机器深度学习

100%个人完成！网站：https://www.ptefighter.com 后端服务技术栈：Laravel8.x + mysql8 + nginx pc网站 + 管理系统：vue + elementui Andorid: Java + uniapp IOS: object-c+uniaapp

上下双相机对位贴合 第一步,首先明确我们的目标,就是我们到底在做啥,抓这个产品放到我们的目标问题,所以我们不要在上面图的位置分析。 第二步,假设我们上面的产品没有偏差,直接把产品移动到我们的目标位置:标准放置位置M1(x,y,u),放下产品 第三步,确定我们的看看位置到底是怎样偏差的,然后就知道我们该怎样旋转平移了。

人工智能竞赛平台，赛事管理平台，系统自动根据赛事规则评分。 提供更多智能算法解决方案，促进人工智能行业的发展。

模型：打磨因子选择方法；用自适应滚动调参的树模型、成体系化的深度表征学习模型作为普适AI产品，用于各种不同类型因子集合进行因子融合 效果：在百亿私募实盘规模预估数十亿，有不错增量

现有的抄清摘要抽取算法主要基于用户主观意识的文字生成，带有主观偏见，但是抄清工作赋能的目标是尽可能少的利用原文获取更多信息，保存更多的信息。 本项目将基于自然语言处理技术对抄清数据进行分析，快速挖掘出重要信息，并通过结构化形式展示出来。方便其他人员的信息的快速阅识。主要包括如下三步任务： 1、将诸如PDF、图片等格式抄清信息通过特定算法识别出来转为纯文本信息； 2、利用训练的算法先对文本信息进行分类处理，再基于不同类别训练的算法模型从完整的抄清信息中快速挖掘出重要信息； 3、通过直观的结构化形式展示出来。 2、拟解决的关键问题 1、将抄清信息从不同格式文件中提取出来 抄清信息储存的格式丰富多样，包括PDF、TXT、图片、DOC、EXCEL等，将抄清信息从这些不同格式中抽取出来是下游任务进行的关键，本项目将用诸如pdfplumber、PaddleOCR等python库并结合规则算法将文本信息从上述格式中抽取出来。 2、筛选任务目标需要的模型 针对本项目，从文本基础预处理出发到抄清重要信息任务展示，选取大量的领域较优模型进行对比分析，筛选适合本任务的算法模型进行后续的优化研究。 3、数据不足，如何对模型进行有效的监督学习 当前模型未接入“抄清工作”历史沉底的带行业特征的语料库,因此为了解决监督学习任务标签数据不足问题，考虑用以下两种方法解决： ①、预训练+微调：首先在一个大规模无监督数据语料库上对一个强大的任务无关模型进行预训练，之后再使用一小组标签样本在下游任务上对该模型进行微调。 ②、预训练+数据集自动生成：给定一个功能强大的预训练模型（chatGPT），利用该模型来自动生成更多得多的标签样本。再将生成的标签数据通过人工修订后座位标签数据进行模型训练。 4、如何将完整的人类反馈强化学习（RLHF）步骤复现到训练的大模型中，使大模型在针对任务上效果更优。 现有开源大模型都只得到了人类反馈强化学习（RLHF）中第一步的监督微调模型，没有进行后续的对齐和微调工作。 RLHF算法复现： RLHF第一步（Stage1）是supervised-fintuning，即使用上文提到的数据集进行模型微调。 RLHF第二步（Stage2）训练了奖励模型，它通过对于同一个prompt的不同输出进行人工排序，得到对应分数，监督训练奖励模型。 RLHF第三步（Stage3）使用了强化学习算法，是训练流程中最复杂的一部分。

Qt手动和自动流程控制建筑机器人作业系统。TX2嵌入式系统驱动控制通信接口，websocket安卓平板控制相关的网络通信协议接口和架构

1.私有化离线部署LLM模型 2.可将LLM模型返回json格式化接口 3.LLM可解析语义访问数据库(例如mysql)或文档等文本资料返回数据

【业务模块】 整体金融大模型行业调研报告项目主要分为三个部分，其中第一部分主要是待调研公司核心数据的 配置模块，主要包括三个类别下的数据信息，即:所属行业，推荐指标类别和核心指标类别等。第二 部分主要是对待调研公司的各类指标进行行业咨询内容的采集。第三部分是对于采集的信息做核心信 息抽取，完成整体摘要信息的生成。 【负责业务】 主要负责整体业务架构的算法架构设计，实现基于金融搜索大模型的信息采集和基于金融推理大模型的 调研报告生成。主要涉及到搜索大模型的应用，大模型微调和基于大模型的摘要生成等业务内容。 【效果】 整体完成了业务目标，实现了全自动的行业信息采集和摘要生成，极大地提高了行业调研报告生成的效率。

根据去年 的 AI 浪潮 自主研发的 ai 问答 ai 绘画 app ai 问答技术支持 使用羊驼 绘画使用 sd 有多位市场部门经理 以及各个 部门4 个月合作与测试 研发 最终完成 上线 (现在已下线)

背景：本人读研期间，正是新冠病毒流行的时间，人们进出公共场所一般都佩戴口罩，导致现有的门禁系统 不能快速准确地识别进出行人的身份，往往需要人们摘下口罩才能识别。故为了解决该问题，实现戴口罩下 的人脸识别，研究设计了在嵌入式设备上快速检测人脸并进行身份识别的算法和门禁系统样机。 (1) 利用深度学习框架 pytorch，并基于 SSD 算法，结合比较新颖的特征提取网络（如 CSPNet）和后处 理算法（如 CIOU），设计了一款轻量化的、能够在嵌入式设备实时运行的人脸检测模型，为人脸识别 提供较为纯粹的人脸图像，mAP 和 FPS 分别可达 96.46%、41。 (2) 利用 MAFA 和 WIDER FACE 人脸数据集，制作佩戴口罩和未佩戴口罩的人脸图像，并重新设计人脸识 别精度验证的测试方法，利用 CSPNet 网络提取特征、CBAM 注意力机制突出重点区域，ArcFace 损失 函数和受 CenterLoss 启发提出的类间损失函数共同训练人脸识别网络，最终人脸识别正确率在人脸底 库为 500 人时，可达 88%，对小型人脸底库识别有较强的应用意义。 (3) 动手搭建门禁系统样机，包括总体框架设计、硬件选型与制作、电机启停小信号传输、作为队长组织团 队成员参加相关比赛等，最终获得 2021 年挑战杯比赛校赛二等奖、实用新型专利一项、发明专利两项。 (4) 理论知识增长与实用技能提升：熟悉常见的目标检测网络，有 2~3 年的 Pytorch、TensorFlow 深度学习 框架和 python 语言使用经验，具备从事目标检测工作的基本能力；熟练使用 VScode 开发环境、linux 系统；

1.项目为省级重点项目，主要围绕反诈相关的需求,包含断卡，预警劝阻，反制...等等相关功能 2.我主要负责全省扫码系统的研发，全省银行和运营商几万个网点的扫码小程序，以及断卡相关的功能 3.难点： 1.前期需要为每个网点生成各种码牌供网点扫码，一个一个生成会很慢；采用多线程批量生成 2.每天有6 7万数据入库，管理平台需要查询，统计，会非常缓慢；采用clickhouse+datax技术查询数仓的数据解决此问题 3.每秒并发比较高，程序扛不住影响使用；采用负载均衡请求转发到多个实例，数据先入mq削峰，避免并发量太高数据库崩溃

1. 系统描述：本系统为AI多模态人工智能聊天系统，展示的模块为青少年问卷调查智能问卷。系统根据用户对问卷内容的回答，智能分析诊断用户的心理健康状况，为医生提供指导性建议 2. 责任描述： 整个系统架构搭建，问卷流程设计，以及AI核心模块的开发 3. 成果：已经与上海卫建委成功签订合作合同，并申报为24年度政府相关科研课题

一, 此软件用于开发各类功能测试，使用脚本即可完成各类项目。 二， 此系统由本人独立完成， 使用C#开发， 视觉使用halcon算子完成。 三， 此软件性价比极高， 大大提高了开发人员的开发效率。

系统是一款基于ThinkPHP框架开发的AI问答小程序 为用户提供了智能而互动的聊天体验 系统还集成了全开源的GPT4.0MJ绘画系统AI，使得用户可以使用AI进行绘画创作

搭建了将手势转化为字符的神经网络。在预处理阶段只考虑了主手以减少无效特征，删除了没有检测到手的帧并利用插值法对齐输入视频，同时创建了一阶导数来丰富输入特征。其间尝试了将编辑距离构造为可微分的损失函数。另外还使用了数据增强、残差网络、因果卷积、Ranger、CTC、BeamSearch等技术。最后，利用TensorFlow Lite转换器对模型进行了一些优化，以提高模型在移动设备上的性能和效率。这些优化包括量化（quantization）、权重剪枝（weight pruning）、图优化（graph optimization）等。

本作品采用先进的YOLOv8算法，实现高效的目标检测与目标计数功能。通过精准识别图像中的物体并自动统计数量，为各种应用场景提供便捷、准确的自动化解决方案。

1、项目描述 为了提高对互联网海量源声中舆情的分析能力,本项目构建了一个社媒数据的热点挖掘与观点提取系统。系统的主要目标为： （1)对于海量互联网源声进行过滤,保留相关数据； （2)基于过滤结果,对源声进行事件抽取与编码,聚类形成业务热榜； （3)对于各业务热榜进行观点分类,得到热点事件的用户舆情。 2、主要工作 （1）根据任务特点,从零训练了中文GPT-4模型用于源声数据的事件生成,通过三个阶段分别训练模型的中文语言建模能力,通用摘要能力和针对任务的事件生成能力； （2）分别训练了用于领域过滤,观点分类的模型,引入Prompt Learning,对比学习等技术提升模型性能； （3）尝试使用中文大模型对热点事件模块进行优化,提升热榜准确率和可读性； （4）完成服务的工程代码开发,各功能模块解耦,满足业务方的实际使用场景,部署服务到MLOPs平台。 3、项目成果 （1）截至目前,文本过滤模块和观点分类模块准确率均达到90%以上; （2）舆论热榜模块聚类簇准确率达到87%，相较于原服务准确率提升20%； （3）服务交付相关业务使用。 4、个人收获 （1）深度参与构建真实场景下的NLP应用系统,完整地进行了"数据准备-模型构建-训练调优-工程开发-测试验收服务上线"的过程； （2）通过本项目,对预训练语言模型的应用能力和不同任务的综合能力得到进一步锻炼;对企业中的模型开发流程和工具平台有一定了解。

模型：deeplabv3+ 去除笔迹的任务定义为分割任务。因此使用名为 Deeplabv3+ 的语义分割模型来解决这一任务。 实现：train predict 效果与网易相似 https://ai.youdao.com/handwritingErasure.s#/

首先对热带雨林的遥感图片进行标签处理，我们使用了lableme工具，接下来编写常规unet代码，并将主干架构替换为resnet最后加入ASPP和注意力机制模块进行优化。

1.gd32底盘控制,uart,i2c,spi,多传感器接入 2.算法版系统框架搭建，多进程通讯，glog，protobuf，UART通讯，ota升级 3.jps导航规划 4.机器人工作站通讯开发，无线升级