TensorFlow

1. 产品面向科研院所，解决了自动处理遥感图像，自动识别机场和飞机的需求。 2. 相比市场常规方案，此方案具有速度快，识别准确的特点。 3. 方案用到了opencv的图像处理算法，包括图像增强，图像分割。用到了matlab实现的注意力算法，用到了tensorflow架构实现的图片分类和目标检测模型.方案的部署采用了docker技术.

与军工研究所合作开发针对雷达罩蜂窝孔径的测量仪器;实现对蜂窝格孔边长2-4mm，深度30mm范围内的单个蜂窝格孔内壁变形测量，并识别蜂窝格孔变形缺陷，形成六个蜂窝批量测量仪器;软件开发了上位测量操作及点云处理显示等核心算法；2D图像处理：1)图像操作及测量工具栏；2)选择测量中心处的二维图像（单个工件有多处测量中心）；3)显示二维图像：可以任意选中格孔区域；4)结果显示1：通过3中任选多个孔，测量结果输出到该列表框，并最终输出到报表；5)缩略图显示：便于总图缩放显示；3D点云处理：1)3D点云操作及测量工具栏；2)选择测量中心处的3D点云（单个工件有多处测量中心）；3)显示3D点云图像：可以任意选中格孔区域；4)结果显示1：通过3中任选多个孔，测量结果输出到该列表框，并最终输出到报表；5)内窥镜图像：显示格孔的合成图像；

1.基于 Kubeflow 研发 AI 作业全生命周期产品，包括 MLOps Pipeline 、数据特征工程、制品元数据管理、模型训练及推理功能。 2.基础设施层面 GPU 算力共享、RDMA 拓扑感知、Fluid 对象存储加速、Volcano 多场景调度、AI 作业训练推理性能优化。 3.基于Ray、DeepSpeed分布式训练及推理工程实践实现大模型业务场景私有知识库、智能对话的产品功能。 4.打通 IoT 边缘计算集群 云端 基于 Python Web框架 KubeEdge 开发管理边缘计算节点、应用及设备，边缘路由、AI 模型及数据等功能。 边缘端 基于 Python TensorFlow 开发 AI 应用代码编译发布升级、数据上报、模型训练升级等功能。

针对XX加固键盘人工检验效率低、易疲劳、主观性强、判断标准难量化、存在误检与漏检风险等问题，充分借鉴国内外先进制造及检测经验，开发一套键盘外观自动检测系统，以“机器视觉”代替“人工视觉”进行键盘外观缺陷检验。该系统可以对键帽错装、反装、漏装、脏污、字符丝印错误等外观缺陷进行检验，具体如下： 1、字符未镭雕透澈检测； 2、字符错键检测； 3、LED背光颜色错误检测； 4、颜色过亮或过暗检测； 5、位置偏移检测； 6、角度旋转检测； 7、机械半成品LED颜色及亮度检测等。

创建神经网络对输入图像风格进行提取并附着到另一个图像上也就是所说的风格迁移 输入图像并进行训练然后进行特征提取然后附着迁移特征到另一个图上

从零到一构建推荐系统，从1到10 的推荐效果优化，公司项目，效果不便展示 性格测试，通过大模型技术对测试进行解析和答疑解惑 作品微信小程序 《知吾》

项目目标：去除视频水印。视频上水印是全屏滚动的，且运动非匀速。 实现方法： 1、用opencv自己实现算法追踪满屏移动的水印位置，由于视频经过压缩水印被模糊化了，追踪相当困难。考虑到运行效率，不能使用AI网络暴力检测定位。 2、用AI算法去除水印，阅读大量小众论文结合个人思考选顶技术路线，最后设计出可靠神经网络去除水印，同样需要考虑运行效率，不能使用gan一类的算法暴力去除。 3、该项目考虑运行效率和去除效果已经达到了业界顶级水平 4、效果展示：https://www.bilibili.com/video/BV1ti4y157jK/?spm_id_from=333.999.0.0&vd_source=abc797fab7df13f1f923db091814340d

使用Dagger iterations进行模仿学习和行为克隆学习;利用mujoco物理引擎进行复杂环境下的物理模拟实验;在Gym AI环境 中进行API参考和开发，并采用TensorFlow和Numpy进行深度学习相关的计算.

LeNet-5是一个经典的深度卷积神经网络，由Yann LeCun教授于1998年的论文Gradient-Based Learning Applied to Document Recognition中提出，本文代码是《Tensorflow 实战Google深度学习框架》6.4.2小节的例子(与论文中的深度学习网络有一些不同), 由于环境不同做了一些修改，可以正常运行。原代码中注释都省略了，详细注释参考原书籍。 源代码粘贴在网址： https://blog.csdn.net/ggw007/article/details/131041812?spm=1001.2014.3001.5502

现实中，有数百万人患有严重的身体残疾丧失了交流以及与环境互动的能力，然而其感觉和认知功能通常仍然完好无损。这为利用BCI技术以改善患者生活质量提供了可能。P300-Speller是基于EEG的BCI系统中最热门的应用之一。正被用来解析那些思维正常却行动不便的病人的真实意图和想法，P300-Speller允许用户使用图形用户界面（GUI）与环境进行通信，可以让患者在生活上更加独立，甚至在一定程度上恢复他们的社交生活。因此，研究P300脑机接口技术具有极高的实际应用价值。

在运动想象范式下对正常被试的头皮脑电信号进行采集。 采用时频域变换方法，mixup数据增强策略，并结合深度学习框架对脑电信号做分类判别，以达到将脑电信号翻译成现实指令的目的。 为运动想象脑机接口的应用提供方法和思路上的参考。

元学习方法，对深度学习目标检测网络进行云训练参数的训练，使得深度学习的网络性能进行迭代提高。 应用知识包括：Python、Pytorch、TensorFlow、Flask、MetaLearning、OpenCV、YOLO检测网络、Vue前端框架、JS、HTML语言。

一.功能模块：1.数据可视化：数据为MATLAB格式，首先用scipy库导入数据，共5000个数据样本，每个样本中有401个特征值。其中400个为每个手写数字图片的400个像素亮度值，1个为其实际的真实数字。导入数据后通过matplotlib.pyplot绘制一部分样本图片。2.搭建神经网络模型：模型包括了一个输入层（25个单元）、一个隐藏层（15个单元）、一个输出层（10个单元），激活函数分别使用relu\relu\softmax，损失函数为SparseCategoricalCrossentropy()，最终10个输出的是为各个单元对应数字的概率。3.数据集划分：通过sklearn模块的train_test_split，将数据集划分为490个数据的训练集和10个数据的测试集。4.训练模型：训练之前先处理一下数据集中的实际对应数字，因为其范围为1-10，应该将其进行减一操作至0-9，再进行model.fit，迭代次数设置为100次。5.测试集测试：model.predict方法得出各个数字的概率，取概率最大的那个单元对应的数字，再加一输出。 2.技术栈：机器学习，tensorflow,python，matplotlib，sklearn

基于tensorflow算法实现的股票预测系统，算法会根据前5年的股票走走势，预测出未来一年内的股票走势。本项目基于python开发，使用了当下最流行框架Tensorflow对股票的历史数据进行时序预测和时间序列分析，最终根据模型训练出一款对应的股票预测系统。整个项目中，我负责了整个项目的开发和测试，其中包括数据集的搜集与导入，训练模型，验证模型的创建，以及最后的系统测试。

该项目是一个基于Python和Angular框架的人脸口罩检测系统。该系统能够自动识别人们是否戴口罩。在后端方面，我们使用了Python作为主要编程语言，并使用了TensorFlow机器学习框架进行训练。在前端方面，我们使用了Angular框架搭建了一个简单而直观的用户界面，用户只需上传人们戴口罩的图片，片刻后，网站将给出照片中的任务是否戴口罩的回应，显示该用户是否佩戴口罩。我负责了整个项目的开发工作，从前端到后端的开发和测试都由我个人实现，开发过程中，主要使用了tensorflow的机器学习框架来对图片进行训练，前端方面，使用了angualr框架进行开发，训练过程中反复搭建了多次训练模型，最终让识别戴口罩的效果从66.25%提高到了99.75%

1. 检查4G流量中的诈骗网站，如贷款、投资理财、刷单、网购等诈骗类型，用于封堵拦截; 2. 数据流向：过黑白名单 - 过host模型 - 过title/content/截图模型 - 收口;