规划、内容探测、广覆盖检索、立场发现、多辩论收敛,自动决定何时深挖何时终止。2.知识框架沉淀:每轮增量更新话题时间窗、实体、关系、时间线、争议点、子话题与立场分布,并做快照留档。3.多源抓取层:统一编排MediaCrawler子进程(微博/抖音/小红书/B站/快手)、海外X/
590Python人工智能
系统分为普通浏览用户、数据运营人员、系统管理员三类角色。1.普通浏览用户:查看可视化大屏总览,浏览票房统计、影片类型占比、地区上映分布、评分排行等各类图表,筛选基础条件查看对应影视数据。2.数据运营人员:影视数据导入与更新,配置图表展示维度,导出统计报表,设置大屏筛选时间范围、影片分类条件。3.系统
620Python机器深度学习
功能模块:本系统包含三大核心模块。(1)模型训练模块:基于改进型ProGAN架构,支持从4×4分辨率逐级生长至128×128分辨率,采用渐进式训练策略配合平滑过渡机制,实现高分辨率纹理的稳定生成。(2)多类别可控生成模块:支持流动纹理(Flowing)、噪点纹理(Noise)和结构纹理(Struct
600C人工智能
•独立设计并实现一套多智能体(Multi-Agent)协作系统,包含Supervisor、Generation、Reflection、Ranking、Evolution、Proximity、Meta-review共7个专业Agent的编排调度•实现Elo锦标赛排名引擎、上下文记忆系统、多策略假设进化
730Python机器深度学习
本项目围绕锂电池状态智能估计构建了五大算法功能模块:①数据预处理与特征工程模块——对充放电电压、电流、温度、容量曲线进行清洗、归一化与特征提取,内置基于模糊信息测度的SOC特征选择(DMRCmRC)与基于小波变换(DTCWT)的多尺度特征编码。②SOH健康状态估计模块——集成物理信息神经网络(EM-
870C++人工智能
项目核心功能模块覆盖全流程冠脉影像后处理需求:‌基础影像导入解析‌:支持标准DICOM格式冠脉CTA影像的自动导入,完成影像序列校验、参数提取与预处理‌多模式三维重建‌:包含VR容积重建、CPR曲面重建、MIP最大密度投影、钙化积分计算四大核心重建能力,可完整还原冠脉全段血管走行‌智能测量标注‌:支
780C++机器深度学习
本项目以一台搭载树莓派和激光雷达的轮式小车为核心,集成了以下几个完整的功能模块:1、离线语音交互系统:基于Vosk轻量级中文离线语音引擎,摆脱了对云端的依赖。小车能精准识别“小车”、“跳舞”、“前进一米”等关键词,并利用PiperTTS引擎实现自然、流畅的中文语音播报反馈(如“好的,我要来唱歌了”)
1380C++机器深度学习
本项目是一个面向大规模区块链交易网络的智能分析与风险识别框架,旨在利用图神经网络技术挖掘比特币交易网络中的复杂关联关系,实现交易实体分类与高风险节点识别。项目支持超大规模交易图数据处理、图结构建模、节点分类、风险排序及模型评估等核心功能。基于PyTorch与PyTorchGeometric构建图机器
890Python科学研究
通过数据预处理和信息提取,计算出居民日均各类食物的摄入情况,代码根据膳食标准建立了一套评分系统,结合critic和topsis来给个居民的膳食的总体情况进行了评分,并以此评分为依据,与生活习惯和人口学特征进行了相关性分析,建立慢性病与各因素的逻辑回归模型,最后使用k-means聚类方法区分不同健康状
560Python机器深度学习
基于深度学习的自来水厂PAC加药频率预测系统,针对滏阳水厂21万条分钟级SCADA运行数据(33个数值特征,目标变量为1#PAC频率给定)完成端到端建模。核心功能:1.数据分析与质量评估:自动检测缺失值、异常值,输出可行性分析报告;2.数据预处理流水线:缺失值均值填充、StandardScaler标
1050Python机器深度学习
当前共135个项目more
×
寻找源码
源码描述
联系方式
提交