机器深度学习

基于TVM-cn中文版的项目是一个旨在推广和应用深度学习编译器TVM（Tensor Virtual Machine）的开源项目。TVM是一个领先的深度学习编译器框架，旨在优化深度学习模型的部署和性能。TVM-cn项目的目标是为中文用户提供一个全面的资源平台，帮助他们了解、学习和应用TVM框架，推动深度学习在中国的发展和应用。 TVM-cn项目包括了TVM框架的中文文档、教程、示例代码等丰富内容，帮助用户快速上手并深入了解TVM的原理和用法。用户可以通过浏览TVM-cn网站或者参与社区讨论来获取帮助和支持，解决在TVM应用过程中遇到的问题。 除了提供文档和教程外，TVM-cn项目还鼓励用户贡献代码和优化算法，共同完善TVM框架的功能和性能。通过社区合作和知识分享，TVM-cn项目致力于建立一个活跃的TVM中文社区，促进深度学习编译技术在中国的推广和应用。 总的来说，基于TVM-cn的项目为中文用户提供了一个全面而专业的平台，帮助他们更好地理解和应用TVM框架，提高深度学习模型的部署效率和性能表现，推动人工智能技术在中国的发展和创新。

LeNet-5是一个经典的深度卷积神经网络，由Yann LeCun教授于1998年的论文Gradient-Based Learning Applied to Document Recognition中提出，本文代码是《Tensorflow 实战Google深度学习框架》6.4.2小节的例子(与论文中的深度学习网络有一些不同), 由于环境不同做了一些修改，可以正常运行。原代码中注释都省略了，详细注释参考原书籍。 源代码粘贴在网址： https://blog.csdn.net/ggw007/article/details/131041812?spm=1001.2014.3001.5502

GAN包含有两个模型，一个是生成模型（generative model），一个是判别模型(discriminative model)。生成模型的任务是生成看起来自然真实的、和原始数据相似的实例。判别模型的任务是判断给定的实例看起来是自然真实的还是人为伪造的（真实实例来源于数据集，伪造实例来源于生成模型）。生成器（generator）试图欺骗判别器（discriminator），判别器则努力不被生成器欺骗。模型经过交替优化训练，两种模型都能得到提升，但最终要得到的是效果提升到很高很好的生成模型，这个生成模型所生成的产品能达到真假难分的地步。 项目是使用的百度飞浆paddle深度学习平台框架，生成的模型可以根据一段高斯噪声生成手写数字图片，项目链接地址： https://aistudio.baidu.com/projectdetail/6859512?contributionType=1&sUid=4878658&shared=1&ts=1711115648705

1、项目分为三个部分：数据源获取和数据处理、人效模型构建、模型应用上线。 2、难点和解决方案：（1）数据源选取：用实际达成效率结合线下抽查压测数据做数据打标、结合主客观特征做特征加工；（2）特征工程：区分静态特征和动态特征，对非结构化特征做结构化处理，对信息稀疏型特征提炼多维度描述和统计特征进而做降维处理，通过线性、非线性特征评估方法评估特征重要程度做特征选取。

1. 使用大模型结合prompt进行信息抽取 2. 使用fastapi听过http请求 3. 对请求进行预处理和对模型的返回结果进行后处理并返回

项目简介：基于NLP和机器学习技术的客户支持系统优化 背景： 在现代企业中，建立高效的客户支持系统对于维护客户满意度和提升市场竞争力至关重要。然而，随着客户数量的增长和问题的复杂性，传统的客户支持方式已经无法满足企业的需求。因此，我们开展了这个项目，旨在利用自然语言处理（NLP）和机器学习技术，构建一个更高效、更智能的客户支持系统。 目标： 我们的目标是通过NLP和机器学习技术对客户提出的问题进行自动分类和聚类，从而实现更高效的客户支持系统。具体目标包括： 问题自动分类：自动将客户提出的问题归类到不同的类别中，以便更好地组织和处理。 问题相似性分析：分析客户提出的问题之间的相似性，从而能够更快地找到解决方案。 即时响应：建立一个实时响应系统，能够在客户提出问题后立即给予反馈和解决方案。 客户反馈：收集客户的反馈数据，用于不断优化系统性能和改进服务质量。 技术细节： 文本预处理：对客户提出的问题进行文本预处理，包括分词、去除停用词、词干化等，以准备进行特征工程和模型训练。 特征工程：提取客户问题的特征，如词袋模型、TF-IDF向量等，以便输入到机器学习模型中进行分类和聚类。 聚类和分类模型：使用机器学习算法，如K-means聚类、朴素贝叶斯分类器等，对客户问题进行分类和聚类。 实时响应系统集成：将分类和聚类模型集成到实时响应系统中，使得客户提出的问题能够得到及时响应和解决。 成果与展望： 通过我们的努力，我们期望实现以下成果： 提高客户满意度：通过快速响应和解决客户问题，提升客户满意度和忠诚度。 提高效率：实现自动分类和聚类，减少人工干预，提高工作效率。 解决持久性问题：通过分析问题相似性，寻找解决方案并避免重复工作。 数据驱动决策：收集客户反馈数据，为企业提供数据支持，优化决策和服务策略。 这个项目将为企业建立更强大的客户支持体系，提供更好的客户体验，同时提高市场竞争力。

在采样过程中通过顶棚摄像头图像，识别出车辆的车厢位置及拉筋信息，为采样提供定位坐标，广泛应用于火电厂、冶金行业、焦化厂等。

数据的预处理及医疗实体抽取模型的构建 负责三元组信息抽取模型的构建 负责知识图谱数据的存储、可视化以及文档的撰写

某企业AI智能客服项目旨在利用人工智能技术，为企业打造一个高效、智能的客户服务系统。该项目通过模拟人类客服的对话方式，与用户进行实时交流，解答用户的问题、提供帮助和建议，从而提升企业服务效率、降低运营成本，并增强用户的满意度和忠诚度。 一、模块组成 智能问答模块：基于自然语言处理、深度学习等技术，对用户的问题进行识别、分析和回答。该模块能够准确理解用户意图，提供精准的答案和解决方案。 用户交互模块：负责与用户进行实时对话，包括语音、文本等多种形式的交互。该模块通过语音识别、语音合成等技术，实现与用户的语音交互；同时，也支持文本输入和输出，方便用户进行文字交流。 知识库管理模块：存储和管理企业的各类知识、常见问题及解决方案。该模块支持知识的动态更新和维护，确保智能客服系统能够随时提供最新、最准确的信息。 数据分析模块：对用户行为、问题类型、服务效果等数据进行收集和分析，为企业提供有价值的业务洞察和改进建议。 二、使用到的技术 自然语言处理技术：用于将用户的语言转化为机器可理解的形式，从而能够准确理解用户的需求和问题。通过分词、词性标注、句法分析等处理，提取出用户问题中的关键信息。 深度学习技术：通过训练大规模神经网络模型，使智能客服系统具备强大的语言理解和生成能力。深度学习技术能够不断优化系统的回答准确性和效率，提升用户体验。 语音识别与合成技术：实现与用户的语音交互。语音识别技术将用户的语音转化为文本，供系统进行处理；语音合成技术则将系统的回答转化为语音，方便用户听取。 大数据技术：通过对用户行为、问题类型等数据的收集和分析，为企业提供有价值的业务洞察和改进建议。大数据技术可以帮助企业更好地了解用户需求和市场趋势，优化产品和服务。 机器学习技术：使智能客服系统能够不断学习和优化。通过机器学习技术，系统可以从用户反馈和交互数据中提取有用的信息，自动调整回答策略和优化模型参数，提升服务质量和效率。

AI数字人项目旨在通过人工智能技术，构建出高度逼真、具有交互能力的虚拟人物形象。这些数字人不仅具备生动的外观和动作，还能通过自然语言处理、语音合成、面部表情识别等技术，与用户进行实时互动和交流。该项目结合了计算机视觉、深度学习、自然语言处理等多个领域的先进技术，致力于为用户提供一种全新的、沉浸式的交互体验。 模块组成： 人物形象模块：负责创建数字人的外观和形象，包括面部特征、发型、服装等。通过多边形建模、细节雕刻等技术，使数字人具有逼真的外观和细腻的表情。 语音生成模块：基于文本生成对应的人物语音，使数字人能够说话和表达。该模块利用语音合成技术，将文本转化为自然流畅的语音输出。 动画生成模块：根据数字人的动作和表情需求，生成与之相匹配的动画效果。通过运动捕捉、骨骼绑定等技术，实现数字人的自然动作和表情变化。 音视频合成显示模块：将语音和动画合成视频，并通过显示设备呈现给用户。该模块负责处理音视频信号的同步和渲染，确保用户能够获得高质量的视听体验。 交互模块：通过语音语义识别、自然语言处理等智能技术，识别用户的意图和问题，并驱动数字人进行相应的语音和动作回应。该模块还支持多模态交互，包括面部表情识别、手势识别等，为用户提供更加自然和丰富的交互方式。 使用到的技术： 计算机视觉技术：用于数字人的面部表情识别、手势识别等交互功能，实现用户与数字人之间的实时互动。 深度学习技术：在数字人的语音生成、动画生成和交互模块中，深度学习技术发挥着关键作用。通过训练大规模神经网络模型，提升数字人的语音合成质量、动作流畅性以及交互智能性。 自然语言处理技术：使数字人能够理解和生成自然语言文本，实现与用户的对话和交流。 3D建模与渲染技术：用于创建数字人的三维模型，并通过高效的渲染技术，呈现出逼真的视觉效果。 语音合成技术：将文本转化为自然流畅的语音，使数字人能够发出声音。 实时音视频处理技术：确保音视频信号的同步传输和高质量呈现，提供流畅的交互体验。

某研究院私有化大模型知识库项目旨在构建一个专属于铁路行业的、高度集成且安全可控的大模型知识库系统。该系统通过整合铁路行业的海量数据和信息，运用先进的大模型技术和知识管理技术，实现知识的深度挖掘、智能推理和高效应用。项目旨在提升铁路研究院的决策支持能力、业务创新能力和服务效率，为铁路行业的可持续发展提供有力支撑。 模块组成： 数据收集与整合模块：负责收集铁路行业相关的各类数据和信息，包括文献、报告、技术标准、案例等，并进行清洗、整合和标准化处理，为后续的知识抽取和模型训练提供高质量的数据源。 知识抽取与建模模块：利用自然语言处理、深度学习等技术，从整合后的数据中抽取实体、关系、事件等结构化知识，并构建知识图谱，实现知识的可视化展示和关联分析。 大模型训练与应用模块：基于抽取的结构化知识和行业规则，训练大模型，使其具备智能推理、问答、预测等功能。该模块还负责将训练好的大模型嵌入到知识库系统中，实现知识的智能检索和应用。 用户交互与展示模块：提供友好的用户界面和交互方式，方便用户进行知识查询、浏览、分析和应用。同时，该模块还支持定制化开发，根据用户的需求进行功能扩展和界面优化。 使用到的技术： 自然语言处理技术：用于文本数据的预处理、分词、词性标注等，以便从文本中提取有用的信息。 深度学习技术：用于构建大模型，通过训练数据学习知识的表示和推理能力。 知识图谱技术：用于构建铁路行业的知识图谱，实现知识的关联分析和可视化展示。 大数据处理技术：用于处理海量的铁路行业数据，实现数据的快速存储、查询和分析。 私有化部署技术：确保知识库系统的安全性和稳定性，实现数据的独立存储和计算。

网页是构成网站的基本元素，通常是HTML格式的文件，需要通过浏览器来阅读。一个网页主要由结构、表现和行为三部分组成。结构部分由HTML语言来定义，它描述了网页的内容和语义。HTML文件包含了网页的头部信息和主体内容，头部信息中包含了网页的标题、编码、引入的静态资源等，而主体部分则包含了几乎所有的网页内容，如文本、图片、链接等。 表现部分则使用CSS（层叠样式表）来控制页面中元素的样式，对结构进行美化。CSS可以定义元素的布局、颜色、字体等属性，使得网页在视觉上更加美观和易于阅读。 行为部分则涉及到网页的交互性和动态性，通常通过JavaScript等脚本语言来实现。JavaScript可以响应用户的操作，如点击按钮、填写表单等，并动态地修改网页内容或发起网络请求。 除了这些基本的组成部分，网页还可以包含其他多媒体元素，如音频、视频等，以丰富网页的内容和用户体验。同时，随着技术的发展，现代网页也更加注重响应式设计和可访问性，以适应不同设备和用户的需求。 总之，网页是互联网上信息展示和交流的重要载体，通过HTML、CSS和JavaScript等技术的综合运用，可以实现丰富多彩、交互性强的网页效果。

1.作品按客户要求，给出各地机票画像，并做对应的预测。功能模块主要有：数据查询模块，数据预测模块，图形展示，多媒体，天气 2.作品几乎是独立完成

BERT（Bidirectional Encoder Representations from Transformers）是一种预训练的语言表示模型，通过大规模无监督训练获得文本表示，能够捕捉丰富的语义信息。在文本情感分析任务中，我们可以 fine-tune（微调）预训练的BERT模型，将其应用于情感分类任务。通过在情感标注数据集上进行微调，BERT模型可以学习文本中隐含的情感信息，从而实现准确的情感分类。这种基于BERT的文本情感分析方法在情感识别准确性和泛化能力上取得了显著的提升。首先，通过预训练的BERT模型，可以获取深层次的上下文表示，包括词义和语境信息，有助于更准确地捕捉文本中的情感信息。其次，在微调阶段，我们需要在情感标注数据集上对BERT模型进行有监督的参数调整，以适应特定的情感分类任务。在微调过程中，通常会使用较小的学习率，避免过度调整预训练参数。此外，为了更好地处理情感表达的复杂性，可以结合注意力机制、多头注意力等技术，提升模型对情感信息的抽取能力。最后，在模型评估阶段，可以通过准确率、召回率和F1值等指标来评估模型在情感分类任务上的性能表现。这些技术细节共同促使基于BERT的文本情感分析方法取得了较高的准确性和泛化能力。

TrendFlow 是一款强大的 web app 工具，它具备一项令人惊叹的功能。用户只需输入关键词，TrendFlow 便会迅速在各大论文平台上展开搜索，犹如一位敏锐的研究员，精确地筛选出与之相关的论文。然而，它的能力并非仅仅止于搜索，TrendFlow 还会对这些论文进行深入总结，提取出关键信息，就像是一位智慧的学者，将复杂的知识转化为简洁明了的精华。有了 TrendFlow，用户可以轻松获取所需论文的核心要点，大大提高了研究效率。

这是一个类似于 ChatGPT 的 Web chatbot，它的独特之处在于能够将对话内容以知识图谱的形式保存到服务器上，从而实现永久记忆的功能。相比之下，它不仅仅是一个简单的聊天工具，更是一个能够记录和积累知识的智能伙伴。通过这种方式，每次对话都成为了知识的积累，形成了一个不断扩展和丰富的知识体系。这使得它在长期使用中能够更好地理解用户的需求和问题，提供更加准确和有用的回答。它的永久记忆能力使其成为一个不断学习和成长的智能助手，为用户提供更优质的服务和支持。

1.我国结球类蔬菜年种植面积在 1 亿亩以上，在我国蔬菜种植产业中占据重要地位。然而现有移栽机作业过程以人力替换残苗为主，且现有移栽技术以鸭嘴式栽植为主，存在作业速度慢、效率低下等诸多问题；作业速度较高的机型投放菜苗时大多姿态不良，易影响后续长势。 针对上述问题，团队研发了一种可自动替换残苗的零速结球类蔬菜移栽机；移栽装置能够实现多层钵盘储存、钵苗的高速分离及零速移栽；基于 YOLOv5 型识别残缺苗，实现在移栽作业过程中自动替换残缺苗功能；利用图像识别技术识别蔬菜苗间距，得出移栽间距修正系数，从而精准控制蔬菜苗移栽间距。研发的移栽机能够有效提高结球类蔬菜移栽效率与成活率，从而提升产量，降低成本，提高经济效益。 2.我负责其中的幼苗识别和株距识别控制部分，难点在于如何克服背景和环境影响使识别稳定准确，通过不断改进算法和神经网络结构，对背景进图像处理减少干扰提高准确度解决了问题

爬取丁香医生数据平台关于新冠疫情确认人数的所有数据，清洗。建立可视化平台进行数据分析。使用KNN算法对黑龙江省份新冠疫情确诊数据进行建模，建立疫情发展曲线。

对蛋白质数据与药物数据之间的相互作用进行表征。 具体工作： 1.设计基于特征级别的注意力融合模块，保证各层次语意信息之间的相互作用得以有效表征。 2.构建趋势损失函数，平衡基于药物与基于蛋白质数据检测结果差异引起的可信度缺失。

实现对癫痫数据发病种类实现高精度分类，通过运用图卷积技术，以及合适的数据空间建模方法，实现癫痫数据空间相互作用之间的表征。