机器学习、深度学习、强化学习、迁移学习

致力于用AI解决生活中的难题，技术驱动生活

  • 博客(72)
  • 资源 (49)
  • 问答 (1)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 python机器学习，深度学习

python机器学习深度学习代做

2022-01-14 23:41:06 1725 6

原创 安卓端目标检测模型部署血泪史：从NCNN/TFLite/MNN全军覆没到Torchscipts终见光明

公司需在Android设备部署目标检测模型，要求：✅ 实时检测速度≥15FPS✅ 模型精度损失<5%✅ 兼容中低端安卓设备👉 GitHub项目地址：pytorch/android-demo-app/ObjectDetection我已上传这份源码到csdn下载准备模型（必须走这步才能跑通安卓端源码）如果您没有设置PyTorch环境来运行该脚本，可以下载模型文件此处转到“android演示app/ObjectDetection/app/src/main/assets”文件夹，然后跳过此步骤的其余部分，直

2025-04-19 12:02:00 679

原创 有人遇到过yolov8n.pt模型转torchscripts和onnx，在triton server或Deepytorch Inference上推理，精度下降的问题吗？

请问有人遇到过yolov8n.pt模型转torchscripts和onnx，在triton server或Deepytorch Inference上推理，精度下降的问题吗？

2024-11-14 17:40:52 952 1

原创 BP-LSTM-Attention-transformer，含数据，可直接运行，TensorFlow

本文主要讲解：BP-LSTM-Attention-transformer，含数据，可直接运行，

2023-06-03 16:52:11 2026

原创 神经网络的票房预测CNN-RNN-LSTM

本文主要讲解：神经网络的票房预测，三种实现方式CNN、RNN、LSTM主要思路：1、用不少于3种神经网络构建电影票房预测模型，并在同一个数据集上进行训练和预测，对比各个模型的准确率，并可视化。（使用CNN、RNN、LSTM）2、对数据预处理并对数据进行可视化：分析预算对票房的影响、观众打分对票房影响、流行系数对票房影响、预算和观众打分对票房的影响，电影语言对票房的影响、票房的正态分布。3、对神经网络结构、多个模型比对、训练过程进行可视化4、特征分析训练的数据集：Kaggle的movie数据集。

2023-05-30 21:48:03 1606 5

原创 南宁二手房分析与研究报告毕业设计

此次项目任务是针对想在南宁买房自住或者房地产投资的客户，对南宁房价进行分析，分析的开始则是在网上爬取数据，并对数据进行可视化分析。当中所需要的技术是python的scrapy爬虫框架，以及matplotlib、pyecharts包。爬取数据后，对南宁二手房进行分析，让买方清楚南宁二手房状况，理解价格，尝试找出南宁房价规律，对选择二手房能防止被骗。也可以使卖方清楚自己房子的定位价格,并对数据建立预测模型，根据假想条件，预测出房价。

2023-03-07 20:34:35 880

原创 麻雀算法SSA优化LSTM长短期记忆网络实现分类算法

本文主要讲解：麻雀算法SSA优化LSTM长短期记忆网络实现分类算法准备一份分类数据，数据介绍在第二章准备好麻雀算法SSA，要用随机数据跑起来用lstm把分类数据跑起来将lstm的超参数交给SSA去优化优化完的最优参数给lstm去做最后一次训练Cll：出料量Lsp：量水平Djzsp：电解质水平Djwd：工作温度Fzb：分子比Fe：铁含量Si:硅含量Ludiyajiang：压降Ddlsp：打点量水平Avv：平均电压wv：工作电压。

2023-03-06 22:52:31 2741 8

原创 ChatGPT：使用人工智能聊天机器人的 30 种令人难以置信的方法

ChatGPT：使用人工智能聊天机器人的 30 种令人难以置信的方法OpenAI 的主 ChatGPT 网站截图。开放人工智能“我是 OpenAI 开发的语言模型。我接受过各种互联网文本的培训，包括网站、书籍等。这使我能够对各种问题和提示生成类似人类的文本响应，”ChatGPT解释。“我的训练数据涵盖了广泛的主题，所以我可以就许多主题进行交流，包括但不限于科学、历史、数学和时事。

2023-02-23 22:15:50 2391 1

原创 Linux（Ubuntu）使用setsid命令后台运行python代码并记录终端输出，并实现开机自启

本文主要讲解：Linux（Ubuntu）使用setsid命令后台运行python代码并记录终端输出，并实现开机自启setsid命令 比nohub命令好用，setsid有些系统默认已安装，nohub比较难安装终端输出记录实现自启。

2023-02-20 10:14:19 578

原创 cnn-bigru-attention对电池寿命进行预测

本文主要讲解：cnn-bigru-attention对电池寿命进行预测建立cnn-bigru-attention模型读取数据，将数据截成时序块训练模型，调参，评估模型，保存模型电池寿命数据。

2023-02-19 11:53:52 1309 2

原创 pytorch pso优化cnn-lstm 智慧海洋-渔船轨迹识别

本文主要讲解：pytorch pso优化cnn-lstm 智慧海洋-渔船轨迹识别

2022-11-12 14:53:47 3808 5

原创 鲸鱼算法优化LSTM超参数-神经元个数-dropout-batch_size

本文主要讲解：使用鲸鱼算法优化LSTM超参数-神经元个数-dropout-batch_size

2022-11-12 14:40:25 6089 7

原创 灰狼算法优化LSTM超参数-神经元个数-dropout-batch_size

本文主要讲解：使用灰狼算法优化LSTM超参数-神经元个数-dropout-batch_size

2022-11-12 14:27:55 4510 10

原创 PSO粒子群优化-BP神经网络-优化神经元个数dropout和batch_size

本文主要讲解：PSO粒子群优化-BP神经网络-优化神经网络神经元个数dropout和batch_size

2022-08-19 23:10:47 2989 4

原创 PSO粒子群优化CNN-优化神经网络神经元个数dropout和batch_size等超参数

本文主要讲解：PSO粒子群优化-CNN-优化神经网络神经元个数dropout和batch_size，

2022-08-19 22:58:44 3315 3

原创 python如何删除数据中含有“.0.01“的异常数据

本文主要讲解：使用python删除数据中含有".0.01"的异常数据

2022-08-13 12:18:08 1056

原创 贝叶斯优化LSTM超参数

本文主要讲解：使用贝叶斯优化LSTM超参数

2022-08-04 13:24:44 7083 11

原创 PSO优化GRU-LSTM超参数

本文主要讲解：使用PSO优化GRU-LSTM超参数，神经元个数、学习率、dropout和batch_size建立GRU-LSTM模型定义PSO的参数：最大迭代次数、最大惯性权重、最小惯性权重、粒子数量、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值定义超参数搜索范围计算初始全局最优、全局最优参数、画适应度的图使用PSO找到的最好的超参数来重新训练模型评估模型：MSE、RMSE、MAE、MAPE、SMAPE、R2...

2022-08-02 22:42:48 6502 11

原创 遗传算法GA-LSTM-优化神经网络神经元个数-dropout-batch_size

本文主要讲解使用遗传算法GA-LSTM-优化神经网络神经元个数-dropout-batch_size

2022-08-01 22:23:03 2574 2

原创 SE-ResNet34对结构性数据进行多分类

本文主要讲解SE-ResNet34对结构性数据进行多分类

2022-07-31 22:53:42 1630

原创 交叉熵损失和focal_loss对比-BP神经网络

本文主要讲解交叉熵损失(categorical_crossentropy)和focal_loss对比-BP神经网络

2022-07-30 19:27:32 999

原创 CatBoost自动调参—Optuna和Hyperopt耗时和效果对比

本文主要讲解：Optuna和Hyperopt性能对比（catboost示例）

2022-05-05 20:07:54 3436

原创 自然语言处理NLP面试题

● Word2Vec中skip-gram是什么,Negative Sampling怎么做参考回答：Word2Vec通过学习文本然后用词向量的方式表征词的语义信息,然后使得语义相似的单词在嵌入式空间中的距离很近。而在Word2Vec模型中有Skip-Gram和CBOW两种模式,Skip-Gram是给定输入单词来预测上下文,而CBOW与之相反,是给定上下文来预测输入单词。Negative Sampling是对于给定的词,并生成其负采样词集合的一种策略,已知有一个词,这个词可以看做一个正例,而它的上下文词集可

2022-05-05 19:05:19 547

原创 optuna自动调参框架对lgb的超参进行优化

1、摘要本文主要讲解：使用微软自动化机器学习框架Auto ML-NNI对lgb的超参进行优化

2022-05-05 19:03:17 2267

原创 CNN+LSTM多通道特征组合模型

本文主要讲解：CNN+LSTM多通道特征组合模型

2022-05-05 18:52:01 5498

原创 cnn+lstm+attention对时序数据进行预测

本文主要讲解：cnn+lstm+attention对时序数据进行预测

2022-05-05 18:44:24 24854 136

原创 SSA麻雀算法-LSTM-优化神经网络神经元个数-dropout-batch_size

1、摘要本文主要讲解：使用SSA麻雀算法-LSTM-优化神经网络神经元个数-dropout-batch_size主要思路：SSA Parameters ：优化函数、粒子数量、搜索维度、迭代次数

2022-03-28 21:13:28 8741 28

原创 PSO粒子群优化-LSTM-优化神经网络神经元个数dropout和batch_size

1、摘要本文主要讲解：PSO粒子群优化-LSTM-优化神经网络神经元个数dropout和batch_size，目标为对沪深300价格进行预测主要思路：PSO Parameters ：粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值LSTM Parameters 神经网络第一层神经元个数、神经网络第二层神经元个数、dropout比率、batch_size开始搜索：初始粒子适应度计算、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新

2022-01-12 20:59:02 17257 18

原创 python-在dataframe中删除某行当某列值为nan时？

1、摘要本文主要讲解：python-在dataframe中删除某行当某列值为nan时？主要思路：找到某列值为nan的索引使用drop函数按索引删除行

2021-12-01 14:05:21 2447

原创 PSO粒子群优化-LSTM-pyswarms框架-实现期货价格预测

1、摘要本文主要讲解：PSO粒子群优化-LSTM-pyswarms框架-实现期货价格预测主要思路：从网上找到影响期货价格预测的相关数据，爬取下来并处理好，形成时间序列训练数据使用train_test_split划分训练集和测试集训练数据和测试数据进行标准化处理：StandardScaler.fit_transform建立LSTM模型，激活函数用relu，使用SGD去优化使用pyswarms更新模型的权重画PSO-LSTM实际值与预测值结果图2、数据介绍上海期货交易所每月行情，请看文末

2021-10-30 20:29:04 7282 6

原创 SinGAN一张照片即可生成同样的照片(附简化版代码)

1、摘要本文主要讲解：SinGAN-一张照片即可生成一模一样的照片(附简化版代码)主要思路：先由一个Z_N输入到G_N的生成器得到生成图像（这一步是单纯由噪声生成，其他生成器的输入都是由随机噪声图像z_n和上一层生成的 上采样到当前生成器尺寸组成）。接着利用生成图像的图像块（每一层图像块的大小不一样，按照由粗糙到精细、由大到小）和当前层的图像块（由训练数据下采样得到）放入判别器中进行判断，直到两者不能被判别器区分。通过这种一层一层、由下往上的训练过程，得到最终的结果。2、相关技术SinGA

2021-10-09 23:01:09 3402 6

原创 fastapi写get和post接口并调用_用python直接启动

1、摘要本文主要讲解：fastapi写get和post接口并调用_用python直接启动主要思路：安装fastapi、pydantic、uvicorn撰写接口用requests测试并调用2、相关技术安装步骤pip install fastapi pydantic uvicorn最新的 Python web框架的性能响应排行版，fastapi排行老三3、完整代码和步骤主运行程序入口import uvicornfrom fastapi import FastAPIfrom p

2021-09-03 22:37:41 3947

原创 GAN变种CGAN_DCGAN_EBGAN跑Fashion_mnist、KMNIST、QMNIST

1、摘要本文主要讲解：使用GAN变种ACGAN、CGAN、DCGAN、EBGAN跑minst、Fashion_mnist、KMINST、QMINST四种数据集主要思路：先下载KMINST、QMINST数据集，因为这两种代码没法直接下安装pytorch-gpu版本才能跑得快理解各种GAN的变种2、数据介绍KMINST3、相关技术ACGAN是在CGAN基础上的进一步拓展，采用辅助分类器（Auxiliary Classifier）使得GAN获取的图像分类的功能。CGAN通过结合标签信息来提

2021-08-05 23:08:01 1133 2

原创 python_pyecharts画三维折线图

1、摘要本文主要讲解：使用python中的pyecharts画三维折线图主要思路：将数据处理成[[x…],[y…],[z…]]的形式使用Line3D函数渲染2、数据介绍数据为简单的三维数据3、相关技术pyecharts是一款将python与echarts结合的强大的数据可视化工具Line3D制作三维折线图4、完整代码和步骤代码输出如下：主运行程序入口import pyecharts.options as optsfrom pyecharts.charts import Li

2021-08-04 22:51:42 3691

原创 python_多点拟合曲线并计算曲率半径

1、摘要本文主要讲解：python_多点拟合二次曲线，再选取两边和中点拟合圆，计算曲率半径主要思路：使用numpy中的np.polyfit(x, y, 2)和 np.poly1d(f1)两个函数拟合二次函数选取拟合的二次函数中的两边和中点拟合圆利用这三点计算曲率半径根据这些数据画拟合图2、数据介绍数据可使用任何列表数据3、相关技术np.polyfit多项式拟合，第三个参数为x的几次幂np.poly1d得到多项式系数np.matmul两个numpy数组的矩阵相乘曲率半径最小二乘

2021-08-03 23:14:56 3752

原创 NNI使用python文件直接启动参数调优

1、摘要本文主要讲解：NNI使用python文件直接启动参数调优，将yml文件和json文件集成到python文件中主要思路：使用lgb算法训练并保存模型写好需要NNI调参的主文件将yml文件和json文件集成到python文件中，获取最优参数获取到最优参数后将该参数给算法重新运行2、数据介绍凯斯西储大学轴承数据中心：该数据可以用于从振动数据中找到轴承的故障类型GitHub详细介绍3、相关技术NNI (Neural Network Intelligence) 是一个轻量但强大的工具

2021-08-03 22:44:07 1197

原创 孤立森林（IsolationForest）算法对数据进行异常检测

1、摘要本文主要讲解：使用孤立森林（IsolationForest）算法对主要思路：2、数据介绍3、相关技术4、完整代码和步骤代码输出如下：主运行程序入口在这里插入代码片5、学习链接

2021-07-25 10:57:05 3443 3

原创 GAN变种ACGAN利用手写数字识别mnist生成手写数字

1、摘要本文主要讲解：GAN的变种ACGAN实现手写数字识别并生成手写图片主要思路：Initialize generator and discriminatorInitialize weightsConfigure data loaderOptimizers AdamTrain GeneratorTrain DiscriminatorSaves a grid of generated digits ranging from 0 to 92、数据介绍minst手写数字识别数据集M

2021-06-24 22:56:02 2323 5

原创 AutoML-NNI中TPE对lgb算法的超参调参并优化

1、摘要本文主要讲解：使用微软自动化机器学习框架Auto ML-NNI对lgb的超参进行优化主要思路：设置需要优化的参数，用json格式保存为一个文件设置yml文件，用于调参算法和文件的配置写python文件，使用nni获取参数并调优参数使用 nnictl create 命令运行yml文件实现调优将调优后的网络参数放入默认参数中，运行python文件，实现调参优化并训练好模型2、数据介绍数据请到GitHub自行下载，参考文末的学习链接此数据为回归训练数据，第一列为标签列此数据为回

2021-06-20 12:33:34 1662 1

原创 微软AutoML平台NNI，ENAS基于参数共享的高效神经网络结构搜索

1、摘要ENAS——基于参数共享的高效神经网络结构搜索。ENAS使用子模型之间的参数共享来加速NAS进程。 在 ENAS 中，Contoller 学习在大的计算图中搜索最有子图的方式来发现神经网络。 Controller 通过梯度策略训练，从而选择出能在验证集上有最大期望奖励的子图。 同时对与所选子图对应的模型进行训练，以最小化规范交叉熵损失。2、相关技术介绍本文使用Pytorch实现ENAS，包括通用的强化学习的 Controller（用RL变换图的控制器），以及能交替训练目标网络和 Control

2021-05-22 15:55:41 921 1

android-demo-app-master
android-demo-app-master，2025年4月下载的最新版本，使用在在安卓端部署yolov5模型

2025-04-19

使用LSTM实现未来气温的预测
#MSE：均方误差 预测值和真实值之间距离的平方和 #MAE：平均绝对误差 目标值和预测值之差的绝对值之和 monitor: 监控的数据接口，有’acc’,’val_acc’,’loss’,’val_loss’等等。正常情况下如果有验证集，就用’val_acc’或者’val_loss’。 但是因为笔者用的是5折交叉验证，没有单设验证集，所以只能用’acc’了。 min_delta：增大或减小的阈值，只有大于这个部分才算作improvement。这个值的大小取决于monitor，也反映了你的容忍程度。 例如笔者的monitor是’acc’，同时其变化范围在70%-90%之间，所以对于小于0.01%的变化不关心。 加上观察到训练过程中存在抖动的情况（即先下降后上升），所以适当增大容忍程度，最终设为0.003%。 patience：能够容忍多少个epoch内都没有improvement。这个设置其实是在抖动和真正的准确率下降之间做tradeoff。 如果patience设的大，那么最终得到的准确率要略低于模型可以达到的最高准确率。 如果patience设的小，那么模型很可能在前期抖

2023-06-03

改进的鲸鱼优化算法IWOA
#双向LSTM加注意力机制 def BILSTM_AT(x,hidden_nodes0,hidden_nodes,input_features,output_class): x_reshape= tf.reshape(x , [-1, 1,input_features]) # 双向lstm层 with tf.variable_scope("BILSTM"): rnn_cellforword = tf.nn.rnn_cell.MultiRNNCell([tf.nn.rnn_cell.LSTMCell(hidden_nodes0), tf.nn.rnn_cell.LSTMCell(hidden_nodes0)]) rnn_cellbackword = tf.nn.rnn_cell.MultiRNNCell([tf.nn.rnn_cell.LSTMCell(hidden_nodes), tf.nn.rnn_cell.LSTMCell(hidden_nodes)]) outputs,_=tf.nn.bi

2023-05-13

DCGAN生成艺术图片迷宫游戏图片.zip
class generator(nn.Module): def __init__(self): super(generator, self).__init__() self.init_size = args.input_size // 16 self.l1 = nn.Sequential(nn.Linear(args.latent_dim, (args.gf * 8) * (self.init_size ** 2))) self.main = nn.Sequential( nn.BatchNorm2d(num_features=args.gf * 8), nn.ReLU(inplace=True), nn.ConvTranspose2d(in_channels=args.gf * 8, out_channels=args.gf * 4, kernel_size=4, stride=2, padding=1), nn.B

2023-05-13

yolo6d的骨干网络进行修改.zip
把neck改为yolov3,yolov4或者v5的pan+fpn的结构 怎么把yolov3，v4, v5的三个输出通道，去适应yolo-6d检查九个点 总的来说就是把yolo6d的骨干网络进行修改，neck尽量改成bifpn的结构 1.yolo-pose(Enhancing YOLO for Multi Person Pose Estimation Using Object Keypoint Similarity Loss): https://github.com/TexasInstruments/edgeai-yolov5 2.yolo6D(Real-Time Seamless Single Shot 6D Object Pose Prediction): https://github.com/microsoft/singleshotpose 和之前一样neck变成三通道的bifpn结构，三个输出 三个输出去检测那9个点 你只要保证正确的改成三通道bifpn结构，三通道都检测关键点，应该是有提升的，我看了很多相似的文献 linemod数据集13个类就算其中某几个类有提升平均精度也

2023-05-13

石墨烯层数图像识别.zip
有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服务 需要数据请私聊 Epoch gpu_mem box obj cls labels img_size 0/299 0.807G 0.1237 0.01286 0.04641 16 256 Class Images Labels P R mAP@.5 mAP@.5:.95: all 16 24 0.00535 0.0625 0.00227 0.000469 Epoch gpu_mem box obj cls labels img_size 1/299 0.8

2023-05-13

phm2012寿命预测.zip
有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服 Data(GRU).py fft_CNN_BIGRU_Attention.py main5_CNN_BIGRU_Attention.py main6_SSA_CNN_BiGRU_Attention.py cnn_biGRU_attention_loss_curve.jpg CNN_BiGRU_attention预测结果.jpg cnn_biGRU_attention_model.h5 cnn_biGRU_attention_result.npz EMD.cpython-38.pyc emd_functions.cpython-38.pyc model.cpython-38.pyc model.cpython-39.pyc model1011.cpython-37.pyc SSA_Optim.cpython-37.pyc SSA_Optim.cpython-39.pyc VMD.cpython-38.pyc WOA_Optim.cpython-37.pyc WOA_Optim.cpython-39.pyc

2023-05-13

GRU-Attention多模型比较.zip
2 对数据进行清洗，并告知清洗方法 3 将最有优的预测方案与其他方法进行比较，显示出其构建模型的优越性，例如最终，注意力机制的gru神经网络与lstm、svr、神经网络进行比较，得出注意力机制的GRU神经网络效果最好 4参与比较的模型其预测结果要以图的形式展现 wenzuoyinshiyan3 gpu-attention-mse: 6124.498347838368 gpu-attention-rmse: 78.25917420876844 gpu-attention-r2: 0.2341441452949955 lstm-mse: 131972.16113071027 lstm-rmse: 363.27972848854404 lstm-r2: -15.502845869115102 BP_mse: 4545.954265780895 BP_rmse: 67.42369216959936 BP_r2: 0.4409765028724697 SVR_mse: 6420.551494229659 有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服务

2023-05-13

csv时序数据分类 lstm
Bidirectional(LSTM 有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服务 运行依赖环境 Anaconda==4.10.3 Python==3.8.5 Jupyterlab==3.3.2 Tensorflow==2.5.0 Keras==2.6.0 Numpy==1.19.5 Pandas==1.3.5 Matplotlib==3.5.2 启动步骤 1.启动anaconda中的jupyterlab； 2.打开test.ipynb； 依次运行四个代码块。 运行此部分需首先将文件地址改为测试时的文件地址。

2023-05-13

Action-Recognition-convlstm.zip
用于对视频中的动作进行分类，需要数据集请私聊 有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服务 parser.add_argument("--dataset_path", type=str, default=r"C:\Projects\视频动作识别\database7-frames", help="Path to vidio dataset") parser.add_argument("--split_path", type=str, default=r"C:\Projects\视频动作识别\database7-TrainTestlist", help="Path to train/test split")

2023-05-07

谷歌以图搜图验证码识别.zip
google_code1_googlenet google_code_api_test # -*- coding: utf-8 -*- import argparse import json import operator import os import random from keras.callbacks import EarlyStopping from skimage import exposure import cv2 import imageio import matplotlib.pyplot as plt import numpy as np import pandas as pd import tensorflow as tf from keras import backend as K from keras.layers import Flatten, BatchNormalization from keras.layers import Input from keras.layers import concatenate from keras.layers.

2023-05-07

lstm autoencoder　keras　旋转器械异常检测.zip
数据说明 600，900，1200代表转速 1代表轻微 2代表重度 0代表无碰摩 import os import random import matplotlib import matplotlib.pyplot as plt import numpy as np import pandas as pd import seaborn as sns from sklearn.cluster import KMeans from tensorflow.python.framework.random_seed import set_random_seed from tensorflow.python.keras import Input from tensorflow.python.keras.layers.convolutional import Conv1D, UpSampling1D from tensorflow.python.keras.layers.convolutional import MaxPooling1D from tensorflow.python.keras.m

2023-05-07

mask-rcnn实现房屋漏水语义分割
# Mask R-CNN ## 该项目参考自pytorch官方torchvision模块中的源码(使用pycocotools处略有不同) * https://github.com/pytorch/vision/tree/master/references/detection ## 环境配置： * Python3.6/3.7/3.8 * Pytorch1.10或以上 * pycocotools(Linux:`pip install pycocotools`; Windows:`pip install pycocotools-windows`(不需要额外安装vs)) * Ubuntu或Centos(不建议Windows) * 最好使用GPU训练 * 详细环境配置见`requirements.txt` ## 文件结构： ``` ├── backbone: 特征提取网络 ├── network_files: Mask R-CNN网络 ├── train_utils: 训练验证相关模块（包括coco验证相关） ├── my_dataset_coco.py: 自定义datas

2023-05-07

光学超材料逆向设计机器学习INN-SNN
分析报告 2.3. Simulation Neural Network 本文实现了两种SNN网络，一种是具有四个隐含层的全连接神经网络（FCNN），一种是具有十个隐含层的全连接神经网络（FCNN），SNN网络的输入通过批量归一化层进行处理，使网络进一步收敛，因此无需再次标准化。输入和输出层包含8个和71个神经元，代表6层厚度、2种材料的类型和离散化的反射光谱。选择均方误差损失函数适应回归任务，选择了Adam优化器加快收敛速度和质量。最后，使用了0.0001的学习率。最后一层输出层使用ReLU激活函数。 由于四个隐含层的SNN效果比较差，训练集的绝对平均误差大于验证集，明显就是欠拟合的现象，优化的方法是通过增加层数和节点数来增加模型的复杂性、增加dropout、降低学习率，增加训练数据等。表2总结了不同层、不同节点数、不同dropout产生的一些关键指标层架构。结果发现，层数为四层时，仅通过改变神经元数量，MAE没有明显的改善，层数为十层时，增加神经元个数MAE有明显的改善。 Table 2. A sample of trialled SNN model architectures a

2023-05-07

基于lstm来检测异常渔船轨迹.zip
渔船行为识别 需求： 判断渔船行为-拖网作业、围网作业、流刺网作业、航行 做一个分类模型 数据如何处理： 处理成符合模型输入的数据形式 模型选择： 暂定pso-bilstm-attention，后期可根据实际情况调整。 评价指标： 分类模型，定为accuracy，pso-bilstm-attention的效果优于原始bilstm-attention模型。 出图：

2023-05-07

resnet图像分类与可视化.zip
import torch from torch import nn, optim from torchvision import datasets, transforms from torch.utils.data import DataLoader from ResNet import resnet50 import numpy as np import matplotlib.pyplot as plt import joblib batch_size = 32 epochs = 10 filepath = 'train/' savepath = 'save_weights/' weightpath=savepath + 'resnet50-best.pkl' if torch.cuda.is_available(): device = torch.device('cuda:0') else: device = torch.device('cpu') transform_train = transforms.Compose([ transforms

2023-05-07

ddbscan风电机组数据清洗.zip
import ddbscan import numpy as np import matplotlib.pyplot as plt import os import pandas as pd os.chdir(r'C:\Projects\风电机组数据清洗') file = '数据（程序）.xlsx' dataframe = pd.read_excel(file) dataframe = dataframe[['1秒平均风速[m/s]', '有功功率[kW]']] data = dataframe.values.tolist() # Test with parameters eps=5 and min_pts=5 # 对象半径 eps = 2 # 核心点的最小邻域数 min_pts = 20 scan = ddbscan.DDBSCAN(eps, min_pts) for p in data: scan.add_point(p, 1, "Desc") print('scan.compute()') scan.compute() print('plt') outliers

2023-05-07

resnet50图片分类作业.zip
我用过的方法： 1.Method A :LeNet model ① Establish the lenet model, and introduce the interpretation of the lenet model for reference ② Initial learning rate: init_ LR = 1e-5, reference introduction learning rate ③ Grab image paths and randomly shuffle the order ④ Read all the pictures in the folder, read the pictures as data, change the picture size, convert it into array, and label the pictures ⑤ Divide the training set and test set, and encode the tag with one hot ⑥ Save model ⑦ Draw the loss and ac

2023-05-07

fasttext文本分类.zip
fasttext文本分类 import re from types import MethodType, FunctionType import os import numpy as np import fasttext import jieba from sklearn.metrics import confusion_matrix, classification_report def clean_txt(raw): fil = re.compile(r"[^0-9a-zA-Z\u4e00-\u9fa5]+") return fil.sub(' ', raw) def seg(sentence, sw, apply=None): if isinstance(apply, FunctionType) or isinstance(apply, MethodType): sentence = apply(sentence) return ' '.join([i for i in jieba.cut(sentence) if i.str

2023-05-07

鲸鱼算法分别优化cart和加了注意力的GRU.zip
鲸鱼算法分别优化cart和加了注意力的GRU.zip plt.show() # 可视化 plot_performance(history=history) # 验证模型 y_pred = model.predict(test_x) # 预测类别,返回的是概率 y_pred = y_pred.argmax(axis=1) # 将概率转换为类别 y_true = test_y.argmax(axis=1) # 真实类别 from sklearn.metrics import classification_report lables_name = ['0', '1', '2'] print(classification_report(y_true, y_pred, target_names=lables_name)) # === 混淆矩阵：真实值与预测值的对比 === from sklearn.metrics import confusion_matrix # 生成混淆矩阵的函数 C = confusion_matrix(y_true, y_pred) # 计

2023-05-07

深度残差收缩网络和极端随机森林.zip
#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Sat Dec 28 23:19:03 2019 Implemented using TensorFlow 1.0 and Keras 2.2.1 K. He, X. Zhang, S. Ren, J. Sun, Deep Residual Learning for Image Recognition, CVPR, 2016. @author: me """ from __future__ import print_function import pandas as pd from sklearn.model_selection import train_test_split from tensorflow.python import keras from tensorflow.python.keras import backend as K, Input from tensorflow.python.keras import layers from tens

2023-05-07

LSTM网络进行训练工作状态分类模型
模型结构和数据处理说明 1DCNN.py 数据处理说明： 1、读取文件读成dataframe，再转成adarray 2、按批次划分数据，并随机打乱顺序 3、拆分出数据和标签 网络结构图 lstm_vibration.py 数据处理说明： 1、读取文件读成dataframe，删掉ID，label列作为训练数据，再转成adarray 2、将标签onehot编码 3、将训练集重置尺寸为(X_train.shape[0], X_train.shape[1], 1) 网络结构图： DBN_1Dense.py 数据处理说明： 1、读取文件读成dataframe，删掉ID，label列作为训练数据，再转成adarray 2、将标签onehot编码 模型结构图

2023-05-07

电价分时负载预测LSTM，TensorFlow，keras，python，optuna自动调参

简单说下我对数据集的处理的想法，包中有两个文件，一个consumption_data，这个是使用分时电价的用户数据（按户分）， 一个文件是tokyo.3777，这是未使用分时电价的用户的数据（未按户分开），我希望可以从两个数据集中各取一百户左右的用户， 将他们的数据作累加之后用累加后的数据跑预测模型以消除个体行为差异，包中还有温度啊节日之类的数据， 我的想法是用历史数据预测一天的用电量（程序能画个预测负载曲线最好） 对，但单位貌似是千瓦，和另一个集子里的瓦不一样，单位也希望您统一一下

2023-04-15

LSTM代码预测固体颗粒浓度
   附件中是两个文件，压缩包是昨天今天测的数据，190组。每组五列数据，从左向右依次为：温度、压差、湿度、上游静电传感器电压、下游静电传感器电压。 另一个excel文档是对记录数据各种参数的记录。比如第一组数据  2022-3-19 13-50-24-原始   风速、给料（频率，Hz）、温度、湿度、采样频率。 有的数据测了两遍，比如 第三组的 2022-3-19 14-45-29-原始  和  2022-3-20 10-49-23-原始      这种情况建议以后一组数据为准。 这次我只改变了风速和给料。其他的没有变。 可做的事情： ①按照上次那种相关法求每组数据第四列和第五列数据相关性，从而算出两组数据最大相关点间隔的采样点数，以此可以评估颗粒的速度 ②上述附件中那个excel 中右边有个给料频率（Hz）和给料速度（克/秒）对照表。也就是说压缩包中每组数据的“给料”就是这里的给料频率，每个给料频率（Hz）与给料速度（克/秒）相对应。可以计算给料频率或给料速度与风速的比值（这个比值与流体中颗粒的浓度成正比）。 ③可以寻找 浓度、颗粒速度、压差这三个量与上游静电传感器电压的

2023-04-15

GAN-mp3，使用GAN生成钢琴曲，已跑通带数据
有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服务 功能如下: 1、类似于数据的分析，比如用一些统计图来展示数据库里的乐曲分类，每个作曲家的作品比例；每个作曲家作品的平均时长对比 2、对抗神经网络希望达到的目的是我输入一个作曲家的名字，神经网络根据作曲家的名字可以生成一个该作曲家风格的新音乐这样 3、选20个作品最多的作曲家，做一些数据分析

2023-04-15

采用改进麻雀算法优化LSTM网络中的学习率、LSTM单元数
故障诊断方案 MATLAB代码 1、采用改进麻雀算法优化LSTM网络中的学习率、LSTM单元数。 2、与SSA、WOA、PSO、GA做对比，以训练集准确率、测试集准确率、训练时间、测试时间作为性能评价指标。 3、训练集准确率和测试集准确率各生成一个下面的图：测试集和训练集的准确度分开画图。 4、ISSA、SSA、WOA、PSO、GA-LSTM训练集和测试集的迭代次数和准确率/损失值各画在一张图上；ISSA-LSTM准确率要在95%以上。

2023-04-01

深度学习模型调参骨架的动作识别，数据是H36m
1.深度学习模型调参 2.基于骨架的动作识别，数据是H36m

2023-04-01

LSTM-FCN将模型中的fcn分支换成Transformer LSTM-Transformer
2.数据集 班组1：label1人员数量为12 班组2：label1人员数量为25 3.研究目标 （1）不均衡数据，label0人员数量远大于label1 （2）基于交易数据建立时间序列分类模型，尽可能确地检测出label1的个体。 4.实验步骤 （1）基于每周交易次数、交易金额平均数、交易金额最小值、交易金额最大值、交易总额、交易金额中位数，将数据处理成多元时序数据 类似于下表基于每周交易次数处理成的一元时序数据（每一行代表这个人/id在一段时间内的消费次数轨迹） （2）针对数据不均衡问题 方法一： 方法二：在大部分不平衡分类问题中，少数类是分类的重点。正确识别出少数类的样本比识别出多数类的样本更有价值。 （3）模型选择 基础模型： LSTM-FCN ①一元时序分类模型参考代码 https://github.com/titu1994/LSTM-FCN/blob/master/hyperparameter_search.py ②多元时序分类LSTM-FCN https://github.com/titu1994/MLSTM-FCN 改进模型：将模型中的

2023-04-01

lstm基础模型进行不确定度估计
1、对lstm基础模型进行不确定度估计。 2、对tcn和lstm集成、融合。 data_B0005.xlsx 轴承数据

2023-04-01

基于Pxa270和Qt的交通灯智能配时系统
本设计基于Pxa270和Qt图形界面技术，实现了一种基于车辆面积检测的智能交通灯配时系统，相比于基于车辆数的检测，车辆面积检测能够更加准确的反映十字路口交通情况。由于传统的交通灯各个方向都分配固定时间，这样不利于灵活的根据车辆多少调整配时，经常会造成拥堵现象。本设计提出的配时算法基于预设的车辆面积阈值，当达到阈值后红绿灯立即切换，而如果切换时间太快或者太慢，本设计也都有相应的处理机制，以确保红绿灯切换在最合适的时刻，保障交通通畅。 本方案基于Pxa270和Qt图形界面技术，对摄像头传送的实时数据帧进行基于v4l的API多线程编程，然后基于面积检测进行图像处理，最后根据车辆面积实时调用配时算法，控制红绿灯的切换。该方案能够根据当前路口状况灵活采用配时算法，减少交通阻塞。 设备简介： Up_Techpxa270-s嵌入式开发平台实验箱； USB接口网眼摄像头； 串口线； RS232 USB转串口线； 安装Linux操作系统的计算机。 基于Pxa270和Qt的交通灯智能配时系统主要功能如下： 1.通过摄像头实时将一个方向两条道路车辆情况显示在屏幕的两个窗口上。 2.从摄像头实时的抓帧，对数据

2023-04-01

城市道路交通拥堵分级方法、设计城市道路拥堵预测算法
随着交通信息采集系统的发展和完善，交通数据的规模正以指数级增长城市各类营运车辆在运行过程中积累了大量的时空交通数据，包含了丰富的交通流信息。对城市交通流进行有效的数据分析并对城市的交通运行态势进行实时的感知，不仅利于有效指导城市居民的出行规划，也对提升城市管理水平有着十分重要的作用。本课题设计所要解决的技术问题是提供一种基于gps的城市交通拥堵预测深度学习方法，基于城市出租车上的gps实时数据构建一套无监督的大规模城市网络的交通拥堵预测方法。该方法的核心在于结合递归神经网络、卷积神经网络和三维卷积神经网络等，完成城市交通拥堵的实时预测。本次课题设计主要的任务是: 利用现有西安城市交通数据（为期一周，总计700万条，指导教师提供），采用大数据分析技术进行数据清洗和处理 对城市道路交通进行网格划分，并对每个网格的交通数据进行时间维度的建模 对所有网格进行聚类分析，设计完成城市道路交通拥堵分级方法 基于城市道路数据的已有特征，设计城市道路拥堵预测算法 2. 主要技术参数 开发环境： Python 操作系统：windows操作系统； 开发语言：使用python等语言进行客户端的开发。

2023-04-01

基于规则的二值神经网络集成学习模型（用于lending-club数据集）
基于规则的二值神经网络集成学习模型（用于lending_club数据集） 2021 年 NIPS 会 议 文 章 《 Scalable Rule-Based Representation Learning for Interpretable Classification》中针对高风险的应用领域中的分类问题提出了一个基于规则的 透明二值神经网络模型，简单地来说想要通过神经网络来得到析取范式规则（DNF Rules）， 如下所示，满足析取范式中的任一条就认为他违约或者其他某种情况： 模型如下图所示，综合两篇文章的思路，具体地来说，将第二篇文章中的基模型 GCN 全部替换为第一篇文章中的 RRL，原因是 RRL 是完全透明并且可以从中提取中透明可理解 的析取范式，照顾到了对于解释性的需求，同时按照文章二中的做法将 Lending Club 数据 集的特征拆分为了三类：Loan Data、History Data、Soft-info Data，即由三个子 RRL 构成， 最后由一个全连接层（逻辑回归）汇总到最后一层的一个节点输出概率。 因为每一个子模型都是一个 RRL，因此都可以从中提取出等价

2023-04-01

CANTransfer – Transfer Learning based Intrusion Detection on

CANTransfer – Transfer Learning based Intrusion Detection on a Controller Area Network using Convolutional LSTM Network

2023-04-01

BiLSTM深度学习房价预测
BiLSTM深度学习房价预测 attention_BiRNN attention_BiRNN.py attention_layers.py capsule_layers.py common_layer.py ctr_layers.py embedding_layers.py __init__.py 以下是文件夹 __pycache__ 里的文件 attention_BiRNN.cpython-36.pyc attention_layers.cpython-36.pyc capsule_layers.cpython-36.pyc common_layer.cpython-36.pyc ctr_layers.cpython-36.pyc ctr_layers.cpython-37.pyc embedding_layers.cpython-36.pyc __init__.cpython-36.pyc __init__.cpython-37.pyc lr.py model.py xdeepfm.py __init__.py 以下是文件夹 __pycache__ 里的文件 fm.cpython-

2023-04-01

生物特征向量在特征层进行融合-指纹数据
生物特征向量在特征层进行融合-指纹数据 以下是文件夹 099 里的文件 以下是文件夹 100 里的文件 以下是文件夹 101 里的文件 以下是文件夹 102 里的文件 以下是文件夹 103 里的文件 以下是文件夹 104 里的文件 以下是文件夹 105 里的文件 以下是文件夹 106 里的文件 1_1.bmp 1_2.bmp 1_3.bmp 1_4.bmp 1_5.bmp 1_6.bmp 1_7.bmp 1_8.bmp 2_1.bmp 2_2.bmp 2_3.bmp 2_4.bmp 2_5.bmp 2_6.bmp 4_1.bmp 4_2.bmp 4_3.bmp 4_4.bmp 4_5.bmp 4_6.bmp 4_7.bmp 4_8.bmp 5_1.bmp 5_2.bmp 5_3.bmp 5_4.bmp 5_5.bmp 5_6.bmp 5_7.bmp 5_8.bmp 6_1.bmp 6_2.bmp 6_3.bmp 6_4.bmp 3_4.bmp 3_5.bmp 3_6.bmp 3_7.bmp 3_8.bmp 4_1.bmp 4_2.bmp 4_3.bmp 4_4.bmp 4_5.bmp

2023-04-01

数字中国共享单车轨迹数据
数字中国共享单车轨迹数据 BICYCLE_ID,LOCATING_TIME,LATITUDE,LONGITUDE aae46754d00d89ffadfcb668fdd9a07c,2020/12/23 7:13:31,24.483975355,118.125815806 aae46754d00d89ffadfcb668fdd9a07c,2020/12/23 9:13:39,24.483989354000002,118.12580580299999 6eac0479361902a8a0a9d575b532e5c7,2020/12/23 6:41:36,24.48394535,118.125783801 6eac0479361902a8a0a9d575b532e5c7,2020/12/23 8:41:42,24.483951355,118.125813805 9f697052e7f54c11edacb2cd60034920,2020/12/23 8:14:05,24.48331502,118.11951452299999 9f697052e7f54c11edacb2cd60034920,

2023-04-01

transformer语义分割
整个网络是，先经过两层卷积，然后将featuremap切割成四份，分别经过四个并行的transformer（heads可以自己设置），再将 上诉结果concat，再经过一个transformer，然后就是一层层地decoder。 主要调试main.py、transformer.py、builders.py这三个文件就好，其余的只是依赖包 main.py: 运行文件。路径、数据集划分、以及测试和评价指标全在里头。 transformer: 这个文件里面包含了所有的网络模块(class)。 conda create -n MulT python=3.6 conda activate MulT conda install tensorflow-gpu==2.1 pip install tensorflo builders: 构建transformer文件里面的模块，训练过程中用到的是VitBuilder这个类。 数据处理文件： resize：将图片resize成256*256的大小 图片先需要转换成png格式，直接打开cmd，在该文件夹下输入ren *.jpg *.png就好。

2023-04-01

SSD-MOBILENET-头盔目标检测
# SSD_MOBILENET_HELMET_DETECTION ## Architecture Used:- #### SSD_mobilenet,computer vision, html, Flask api ## How to run (on local):- ### 1. Make an conda enviornment with python 3.7 or upper versions. ### 2. To run it locally make sure other than requirements.txt you have to install "opencv-python" and "opencv-contrib-python" libraries. As we are adding docker base ima . ### To install those libraries command pip install opencv-python opencv-contrib-python ### 3. To i

2023-04-01

bilstm python 提取心理指标特征识别出危险的点位
包含数据和处理好的数据 有问题请关注私聊，包此代码的答疑服务，基本秒回，不满意加球球包退款，可接受定制服务 基于基于生理特征的危险程度预测 项目描述 （1）搭建BiLSTM模型，找出车速中突变较大的点（Altitude、Latitude、Longitude），鉴别为危险点，并输出 （2）提取对应的心里指标特征（车速V大于均值，a大于均值的1.3倍时，使用超参数寻优模型找到生理特征），指标：theta、alpha、BVP、SDNN、EMG、RMSSD 基本步骤 1、使用Cnn_bilstm_attention搭建危险程度预测模型。该模型的mse为0.08 2、根据模型预测危险程度，当危险程度大于0时，将该点的（Altitude、Latitude、Longitude）找出来，输出文件 3、使用ExtraTreesRegressor搭建危险程度预测模型，因为此模型不需要归一化，所以更方便超参数调优。训练好该模型后保存，该模型的mse为0.12，使用optuna超参数调优框架，根据危险程度，找到相对应的心里指标特征，最终输出。 真实值和预测值的效果图 Bilstm的训练和mse效果

2023-03-29

深度神经网络在脑电信号分析中的应用
主要题目是深度神经网络在脑电信号分析中的应用。 脑电图（EEG）是一种记录头皮电活动的电生理监测方法。人们可以猜测，大脑活动的变化表现在EEG信号中。下图显示了癫痫发作前后的脑电图信号。 癫痫棘波放电[来源] 获得的信号通常具有$\mu V$范围内的振幅和$\ms$时间分辨率。信号的基本特征在频域中为$0.1-100Hz$。EEG在以下方面有着广泛的应用： 癫痫（如癫痫发作的检测和预测） 脑-机接口（如运动想象脑电图、P300拼写器等） 睡眠研究（如睡眠阶段的分类） 监控（如情绪识别、嗜睡和心不在焉的检测等） 信号处理和机器学习方法可以帮助专家正确解释脑电图。脑电信号处理面临着非平稳性、主体间变异性、低信噪比等挑战。近年来，人们利用深层神经网络来解决脑电信号处理中的问题。这些模型比经典的脑电分析方法表现出更好的性能。 我在这个项目中的第一项任务是对过去几年发表的DL-EEG论文进行全面的综述。因此，我回顾了51篇不同脑电领域的文章。每一篇论文都研究了网络的几个特点，如应用领域、论文中的神经网络结构、所用数据集的公开性等。 在完成我的第一项任务后，公共数据集和顶级方法被确定。第二

2023-03-28

查看更多

工业设备参数调适能否理解为机器学习超参优化问题？

2021-03-23

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除