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。

中文分词通用工具产品系统

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

441Python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

521Java人工智能

序列建模（时序分析）通用工具产品系统

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

581Python人工智能

墩墩创作者服务平台（A2A 智能体版）产品系统Vibe Coding

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。

260Caffe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

520Java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。

610Python人工智能

AI 激光雕刻图像生成与工艺系统产品系统

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

1330Python人工智能

工业智能控制智慧加药系统产品系统

本系统针对南方某污水处理厂，建立了基于除磷药剂种类、浓度、进水水质和出水水质的数据开发了一套智慧加药系统，该系统是一套通过信号采集、信号反馈相互协同，并集合人工智能算法，智能化控制加药泵的智慧化软件模型，实时预测出水水质投加对合理加药量，实现实时智能投加，节约用人成本，大幅度降低药耗，出水达标100

940Python工业互联网

基于Agent的私人AI助理产品系统

本项目通过模块化的AIAgent设计，实现业务流程从“人工驱动”向“智能驱动”的转变，使系统具备更强的自动化能力、灵活性和可扩展性，可广泛应用于企业运营、数据分析、客服支持等业务场景。

1240Python人工智能

工业设备声纹故障监测 SaaS 平台产品系统

1.实时监控大屏：基于Vue3开发的可视化仪表盘，实时展示多台设备的运行状态及Mel频谱图。2.智能异常诊断：集成改进版AnoGAN深度学习模型，能自动识别轴承磨损、气蚀等微弱故障信号，无需人工干预。3.多级报警推送：支持根据故障置信度通过短信、邮件或钉钉自动推送分级报警信息。4.历史数据回溯：提供

1120Python工业互联网

基于工业大数据的设备异常检测与预测性维护算法模型产品系统

1、自研的无监督学习的数学算法来完成异常发现任务。2、寻找某个数学量，并用历史数据计算该数学量的分布，新数值相对于历史分布的离群程度，就可以用来表征异常程度。3、工业情况复杂得多，经常并不能只用简单值就能发现所有异常了，还会用到变化快慢、离散程度等复杂的数学量。4、多维异常程度综合起来，最常用的方法

1490Java人工智能

钢板产品质量表面检测系统产品系统

1.项目有哪些具体功能模块表面缺陷区域自动检测模块（无监督神经网络）缺陷类型分类与分级模块（深度神经网络分类器）数据采集与预处理模块缺陷标注与结果展示模块缺陷检测结果存储与报表分析模块系统接口与生产线联动模块2.项目的主要功能描述系统首先通过无监督学习的神经网络模型自动检测彩涂板表面的疑似缺陷区域，

1670前端人工智能

当前共12个项目登录查看更多

登录后即可上传、下载作品

分类

Zig Flutter Lua OpenNN Diesel JVM 自动驾驶 Wireshark Clojure IPFS

重点城市程序员兼职推荐

北京程序员兼职上海程序员兼职深圳程序员兼职广州程序员兼职杭州程序员兼职成都程序员兼职南京程序员兼职武汉程序员兼职西安程序员兼职重庆程序员兼职郑州程序员兼职长沙程序员兼职苏州程序员兼职合肥程序员兼职厦门程序员兼职济南程序员兼职青岛程序员兼职天津程序员兼职大连程序员兼职福州程序员兼职石家庄程序员兼职沈阳程序员兼职太原程序员兼职无锡程序员兼职南昌程序员兼职哈尔滨程序员兼职南宁程序员兼职珠海程序员兼职宁波程序员兼职昆明程序员兼职东莞程序员兼职贵阳程序员兼职美国程序员兼职长春程序员兼职温州程序员兼职佛山程序员兼职常州程序员兼职呼和浩特程序员兼职兰州程序员兼职乌鲁木齐程序员兼职中山程序员兼职海口程序员兼职洛阳程序员兼职

更多

点击空白处退出提示