机器深度学习

项目是爬虫 其中的功能就是 URL 地址请求进入网络，通过API进行连接，后来进行图片收集，然后帅选图片 项目IP更改 更改IP地址 项目游戏 通过模块功能和图片视频读取 写出游戏的动作和特效技能 项目AI之制作 图片音频视频，让你自己成为作家 音乐家 视频创造和动画片制作人

本项目旨在开发一种基于脑电图（EEG）、语音和面部信息等生理信息的更准确的多模态情绪检测方法，以提 高心理健康领域诊断和治疗的可靠性。目前项目进展到参考论文代码复现阶段，采用FOCAL框架进行多模态融 合。后期将针对脑电与语音模态对代码进行修改，重新训练模型。

智能客服是在大规模知识处理基础上发展起来的一项面向行业应用的技术手段，它是（大规模知识处理技术、自然语言理解技术、知识管理技术、自动问答系统、推理技术等等），具有行业通用性，不仅为企业提供了细粒度知识管理技术，还为企业与海量用户之间的沟通建立了一种基于自然语言的快捷有效的技术手段；同时还能够为企业提供精细化管理所需的统计分析信息。

识别各种类型图片，图片表格，各个角度图片纠正，图片去水印，图片增强，图片裁剪，格式化输出返回，定制化模型训练，部署api

移动底盘 机械臂 视觉识别 等 负责底层程序编写 以STM32F407VET6单片机为核心，通过MPU6050与激光雷达确定机器人行驶路径，通过摄像头识别果实颜色程度来判断成熟度反馈给单片机，单片机根据返回来的数据进行处理控制舵机实现机械臂的采摘。最后通过仿真测试，优化机器人性能，提高采摘搬运效率和质量。

使用langchain开发大模型，调用api或本地部署大模型，补充外部知识库搭建rag，基于训练好的大模型进行二次开发应用，或本地部署大模型进行微调。

通过时间序列ARIMA、循环神经元LSTM等算法对大盘进行预测 通过大数据、统计等算法对股票进行预测 PHTHON C++ VS/VSCODE

对于重点交通路段的车辆信息进行监测和违法取证。 亮点分析： 1、使用后台线程处理视频帧： 创建了 VideoProcessor 线程类，用于处理视频帧和检测。 通过信号 frame_processed 将处理好的帧和入侵信息传递回主线程，避免主线程阻塞。 2、硬件加速： 确保在OpenCV中使用硬件加速解码（这部分需要确认OpenCV的安装支持硬件加速）。 3、非极大值抑制优化： 使用 cv2.dnn.NMSBoxes 函数进行非极大值抑制，提高检测框的准确性。 4、异步任务： 将繁重的计算任务放在后台线程中执行，提高主界面响应速度。

实现图像融合 等任务，图像融合是指将多幅图像的信息融合在一起，生成一幅新的图像，使得新图像能够包含原始图像的所有关键信息和特征。 图像融合技术可以将不同源的图像信息进行有效的组合，以提高图像的质量和信息量。 图像融合的原理图像融合的基本原理是将多幅图像进行适当的处理和组合，以实现信息的互补和增强。

本任务主要用于统计高速路车流量和景区人流量。 •项目实现： ①.目标跟踪是目标检测的更高级用法，主要解决问题是能正确识别不同帧之间的同一个目标，而不是仅仅是同一类目标。 ②.使用yolov8分类器和DeepSort跟踪器识别车辆和行人并训练其ID； ③.MatchingCascade(级联)：对detection使用匈牙利算法找到最小成本的匹配，在每个连续的帧之间确定每个目标的ID； ④.卡尔曼滤波分预测阶段：根据系统的动态模型对系统当前状态进行预测，并预测系统状态的协方差(表示不确定性)，预测的结果作为下一更新阶段的输入；更新阶段：滤波器使用新的数据来修正预测结果。这里涉及到卡尔曼增益，决定如何在预测和实际检测之间去平衡，然后滤波器会更新状态估计和状态协方差； ⑤.马氏距离：实现代价矩阵门控的函数，使代价矩阵中的不可行条目无效。对每一个检测和跟踪的匹配计算马氏距(MahalanobisDistance)作为门控阈值，如果马氏距离大于预定阈值，说明该匹配不可行。

利⽤机器学习⾃动检测Hadoop中执⾏慢的节点、并且⾃动分析其根本原因。实验是基于6个异构的 Hadoop节点多轮分别运⾏不同类型，不同负载的任务。采集执⾏过程中的各种核⼼性能数据，CPU占⽤率、内存占⽤率、Job执⾏进度、硬盘负载、⽹络I/ O，利⽤机器学习检测数据的离散性，⾃动检测异常。对异常节点再次进⾏分析，对异常原因进⾏分类，然后训练⼀个基于 随机森林的模型。对实验组进⾏实验，最终实验 的结果精准率98%、准确率97%、误报率6%

本项目主要提供智能翻译功能的引擎。 实现原理是利用Transformer架构通过深度学习进行语言翻译。 和流行的大语言模型翻译的主要区别在于： 1.推理速度快，参数量小，可以在端侧实行推理 2.不像生成式模型大多只用了Transformer的解码器部分。此项目同时使用编码器和解码器，环顾整个句子的前后文字关系进行翻译，提高翻译准确度 本人主要对此项目的神经网络模型进行设计编写和优化。

项目包含图像处理模块、图像加载模块、参数控制模块、训练验证模块、模型导出模块…… 使用迁移学习、Pytorch、sklearn、混淆矩阵

基于人脸关键点框架获取到400+人脸3D关键点数据，并绘制到人脸上。 关键点数据覆盖：眼周、瞳孔、鼻子、额头、内外嘴唇…… MediaPipe

基于关键点提取框架获得人体30多个关键点坐标信息，选择向量夹角作为度量标准。提供10余种不良坐姿检测功能。 MediaPipe

一个基于BERT的意图（intent）和槽位（slots）联合预测模块。想法上实际与JoinBERT类似，利用 [CLS] token对应的last hidden state去预测整句话的intent，并利用句子tokens的last hidden states做序列标注，找出包含slot values的tokens。你可以自定义自己的意图和槽位标签，并提供自己的数据，通过下述流程训练自己的模型，并在JointIntentSlotDetector类中加载训练好的模型直接进行意图和槽值预测。

基于LangChain + 开源 LLM构建个人知识库，用 LangChain 对文档进行向量化，然后检索内容，在调用 LLM 对得到的内容进行总结输出

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。

1. 学生端APP图书阅读打分、学习任务、课程功能、直播功能、发现功能、学习报告、积分商城、卡牌、评级测试、加入学校、消息推送等功能规划； 2、带领团队从0开始搭建各端功能，APP版本在三年多的时间里由1.0版本迭代到3.7.0，用户数量累计达到80万；

作品的CSDN地址：https://blog.csdn.net/zhulong1984/article/details/89929718 视频实景地图 立体防控系统通过在空中俯看地面，结合视频标签独有的增强现实技术能对建筑物、道路、重点目标等进行语义化标注以及属性添加，整体效果就是一个实景地图，能给监控人员带来非常直观的临场感。 高低点联动的立体监控 立体防控系统通过高点摄像机掌握监控区域的整体情况，通过增强现实视频联动技术能调用监控区域周边的低点摄像机，从不同角度查看监控区域的视频。