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。
本监测方案由杆用感知终端、线用边缘计算网关设备和物联微服务平台组成。感知终端其中以MT7628+MT2503CPU为处理芯片、WIFI模组、雷达模组、RFID模组(温度标签)、天线单元、双摄像头、北斗定位模组、太阳能板、音频喇叭和麦克风组成的。线用边缘计算网关以RK3568主控芯片,将一组感知终端采
280C人工智能
1.信号预处理:对原始振动信号进行去趋势、滤波和重采样。2.时频分析:采用短时傅里叶变换、同步压缩变换获得高分辨率时频图。3.多谐波转速跟踪:利用多个转频谐波作为锚点,联合估计瞬时转速曲线。4.风险门控:自动识别谐波混淆、强噪声等高风险时段,切换稳健策略,避免估计跳变。5.性能评估:输出转速曲线、误
870Python工业互联网
•主导Agent编排平台的技术选型与底座搭建,形成集团AI中台智能体技术规范与落地路线。•技术选型与平台搭建:主导Dify、PocoAgent、HermesAgent等多款Agent编排平台的本地化部署与技术对比验证,形成技术选型评估报告,为集团智能体底座建设提供决策依据•技术规范建立:基于Herm
1190Python工业互联网
产品功能1.高精度定位:采用RTK+IMU+双目定位方案,能够在GPS信号减弱的场所实现精准定位,定位精度可达2cm。2.工作区域建图:大区域建图可选择一般高精度地图或RTK电子围栏方案,小区域建图采用Octomap建图,并基于外观的实时映射的RTAB-Map开源库,实现闭环检测,满足长期大规模环境
1900BRD人工智能
系统采用端云双层架构。端侧在28台边缘节点部署INT8量化的轻量CV专业模型,单帧推理45ms、25fps实时处理,五场景毫秒级初筛,召回优先、仅事件片段回传(带宽节省98%);云端以微调多模态大模型进行多帧上下文综合判断,结合天气、施工区白名单、事故库做外部校验后自动确认或驳回事件,误报样本回流持
910Caffe人工智能
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
1080Python物联网
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”。
720Torch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
1220Python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。
1020C++人工智能
1.AI视觉智能核验(核心亮点)动态装箱监控:通过部署在工位上方的工业相机,实时捕捉工人投料动作。系统内置深度学习目标检测算法,能精准识别数百种KD件的SKU特征。BOM自动比对:系统实时读取当前车辆的VIN码对应的BOM(物料清单),当工人放入零件时,AI自动判断该零件是否属于当前车辆,并计数。异
2590Python工业互联网
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。
2361Python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
2031Python人工智能
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。
1570Python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。
1390Python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
1400Caffe人工智能
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
2291Python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
1611Java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
1491Python人工智能
平台包含智能体市场、A2A协作引擎、创作者后台三大核心模块,支持智能体上传、标准化服务发布,可实现多智能体自动拆解任务、协同完成服务,还能提供全流程的协作状态追踪与交付管理。
1430Caffe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
1490Java人工智能
当前共27个项目more
×
寻找源码
源码描述
联系方式
提交