Torch

Torch是一个开源的机器学习框架,最初由纽约大学团队开发并以Lua语言实现,因其灵活性和强大的张量计算能力在学术研究中广受欢迎。其核心设计以​​动态计算图​​为特色,支持交互式调试和直观的模型构建方式,尤其适合深度学习领域的快速原型设计和实验迭代。2017年,PyTorch作为Torch的Python版本正式发布,继承了Torch的灵活性与核心理念,同时依托Python丰富的科学生态(如NumPy)和更广泛的开发者社区,迅速成为主流。PyTorch通过​​自动微分(Autograd)​​、​​GPU加速张量运算​​以及​​模块化的神经网络构建接口(torch.nn)​​,为研究人员提供了极致的灵活性和控制力,其动态图机制使得模型调试和修改更为直观便捷。尽管后续版本增加了对生产部署的优化(如TorchScript),但其核心优势始终体现在研究和实验阶段的高效性上。PyTorch现已与TensorFlow并列成为深度学习领域最具影响力的框架之一,被广泛应用于学术研究、工业探索以及各类AI模型的原型开发。
木材检测项目产品系统
功能模块:五个工作台模块+五个支撑模块,覆盖检测到执行全链路五个工作台模块为:上料台物料分类、板材切割台缺陷检测与坐标推送、补丁切割台智能寻位切割、补丁修补台缺陷定位与贴胶带计算、补丁暂存台补片抓取定位;五个支撑模块为:PyQt5前端界面、FastAPI+WebSocket后端服务、工人确认流程、M
270Python物联网
模块化设计,各功能独立、可复用:1.FPGA采集与信号处理模块:多通道同步ADC采集、可编程激励信号生成(DDS)、实时滤波与解算;2.ARM嵌入式控制模块:外设驱动、通信协议栈(UART/SPI/I2C/CAN)、闭环控制逻辑;3.上位机监控模块:串口/USB/网口通信、实时波形显示、参数下发、数
761C++智能硬件
项目包含垂直领域智能问答与Agent能力接入两大模块。垂域问答支持企业知识库解析、语义检索、答案生成及来源溯源;Agent模块支持工具调用、任务规划、流程编排和多轮交互,使平台从“只能回答问题”升级为“能够理解需求并执行具体业务任务”。
200Torch人工智能
多模态融合检测与智能识别引擎:融合电磁监测与视觉识别能力。其中,电磁监测采用“延时自相关触发、阈值抓包、多路STFT拼接”的并行监控架构,视觉识别采用YOLOv8模型。SDR驱动的动态干扰与精准诱骗技术:基于实时星历合成欺骗导航信号,实现从“驱逐”到“捕获”的精准轨迹引导,并通过白名单机制避免误伤合
600Python人工智能
快速检测流水线上几十个工件的正反面、角度、瑕疵情况等信息,本算法使用人工神经网络,借鉴多个经典工业模型(yolo、unet、centernet、mask-rcnn等)的思想为客户设计了高度优化的定制化算法,检测速度控制在10ms以内,检测精度符合客户要求。
570C++人工智能
设计了数据模块、模型模块、学习模块、系统模块、其他(配置、常量、工具等)模块。数据模块:用于处理序列标注数据的Dataset类和各种数据处理与预处理、数据统计与元数据生成、数据集划分等函数。模型模块:定义了Query意图识别模型LSTMModel,是一种基于LSTM实现的Query语句意图识别模型。
1561Python人工智能
设计了数据模块、模型模块、学习模块、系统模块、其他(配置、常量、工具等)模块。数据模块:用于处理序列标注数据的Dataset类和各种数据处理与预处理、数据统计与元数据生成、数据集划分等函数。模型模块:定义了Query成分分析模型LSTMCRFModel,是一种基于LSTM、CRF实现的Query语句
1191Python人工智能
内置Web可视化操作页面,支持一键生成模拟负荷时序数据集;可单独训练逻辑回归、1D-CNN异常检测模型,也支持一键完整执行整套流程;自动解析并展示两类模型准确率,持久保存操作历史记录,方便直观对比传统机器学习与时序卷积网络在故障识别任务上的表现,交付完整可运行源码。
660Python工业互联网
1.多车间多设备统一数据采集、存储、同步模块;2.AI批量故障识别预警,全车间设备异常统一标记提醒;3.可视化数据看板,实时展示各车间产能、设备运转趋势;4.分级账号权限系统,区分车间操作工、车间主管、工厂管理员数据查看范围;5.月度/季度生产、故障统计报表自动导出,支持Excel本地保存。
930Python人工智能
1.产线日志数据采集模块,实时读取设备运行参数;2.AI故障识别模块,基于历史故障样本训练识别异常数据;3.自动报表生成,每日导出生产运行、故障统计Excel;4.异常告警提醒,数据超标自动标记推送;5.轻量化后台面板,查看历史故障记录、产线运行趋势。
930Python人工智能
当前智能制造、机器视觉、无人机控制、通信信号处理、新能源监测、网络数据采集多领域数字化需求爆发,工业产线质检、交通车辆检测、光伏储能运维、飞行器飞控、高速通信信号优化、网络信息抓取等场景均亟需AI算法与软件配套解决方案。传统单一功能系统通用性差,企业常需多套工具分别处理图像识别、数据采集、设备控制任
930Caffe人工智能
系统构建了一套视觉与近红外光谱深度融合的多模态质检体系。功能层面,支持毫秒级实时采集果蔬外观图像与内部光谱数据,自动完成品种识别、表面瑕疵定位及新鲜度等级判定。通过特征级融合技术,系统能同时捕捉色泽纹理等表观特征与糖度水分等生化指标,输出综合质量评分。检测结果通过标准化接口实时对接产线MES系统,驱
730Python工业互联网
设计了常量与配置模块、核心数据结构模块、工具类模块、索引与词图计算模块、核心分词逻辑模块。常量与配置模块:定义工厂的“基础规则”和“标准配件”,避免硬编码,统一管理配置。核心数据结构模块:定义分词过程中需要的“实体对象”,封装词的属性(位置、长度、权重、类型)。工具类模块:提供底层工具能力——字节流
1631Python人工智能
地图搜索引擎产品系统
在接口服务能力上设计了智能检索、关键字检索、建议检索、周边检索、矩形检索、多边形检索、沿途检索、专题检索、地理编码、逆地理编码、详情查询、方位检索、扇形检索。智能检索:可以对Query进行全方位的意图理解,对不同的意图可能会返回不同数据结构的搜索结果,有POI列表、行政区域、城市分布、城市跳转、纠错
1171Java人工智能
设计了数据模块、模型模块、学习模块、系统模块、其他(配置、常量、工具等)模块。数据模块:用于处理序列数据的Dataset类和相关函数。它包括了从文件中读取数据、构建特征序列以及将数据转换为适合模型训练的格式的功能。根据模型模式的不同,数据可以以不同的方式进行处理和组织,以满足不同类型模型的需求。模型
1131Python人工智能
物联网AI中台 产品系统
项目背景: 为国内大型电厂构建统一的物联网AI能力中台,旨在通过AI技术实现园区安防、设备巡检、运行优化的智能化升级,解决传统管理方式中人效低、响应慢的痛点。项目描述:参与设计与研发的结合物联网平台、视觉分析、智能体(Agent)、机器学习服务与模型管理于一体的AI中台。平台核心包括:1)智能体服务
1170Java人工智能
智慧配料产品系统
焦炭质量预测:可以预测入炉煤和焦炭的质量指标。配煤比例优化:在出口焦炭质量各指标满足目标要求的条件下,得到原料煤的成本最低的原料煤配比,有效的为企业降低成本提高生产利润。
960Python人工智能
微米级缺陷自动检测(裂纹、空洞、划痕、变形)高速成像、实时AI推理、自动分选质检报表自动生成、数据上传MES模型自学习、数据闭环、漏检率极低7×24小时无人值守质检
1140Java人工智能
图片上传→AI自动处理→生成雕刻路径G代码智能识别图案、纹理、边界,自动优化雕刻参数工艺参数智能推荐(功率、速度、频率)端侧实时推理,嵌入式设备离线运行后台管理、任务调度、日志监控
1860Python人工智能
气温预测模型产品系统
本项目基于Python实现气温预测模型,包含四大核心功能模块:数据预处理模块:读取历史气温CSV数据集,完成缺失值填充、异常值过滤及特征工程,提取时间、季节等关键特征;可视化分析模块:利用Matplotlib绘制气温时序趋势图、季节波动图及相关性热力图,直观展示数据规律;模型训练模块:基于Sciki
1550Python人工智能
当前共24个项目more
×
寻找源码
源码描述
联系方式
提交