机器深度学习

本科专业为信息工程，曾经开发过多个微信小程序，结合各种单片机代码；精通微信小程序前后端搭建。 研究生专注于计算机视觉，尤其是医疗影像方向。深度学习方面代码熟练，使用Pytorch框架。擅长处理自然图像、CT、MRI、超声图像均有涉足。

后端使用java + spring开发rest api，移动端通过http请求后台api来传递数据，数据库使用mysql数据库。 移动端使用android，在后端定制随访内容，后台查询数据库，把表单内容格式化成json数据传递给移动端，在移动端根据后台定制json动态显示问卷内容。 获得随访数据以后，在后台运用大模型定期进行数据分析，排查出有风险的相关人群。

1. 软件面向的行业和业务场景 本软件主要面向法律、投诉处理和文本分类领域，适用于需要对大量文本数据进行自动分类和处理的企业或机构。具体业务场景包括： 投诉分类：对客户投诉内容进行自动分类，识别投诉类型（如商品质量、服务态度等），以便后续处理。 法律文本分析：对法律相关文档进行语义理解和分类，辅助法律工作者快速定位关键信息。 NER（命名实体识别）：从文本中提取关键实体（如产品名称、公司名称等），用于进一步的数据分析或知识图谱构建。 2. 项目功能模块及使用者功能 项目分为多个功能模块，每个模块对应特定的功能需求： 数据预处理模块： 功能：清洗、分词、去停用词、生成训练数据集。 使用者功能：提供干净、结构化的数据以供模型训练。 特征工程模块： 功能：将文本转换为数值特征（如词向量、TF-IDF 等）。 使用者功能：通过特征提取提升模型性能。 模型训练模块： 功能：支持多种深度学习模型（如 LSTM、GRU、CNN 和 Transformer）的训练。 使用者功能：根据业务需求选择合适的模型进行训练，并优化超参数。 模型评估模块： 功能：使用交叉验证、混淆矩阵、F1 分数等指标评估模型性能。 使用者功能：监控模型表现，调整模型以提高准确率。 预测模块： 功能：加载训练好的模型，对新输入的文本进行分类预测。 使用者功能：实时获取文本分类结果，辅助决策。 资源监控模块： 功能：监控系统资源（如 CPU、内存）和模型训练过程中的性能指标。 使用者功能：确保模型在有限资源下高效运行。 部署与应用模块： 功能：将模型封装为 RESTful API 或微服务，便于集成到现有系统中。 使用者功能：通过接口调用模型服务，实现自动化文本分类。 3. 项目的技术选型和架构特点 技术选型： 编程语言：Java 和 Python。 深度学习框架： Java：使用 Deeplearning4j 实现 LSTM、GRU 和 CNN 模型。 Python：使用 PyTorch 和 Hugging Face 的 Transformers 库实现 BERT 等 Transformer 模型。 依赖管理：Python 使用 pip-tools 管理依赖，Java 使用 Maven 进行依赖管理。 监控工具：TensorBoard 和 MLflow 用于模型训练监控，psutil 用于系统资源监控。 架构特点： 多语言协作：Java 主要负责模型训练和部署，Python 侧重于数据预处理和高级模型（如 BERT）的训练。 模块化设计：各功能模块独立开发，便于维护和扩展。 分布式部署：支持 Docker 容器化部署，便于在云端或本地环境中运行。 高性能计算：支持 GPU 加速（如 CUDA），提升模型训练和推理效率。 该软件通过结合 Java 和 Python 的优势，提供了从数据预处理到模型部署的完整解决方案，适用于需要高效、精准文本分类的业务场景。

本方案主要研究激活函数在人脸识别模型的搭建与训练过程中所产生的影响，具体分析不同激活函数对模型训练时间和准确率的作用。我们将从以下几个方面进行详细探讨：首先，使用不同的非线性函数进行模型搭建，比较其在训练过程中的表现差异；其次，针对饱和函数和非饱和函数进行分类研究，分析这两类函数在模型训练中的优势和不足。通过这些研究，我们期望能找到一种能够在保证准确率的前提下，缩短训练时间的激活函数，从而优化人脸识别模型的性能。

基于深度学习的Web云端皮肤疾病识别工程是一个具有重要意义的项目，以下是关于该工程的一些信息： ### 技术实现 - **深度学习模型**：通常使用卷积神经网络（CNN）作为核心模型，如ResNet、DenseNet、Inception等。这些模型能够自动学习皮肤图像中的特征，从而实现对皮肤疾病的分类和识别。 - **数据处理**：需要对大量的皮肤图像数据进行收集、标注和预处理。预处理可能包括图像裁剪、归一化、增强等操作，以提高模型的鲁棒性和准确性。 - **Web云端架构**：利用云计算平台的强大计算能力，将深度学习模型部署在云端。用户可以通过Web界面上传皮肤图像，云端服务器接收图像后，调用深度学习模型进行识别，并将结果返回给用户。 ### 优势与特点 - **高效便捷**：用户无需安装复杂的软件或具备专业的技术知识，只需通过Web界面上传图像即可快速获得诊断结果。 - **准确性高**：深度学习模型在大规模数据上进行训练，能够学习到丰富的特征，从而提高皮肤疾病识别的准确性。 - **可扩展性强**：云端架构使得系统能够方便地进行扩展，以应对更多的用户请求和更复杂的模型。 ### 应用场景 - **医疗辅助诊断**：帮助医生快速筛选和初步诊断皮肤疾病，提高诊断效率。 - **远程医疗**：为偏远地区或医疗资源不足的地区提供远程诊断服务。 - **个人健康管理**：用户可以自行上传皮肤图像，及时了解自己的皮肤健康状况。

国内盲人数量占一定的比例，为解决盲人安全出行问题，设计了一套穿戴式的头盔智能导盲系统。我在此项目中主要负责设计导盲系统的视觉避障、目标识别、视觉引导等算法的框架搭建。采用pytorch深度学习框架与YOLOv5目标检测网络训练的日常出行目标识别模型以及tof测距雷达，最后设计了设备终端将图像传输和数据远程传输到算法服务端的分布式系统实现对行人、车、阶梯、石头、树等有效识别并定位其方位和距离达到引导盲人通过语音和腕部传感器感知环境信息实现主动避障，经实验测试有一定的辅助引导效果并在第十届全国光电设计大赛中获得国家级二等奖。

自主研发了一款安全平台，该平台集成了当前主流的CLIP后门攻防算法，能够有效支持用户管理、安全评测、信息查询等多种功能。平台通过灵活的架构设计，提供了高度可扩展的安全评估能力，帮助用户实时监控与分析模型的安全性。通过集成的攻防算法，平台能够针对CLIP模型进行全面的安全防护，确保模型在面对各种后门攻击时依然能够维持较高的鲁棒性和准确性。

成功部署与优化超大参数模型： 在大型算力服务器集群上成功联动部署并优化了V3、R1 671B DeepSeek 满血版等超大参数模型，使用 Ollama、SGLang、KTransformer、Unsloth 等推理框架进行部署对比，提升了模型的推理性能和应用效率。 高效管理多GPU服务器集群： 使用 NCCL 技术完成多GPU服务器联动部署，解决了多机多卡之间的通信与负载均衡问题，成功实现了大规模分布式训练和推理 完成大模型微调： 利用 Ollama-Factory 对 14B 以上大模型进行 Full、Freeze、LoRA 微调，优化了模型精度和运行效率，提升了业务需求的适应性。 搭建前沿AI工作流解决方案： 完成 SD、Flux、Wan2.1 等图文生成、图生图、图生视频应用的部署，并成功搭建 Dify、Coze、ComfyUI 等 AI 工作流解决方案，成功实现大模型在商业应用中的实际落地。 开发大模型代理： 制作多个大模型代理，通过调用大模型工具为具体业务场景提供定制化解决方案，成功实现了商业化应用的落地，在开放API平台上参与Python后端路由开发工作

该项目主要分为三部分，算法、前端和后端，算法读取摄像头数据并实时处理，将处理后的结果发给后端保存，处理后的视频经流媒体发给前端显示；前端使用Vue框架，结合element-ui、Echarts实现了对人流量数据的图表分析功能。后端采用SpringBoot，实现数据的接收发送与用户权限管理。

**鸢尾花智能分类系统项目简介** 本项目聚焦于植物学数据分析与智能识别领域，基于经典的鸢尾花数据集开发了一套高效、精准的物种分类解决方案。系统适用于科研机构、教育平台及数据分析服务商，能够自动化完成鸢尾花种类识别，助力研究人员快速分析样本特征（如萼片与花瓣尺寸），降低人工分类成本，提升数据处理的标准化水平。 项目功能模块清晰完备，覆盖数据处理、模型训练与部署全流程： 1. **数据预处理模块**：支持自定义数据集加载，自动完成标签编码、张量转换及数据分割（70%训练集、20%验证集、10%测试集），确保数据质量。 2. **深度学习模型**：采用三层全连接神经网络（输入层4节点、双隐藏层各10节点、输出层3类别），通过交叉熵损失函数与Adam优化器实现高精度分类。 3. **训练与评估模块**：集成训练进度可视化（tqdm进度条）、设备自适应（GPU/CPU无缝切换）及实时指标监控，输出训练/验证集的损失与准确率，支持模型性能动态优化。 4. **模型部署模块**：训练完成后自动保存模型权重，提供开箱即用的预测接口，用户可快速集成至业务系统。 技术选型彰显高效性与扩展性：基于PyTorch框架实现模块化开发，利用DataLoader提升数据加载效率，结合随机梯度下降与早停策略防止过拟合。架构特点包括： - **跨平台兼容**：自适应硬件加速（支持CUDA），降低部署门槛。 - **高可复用性**：数据集类与模型均可自定义扩展，适配多分类场景。 - **结果可追溯**：模型权重与训练日志结构化存储，便于复现与调试。 本项目代码结构清晰、注释完整，提供从数据预处理到模型落地的端到端服务，适合作为智能分类项目的开发模板，助力开发者在数据分析、教育科研等领域快速接单交付，满足客户对高效AI工具的需求。

本方案用于实现车载智能视频分析，通过AI算法模型在端侧对实时视频进行分析处理，用于采集客流量、司机疲劳驾驶等等,从而实现给业务侧提供精准数据支撑。主要用于公交车、大巴车等场景，也可以扩展应用到各类视频分析的其他场景。

#软件类设计#pc端#系统开发#app 接 专科/本科 软件类 论文设计、论文撰写，格式修改，降重 企业级 PC端系统开发、网页系统开发、手机app开发、小程序开发 高效完成✅ #软件类设计#pc端#系统开发#app 接 专科/本科 软件类 论文设计、论文撰写，格式修改，降重 企业级 PC端系统开发、网页系统开发、手机app开发、小程序开发 高效完成✅ #软件类设计#pc端#系统开发#app 接 专科/本科 软件类 论文设计、论文撰写，格式修改，降重 企业级 PC端系统开发、网页系统开发、手机app开发、小程序开发 高效完成✅

1.针对大量共享单车停放混乱的现象，有必要加强对用户的提醒，引导他们合理地摆放单车。通过在应用程序中发送友好的提醒通知，以及在停车区域设置明确的指示标志，可以有效提升用户的自觉性，从而改善城市公共空间的整洁和通畅。 2.与传统的视觉判断方法相比，利用先进的技术手段，我们的系统能够更快速、准确地识别单车的停放位置。这不仅提高了工作效率，还大大增强了用户体验，用户能够更方便地找到并归还车辆，而无需为寻找停车点而烦恼。 3.该技术解决方案在相关服务场景中具有极高的复用价值。除了共享单车，其他共享交通工具和公共设施管理中也可应用这套系统，提供了一种可持续和高效的管理方式，有助于提升运营效率和用户满意度

本方案旨在解决目标检测和视频帧的多目标检测，该任务应用于后续的多目标跟踪和分割等任务。可根据用户需求更换数据集，不仅限于人。本方案使用深度学习框架，相比于传统算法，精度更高，本方案无需训练即可使用。

编程语言: Python 深度学习框架: PyTorch 核心算法: AlphaPose（人体姿态估计） + ST-GCN（时空图卷积网络） 工具链: OpenCV（视频处理） 硬件平台: NVIDIA GTX3060 以下是根据您提供的信息整理的项目经历描述模板，突出技术亮点和应用价值： 项目名称 基于深度学习的家庭老人健康监护系统——实时动作识别与危险预警 项目简介 针对居家老人安全监护场景，开发一套基于计算机视觉的智能监测系统，利用AI技术实时分析视频流中老年人的行为特征，精准检测跌倒、抽搐等高风险动作并触发紧急报警。系统采用轻量化模型部署于边缘设备，兼顾实时性与准确性，为家庭提供7×24小时主动防护解决方案。 技术栈 编程语言: Python 深度学习框架: PyTorch 核心算法: AlphaPose（人体姿态估计） + ST-GCN（时空图卷积网络） 工具链: OpenCV（视频处理）、TensorRT（模型加速）、Flask（Web服务）、MySQL（数据存储） 硬件平台: NVIDIA Jetson Nano（嵌入式部署） 核心实现细节 多模态数据采集与标注 整合公开数据集（如HMDB51、UCF-101）与自采家庭场景视频，构建包含10k+标注样本的数据集，覆盖正常动作（行走、坐立）及异常动作（跌倒、颤抖）。 使用LabelImg工具进行精细化标注，同步记录时间戳与动作类型标签。 AlphaPose优化与适配 基于OpenPose改进人体关键点检测模型，引入动态权重调整机制提升复杂背景下的鲁棒性（如遮挡、低光照）。 通过ONNX格式转换实现模型轻量化，推理速度降低至

项目名称：社交网络用户影响力分析与建模 一、项目背景 随着互联网技术的发展，社交媒体平台如微博、微信、Facebook、Instagram等越来越受欢迎。人们通过这些平台分享信息、互动交流，形成了庞大的社交网络。社交媒体用户产生了大量的内容，包括文字、图片、视频等。其中一部分用户因其独特的观点、创造性的内容或广泛的关注者而受到关注，拥有较高的影响力。交网络用户影响力分析可以帮助企业识别具有较高影响力的用户，找到合适的合作伙伴进行品牌合作、产品推广等。通过与具有影响力的用户合作，可以提高品牌知名度、扩大产品影响力。 二、项目需求 2.1. 业务需求 •分析用户个人信息与用户影响力的关联关系 •通过用户数据对比，识别出更据影响力的一方，制定合作用户选择策略 个人完成

1.首先通过算法从图像中分割出人脸区域，基于深度学习的卷积神经网络（CNN）。 2.利用深度学习模型（如FaceNet、VGGFace）从检测到的人脸区域中提取具有区分性的特征向量。 3.使用相似度度量算法（如余弦相似度）将提取的特征向量与数据库中的特征向量进行比对，以实现身份识别。 4.支持多种应用场景，如1:1（单个人脸比对）和1:N（多个人脸比对）。

1. 软件面向的行业和业务场景（25%） 本项目主要面向 安防监控、智能考勤、身份认证、智慧零售 等行业，提供高效、轻量级的人脸识别解决方案。其主要应用场景包括： 安防监控：在公共场所（如商场、地铁、机场）进行人脸检测，实现异常行为预警和黑名单人员筛查。 智能考勤：在企业、学校等场景中，实现无感考勤，提高管理效率。 身份认证：用于门禁系统、智能支付、在线身份验证等，提高安全性和便利性。 智慧零售：通过人脸识别分析客户行为，优化商品摆放，提高用户体验。 2. 主要功能模块及用户体验（50%） 本项目采用 YOLO（You Only Look Once） 作为人脸检测模型，并基于 ncnn 框架 进行优化和部署。系统主要包括以下功能模块： 人脸检测模块 采用 YOLO 进行高效人脸检测 适应不同光照、角度、遮挡等复杂场景 提供实时检测能力，支持视频流处理 人脸特征提取与比对 通过深度学习提取人脸特征向量 提供 1:N（搜索）和 1:1（身份验证）比对模式 低计算成本，实现快速匹配 人脸数据库管理 用户可添加、删除、更新人脸数据 支持本地数据库和远程存储 提供 API 供第三方系统调用 结果可视化与日志记录 提供 Web 端或客户端实时查看检测结果 记录识别日志，便于追踪与回溯 支持图片、视频输入与批量处理 轻量级部署 针对移动端和嵌入式设备优化，低功耗运行 适配 ARM 设备，如 Android 终端、树莓派、嵌入式 IPC 设备等 3. 技术选型与架构特点（25%） 本项目的技术架构充分考虑了 高效性、跨平台兼容性和易用性，主要特点如下： ncnn 框架： 轻量级、无第三方依赖的神经网络推理框架 适用于移动端和嵌入式设备（ARM 设备优化） 支持 Vulkan 加速，提升 GPU 计算效率 YOLO 模型： 速度快、检测精度高 适用于实时应用，能够在低功耗设备上运行 C++/Android 端优化： 采用 C++ 进行核心算法开发，提升运行效率 可适配 Android 端（通过 JNI 调用） 模块化架构： 提供 API 接口，支持与其他系统集成 可扩展性强，未来可支持更多识别算法（如 RetinaFace、ScrFD）

• Develop all pages of the company's official website and run and maintain it online • Create a design system and iterate and upgrade the UI • Manage customer study tour date planning and coordinate the progress of the service team Generated product ideas after receiving design requirements and inspire design directions Collaborated with engineers team, created a web-based data security platform, for enterprises worldwide to eliminate the risks and hardships associated with personal data management and privacy compliance Perform data analysis in order to get insight from qualitative and quantitative data for designing Created User-flows, models, and design documents Established the Design System Conducted usability tests and A/B testing using wireframe, low fidelity mockups, and high-fidelity prototypes Iterated on different versions of product prototypes to fit the most recent marketing needs  Created logos, slides, and short video for business needs  Led a design sprint with a UX team of six to generate early product ideas and to inspire design directions  Collaborated with Salisbury University’s engineer team, created a web- based communication platform, UWLES Connect, for UWLES service providers, its 40 partner agencies, and members of the community where health information and social services are exchanged, discovered, and accessed  Conducted user research, identify and prioritize research questions-based project goals  Execute ux research by multiple methology, such as interviews and competitive analysis; created and collected surveys; conducted 30+ user interviews to understand stakeholders’ needs  Perform data analysis in order to get insight from qualitative and quantitative data for designing  Conducted usability tests and A/B testing using wireframe, low fidelity mockups, and high-fidelity prototypes  Established the design system of UWLES Connect and created a color system for it  Iterated on middle-level prototypes and delivered high-fidelity UI mocks which include the home dashboard, client-side chatbot, full- screen group chat, and resources directory  Collaborated with two HCI students, created component libraries and three speculative app interfaces focused on building a healthy lifestyle  Created a film-based narrative that tall the fictional story of a user based entirely on their mobile phone use

1. 软件面向的行业和业务场景 该项目是基于强化学习的自我博弈模型，主要面向人工智能（AI）和机器学习领域，特别是在棋类游戏和智能对弈的应用场景。其核心目标是训练一个能够与人类对弈并不断优化策略的 AI 玩家。通过强化学习与蒙特卡洛树搜索（MCTS）相结合，这个软件可以应用于任何需要决策优化和策略训练的领域，如自动驾驶、金融预测、机器人控制等。 业务场景包括： 人工智能竞技游戏：用于训练 AI 玩家，模拟自我博弈，提升 AI 策略。 游戏开发与优化：游戏公司可以用该技术提升 NPC（非玩家角色）智能，增强游戏体验。 教育与研究：为机器学习和强化学习的研究者提供实用工具，帮助学习和理解深度强化学习的应用。 2. 项目分为哪些功能模块，对使用者来说具体实现哪些功能 该项目包括以下主要功能模块： Board（棋盘信息模块）：该模块存储并管理棋盘的信息，定义了棋局的状态和每个玩家的操作。 MCTS（蒙特卡洛树搜索模块）：用于构建决策树，通过模拟多次博弈来选择最优的落子策略。其核心思想是利用树状结构进行搜索，并根据模拟结果做出决策。 Residual Neural Network（残差神经网络模块）：该模块用于训练 AI 玩家，通过深度神经网络辅助预测最佳的落子位置。网络结构采用残差神经网络（ResNet），以提高训练效果和预测准确性。 AI Player（AI 玩家模块）：将蒙特卡洛树搜索与神经网络结合，构建出一个能够自我学习和对弈的智能 AI 玩家。 Game（游戏过程模块）：该模块定义了自我博弈和人类对战的流程，确保系统能够支持多种游戏模式，包括 AI 自我对弈和与人类对弈。 MetaZeta（主程序和 GUI 模块）：该模块整合了所有功能模块，并提供图形用户界面（GUI）进行操作。用户可以通过界面启动自我对弈或与 AI 对战的模式。 具体功能包括： AI 自我对弈：用户点击“AI 自我对弈”按钮，系统将启动 AI 玩家进行自我博弈，训练其棋局策略。 与 AI 对战：用户可以与训练好的 AI 玩家进行对弈，测试 AI 的下棋水平。 3. 项目的技术选型和架构特点 该项目采用了以下技术选型： 操作系统：Ubuntu 18.04.6 LTS。 深度学习框架：TensorFlow GPU 2.6.2，用于加速深度学习模型的训练和推理。 编程语言：Python，用于开发所有功能模块，具有良好的扩展性和兼容性。 项目的架构特点： 模块化架构：整个项目由多个独立的模块组成，包括棋盘信息管理、蒙特卡洛树搜索、残差神经网络、AI 玩家、游戏过程控制等。各模块通过接口进行交互，保证了系统的灵活性和可扩展性。 强化学习与 MCTS 结合：通过强化学习算法（自我博弈）与蒙特卡洛树搜索相结合，AI 玩家可以从对弈中不断学习和优化策略，从而提高游戏水平。 GUI 界面：项目提供了图形化界面，方便用户启动不同的模式（自我对弈或与 AI 对战）。用户通过简洁的界面与 AI 进行交互，增加了使用的友好性。