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。
采用A2A宏观上的调度+LangGraph微观上的react执行,使用RedisStreams实现分布式消息总线,编辑与安全Agent并行审核。
280Python人工智能
项目主要围绕图像处理与数据分析展开,包含若干可扩展的功能模块,用于支持不同类型的任务配置与结果展示。系统提供基础的可视化界面与流程管理能力,能够适应多种应用场景,提升整体工作效率与操作体验。
260Torch人工智能
1.使用YOLO11-OBBONNX定位车牌旋转框2.使用旋转框四点透视矫正车牌3.使用LPRNet/CRNNONNX识别车牌号4.PyQt5专业界面显示检测框、裁剪图、识别结果、置信度5.支持中文路径读取图片6.支持保存结果图
350Python机器深度学习
PrAlmodel开源项目
从零构建一个全新的、与现有所有AI架构无关的类脑认知系统。不预设任何功能模块,模拟大脑皮层的Pr-Al分子梯度轴,让网络在与环境和任务的交互中自发分化出不同功能区域。核心创新创新 说明 人脑对应层级预测编码 4层网络,每层独立预测,预测误差驱动学习 皮层分层结构(V1→V2→V4→IT)Pr-Al功
511C++人工智能
UAVagent1.0产品系统
本项目的核心创新并非单一算法的修修补补,而是在系统架构层面重新审视了无人机智能感知任务的执行范式。传统无人机视觉系统通常遵循一种固定的流水线——检测然后跟踪然后依据预设逻辑做出响应——这种模式在面对复杂多变的自然语言指令或未曾预见的边缘场景时显得僵硬而脆弱。UAVagent1.0通过引入异构多智能体
501Python人工智能
本导览设备搭载深度学习推荐算法,采集用户兴趣、实时位置、游览行为等数据,构建用户画像。智能匹配景点资源,实现个性化景点推送、最优游览路线规划;支持语音讲解、实时定位导航与多模态交互,可动态更新推荐内容,适配不同人群游览需求,提升景区、展馆智能化导览服务体验。
820Torch人工智能
本系统包含三大核心功能:检测:支持图片、视频、摄像头三种模式,创新性地实现了置信度自适应处理和参数可调检测,检测结果会生成AI治理建议。训练:支持用户上传自己的数据集进行模型训练,可调节多种参数,后台异步执行。资源储蓄:模型库和数据集支持上传、下载、收藏、点赞,检测结果自动存储并支持收藏延长保存期。
620Python人工智能
实现Windows平台下ComfyUI与StableDiffusion深度学习绘图框架搭建。封装Bat/PowerShell脚本自动化启停脚本,内置显存优化策略,同时汇总环境配置、版本兼容、依赖报错等全套落地排坑方案,实现开箱即用的私有化AI绘图服务。
930Python人工智能
医学系统产品系统
实现全身器官和骨骼高精度高速度分割主导从0到1的数据闭环建设:协调多家合作医院收集临床图像数据,联合放射科医生共同制定浓聚区域(如骨转移灶、代谢活跃区等)的标注规范,确保标注标准兼具医学合理性与算法可学习性。针对医学图像信噪比低、病灶尺度多变等特点,自主设计了一套面向任务的预处理与数据增强pipel
530C++人工智能
分类模型检测开源项目
#ClassificationPost-ProcessingforHawk##OverviewAgenericONNXclassificationblockthatrunsafteranomalydetectioninHawk'spost-processingpipeline.Itclassifie
450Caffe人工智能
目标检测模型:使用YOLOv8s模型,通过训练游戏截图数据集来识别敌人。图像处理:捕获游戏窗口图像,进行预处理(如缩放、裁剪)以适配模型输入。坐标计算与控制:计算目标中心坐标与鼠标位置的偏差,模拟鼠标移动实现瞄准。性能优化:考虑GPU加速、推理速度等,确保实时性。
950Python机器深度学习
实验室项目,机密。1.在高噪声下寻找量子观测最优解。2.使用多数前后端技术完成预警系统,并优化算法。使用过的技术与框架:ML、DeepML、LLM、C、JS/MJS、TS/TSX、Vue、tauri、Websocket、前后端分离。
680C机器深度学习
1、算法部分:基于PaddlePaddle,在官方指定数据集上进行打榜,所有器官分割任务平均dice系数达到0.94232、软件部分:基于WEB的3D医疗数据解析平台,其中包含医疗数据的导入、分割、可视化和数据分析功能四大基础功能,且飞桨模型可在本地或云端部署进行推理。另接入百度文心大模型用于医嘱格
700C++人工智能
深度文章市面上偏少(有实际价值的大v偏少),导致蓝海•很多文章内容同质性太强,且只是单点叙述,有经验的大v写不出,写的出的又不是有经验的•预测型文章几乎都是一家之言,很难证实和证伪,阴谋论大棋论者太多,人们往往相信那些愿意相信的•能始终坚持一种观点的作者或者社区太少,或多或少都足够主观•第一时间的时
710Java人工智能
本文设计与实现了一种改进YOLOv11的手语识别系统,首先要解决的就是手语识别的便捷性问题,以往的研究中,往往对设备要求较高,很难普及到日常生活;其次要解决准实时性问题,我们需要在有限的计算资源下完成准确及时的手语识别;再次要提高模型的鲁棒性,使得模型在复杂的环境下也能进行精准快速的特征提取,以满足
940Caffe人工智能
网络爬虫编程产品系统
编程实现网络爬虫下载豆瓣电影前10页的数据。编程实现网络爬虫使用post请求实现百度翻译’spider’并显示结果。编写代码,实现京东商品信息爬取。编写代码,实现个人博客信息爬取。
550Python人工智能
本系统基于Caffe深度学习框架,核心功能包括:1.图像预处理模块:通过OpenCV对输入图像进行归一化、降噪等处理;2.模型推理模块:使用C++实现高效推理,支持批量图片与实时视频流;3.结果输出模块:生成分类标签、置信度及可视化标注;4.数据管理模块:支持识别结果存储与查询。系统可部署在Linu
910Caffe人工智能
1.数据处理模块:多源数据加载、清洗、对齐2.因子工程模块:21个价量因子+12个宏观因子,单因子测试3.策略构建模块:IC加权合成、半衰期衰减、截面标准化4.组合优化模块:等权策略、均值-方差优化、风险平价优化、混合策略5.回测评估模块:bt框架回测、交易成本扣除、多维度绩效评估(46项指标)
920Torch人工智能
1、功能模块:-图像伪造检测模块:CLIP视觉特征分析、噪声分析网络、边缘检测网络、注意力热力图定位-文本伪造分析模块:OCR文本提取、字体一致性检测、语义一致性验证、语法错误检测-综合评估模块:多模态特征融合、置信度评估、详细报告生成-用户交互模块:拖拽上传、实时预览、结果可视化、报告导出2、主要
2090Python人工智能
1、基于深度神经网络的reid技术​1.1)采用局部信息对齐技术进一步提高精度​1.2)Top1识别率达到89%,Top3达93%以上​,即匹配结果在前三名识别率93%1.3)自动区分幼体和成熟体,幼儿未发育完整,无明显特征,统一归为一类,一般通过其母进行跟踪2、QT开发的桌面软件通过XXX部海YY
1230Python机器深度学习
当前共27个项目more
×
寻找源码
源码描述
联系方式
提交