登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了使用CNN卷积神经网络实现衣物分类模型的完整流程。首先下载FashionMNIST数据集并进行预处理，构建包含卷积层、池化层、Dropout和全连接层的神经网络模型。通过10轮训练后，模型在测试集上达到一定准确率，但存在混淆"衬衫"和"T恤"等问题。随后进行了模型改进：增加卷积层、扩大全连接层维度、调整学习率和训练轮次、加入数据增强。改进后的模型性
1前言1.1 研究的背景和意义1.1.1 研究背景农业是国民经济的基础产业，农产品的智能化识别对于提升农业生产效率、保障食品安全、推动农业现代化具有重要意义。水果作为日常消费品，其种类繁多、外观相似，传统的人工分类方式不仅效率低下，而且容易受到主观因素和疲劳的影响，难以满足大规模、高精度的应用需求。随着计算机视觉和深度学习技术的迅猛发展，基于图像的自动分类方法逐渐成为研究热点。卷积神经网络（Con
本文基于scikit-learn Digits手写数字数据集，使用随机森林构建10分类模型，实现了96.67%的准确率。研究通过混淆矩阵分析发现数字8最难识别（Recall仅0.86），其易与1、7混淆。创新性地将Permutation Importance映射为8×8像素热力图，揭示模型主要关注图像中心区域（特别是第21号像素），该位置恰为数字笔画交汇点。实验提供了完整的可复现代码和可视化结果，
摘要：本文提出基于Python的电商评论情感分类全流程方案，结合爬虫技术与机器学习实现高效评论分析。方案包含四个核心环节：1）使用Requests/Scrapy爬取电商平台结构化评论数据；2）通过文本清洗、分词和评分标注进行数据预处理；3）采用TF-IDF特征工程将文本转化为数值特征；4）构建机器学习分类模型实现情感分析。该方案针对电商评论特点优化处理流程，使用轻量级Python工具链（Panda
本文以 NCSC 公开的 Ricardo 首次卖家钓鱼事件为实证样本，完整还原攻击生命周期，解析目标精准定位、邮件伪造、链路跳转、社交客服诱导等关键环节，提出覆盖平台治理、邮件安全、终端防护、用户教育的一体化防御方案，为全球分类信息平台、二手电商、本地生活服务应用提供可落地的安全治理框架。随着攻击持续向深伪、多模态、跨渠道演化，分类信息平台防御必须保持迭代，以技术对抗欺骗、以规范约束滥用、以教育提
本文摘要：本文探讨了基于Python语言和Django框架开发的机器学习新闻文本分类系统。随着互联网信息爆炸式增长，传统人工分类方式已难以应对海量新闻的处理需求。本研究采用自然语言处理技术，开发了一套能够自动识别和分类新闻内容的B/S架构系统。系统通过MySQL数据库存储数据，Tomcat服务器提供运行环境，实现了新闻分类、新闻管理和用户管理三大核心功能模块。测试结果表明，该系统能有效完成新闻文本
这个项目里我做了两类模型：一个是自己写的简单 CNN，另一个是基于 ResNet-18 的迁移学习。自定义 CNN 主要由卷积、ReLU、池化和全连接层组成。卷积层可以理解成一组可学习的特征探测器。不同卷积核会在图片上滑动，提取不同局部特征。浅层卷积可能学到边缘、直线、纹理、颜色变化这些低级特征，越往后可能组合出耳朵、鼻子、脸部轮廓这些更高级的视觉特征。这里很重要的一点是，卷积核不是人工固定好的滤
环节关键技术容器定位多级选择器匹配特征提取尺寸、位置、关联元素去重过滤URL去重、跨类型去重兜底策略基于尺寸特征的分类百度搜索“一键存图”可查看完整的分类算法实现效果。
本文探讨了电商智能推荐系统的设计与实现，系统包含管理员端和用户端两大模块。管理员端具备用户、商品、留言板等管理功能，特别开发了母婴用品预测模块；用户端提供个性化购物界面。系统通过机器学习算法分析用户行为和商品数据实现精准推荐，并采用加密API定时抓取商品数据保障安全性和实时性。该系统有效提升了用户体验和平台运营效率，尤其在母婴用品市场预测方面具有显著优势。
本文介绍了一个基于PyQt5开发的智能文件助手工具，可自动分类、检索和管理PDF/DOC等文档。工具采用LangChain+Chroma实现语义检索，集成SiliconFlow/OpenRouter等LLM提供AI能力，支持三种分类模式（后缀/语义聚类/混合AI）和RAG工作流。文章详细说明了环境配置、技术架构、功能模块和使用方法，包括Antiword安装指南和常见问题解答。该项目已开源，未来计划
本文通过三个CNN模型在CIFAR-10上的对比实验，揭示了几个关键发现：1）SimpleCNN以仅10万参数取得79.8%准确率，优于迁移学习的ResNet18（72.1%）；2）LeNet-5通过加宽卷积核（32/64核）可提升13.8%准确率至78.8%；3）ResNet18需精细调整冻结策略（仅冻结底层）和归一化（必须使用ImageNet统计量）才能达到可用性能。实验表明，当目标数据集（C
未来行业将走向平台化融合，分类分级将嵌入数据全生命周期，成为实时决策核心引擎，联动数据审计、脱敏、访问控制、风险监测等能力，实现毫秒级智能风控。某在线教育平台业务快速迭代，传统规则需人工滞后更新1-2周，而知源系统经少量人工复核后，可快速学习新型数据特征，同类数据识别准确率快速提升至95%以上，适配互联网、金融科技等高速迭代行业。知源-AI数据分类分级系统并非传统工具的简单迭代，而是行业范式革新，
MNIST数据集是深度学习领域的“Hello World”，它包含70,000张28x28的灰度手写数字图像，是入门图像分类任务的绝佳选择。本文将手把手带你使用PyTorch构建一个简洁而高效的卷积神经网络（CNN），完成对MNIST数据集的训练与评估。文章会逐步解读每一段代码的含义，从数据加载、模型构建、训练循环到测试评估，并结合完整的训练日志分析模型的收敛过程。最终我们的模型在测试集上达到了9
││草稿│││。││────▶战略合作││。│││ 已终止││。││ 审核中││已驳回││。
实验结果显示，当K=1时，模型在测试集上取得1.0000的准确率，三类企鹅的Precision、Recall和F1-score均达到1.00，混淆矩阵中没有误分类样本。虽然模型实际使用了四个特征，但二维可视化仍能帮助观察不同企鹅类别的分布情况：Adelie样本通常喙长较短，Chinstrap样本喙长较长且喙深偏大，Gentoo样本喙深相对较小，类别之间整体具有较明显的分布差异。根据实验结果，清洗后
cout<<fixed<<setprecision()四舍五入保留小数。
姓名:孙路炜性别：男西安工程大学电子信息学院，2025级研究生研究方向：医学分割电子邮件：2441065596@qq.com2．ResNet18网络架构介绍ResNet-18（残差网络-18）是深度学习和计算机视觉领域里程碑式的经典卷积神经网络架构.在深度学习的早期，研究人员发现了一个直观的规律：网络越深，层数越多，模型的表达能力就越强，准确率通常也越高。
在上一篇文章中，我们介绍了 HarmonyOS 端侧 AI 的基本概念和框架搭建。本文将深入实战，带你完整实现一个图像分类应用，包括模型集成、图片处理、UI 交互和性能优化等各个环节。使用@Builder@Builder// UI 代码优势代码结构清晰组件可复用便于维护✅ 完整的模型管理器实现✅ 精美的 UI 界面设计✅ 完善的错误处理机制✅ 性能优化最佳实践✅ 常见问题解决方案HarmonyOS
本文是一份项目管理课程的考试试卷分析，包含以下内容：1. 题型分布：单选题、填空题、多选题、简答题、案例分析题和计算题。2. 重点题目解析：包括IPMA机构识别、WBS缩写、项目范围约束模型、需求管理标志等单选题；项目定义、范围管理、质量管理体系等填空题；软件质量特性、进度规划依据等多选题。3. 简答题分析项目利益相关者影响和变更代价曲线关系。4. 案例分析题指出需求获取不规范、变更管理缺失等问题
被TensorFlow图像分类的归一化坑了整整一周，终于摸清门道昨天搞MNIST分类，loss死活卡在0.7+。我试了10个学习率，换了3种网络结构，连Adam的beta1都调成0.999了。最后发现——数据没归一化。我直接用0-255的像素喂模型，活该训练不收敛。核心根源TensorFlow的卷积层默认输入是0-1范围。你用0-255的原始值，梯度会疯掉。模型根本学不动，loss像便秘一样卡住。
本项目基于YOLOv8目标检测算法构建了一个吸烟行为识别系统，旨在精准检测吸烟相关目标。模型共支持五类目标检测：香烟（Cigarette）、人体（Person）、烟雾（Smoke）、电子烟（Vape）以及吸烟动作（smoking），通过多目标协同检测提升吸烟行为识别的准确性与可靠性。该系统可应用于公共场所智能监控、安全生产管理等场景，实现对吸烟行为的自动化实时监测与预警。数据集共包含12,486张
本项目基于YOLOv10目标检测算法开发了一套专注于森林与野外环境的火灾火焰及烟雾识别系统。模型采用YOLOv10进行训练，能够实现高精度、低延迟的实时火灾预警检测。系统针对森林、山区、草原等开阔野外场景中的早期火情进行监控，可有效识别两类目标：'fire'（明火火焰）和'smoke'（烟雾），适用于无人机巡检、固定监控点等多种部署环境。模型在复杂自然背景下仍能保持较高的召回率和准确率，显著提升了
本项目基于YOLOv10目标检测算法构建了一个专业的火箭发射过程多部件检测系统，专门用于识别火箭发射过程中的三个关键组成部分：发动机火焰（Engine Flames）、火箭箭体（Rocket Body）以及周围空间背景（Space）。系统通过对火箭发射场景的实时分析，能够精准定位并分类火箭本体及其产生的尾焰。该项目展现了YOLOv10在高速度、高精度目标检测任务上的优势，适用于航天发射场监控、视频
本项目基于YOLOv10目标检测算法开发了一个犬种识别系统，专门用于检测和分类六种常见犬种：比格犬（Beagle）、斗牛犬（bullDog）、柯基犬（corgi）、金毛寻回犬（goldenRetriever）、哈士奇（husky）和博美犬（pomeranian）。系统通过端到端的深度学习模型，能够实时地在图像或视频中定位犬只并准确判断其所属品种，可应用于宠物智能管理、犬只身份识别、兽医辅助诊断及动
本项目基于YOLOv10目标检测算法，开发了一套专注于交通场景下骑手安全装备合规性检测的系统。模型共检测三类目标：佩戴的头盔（helmet）、摩托车车牌（license_plate）以及摩托车骑手（motorcyclist），类别数nc=3。该系统可同时对骑手、头盔及车牌进行实时定位，核心应用价值在于自动监控骑手是否按规定佩戴头盔，为智慧交通管理、违章自动执法及骑手安全督导提供有效的技术解决方案。
在机器学习中，分类问题是最常见的任务之一。比如根据病人的各项指标判断病情等级、根据用户行为预测会员等级等。本文使用一个已经预处理好的多分类数据集（标签为 0、1、2、3），分别用 7 种经典的分类算法进行建模，并对比它们在测试集上的表现。本文以众数填充为例子。每个文件的第一列是标签（y），后面的列是特征（x）
本文系统介绍了强化学习的基础理论、分类体系和核心算法。主要内容包括：1. 强化学习基础框架：基于马尔可夫决策过程(MDP)，阐述了状态空间、动作空间、状态转移概率、奖励函数和折扣因子等核心概念。2. 算法分类体系： 基于价值的方法（如Q-learning、DQN） 基于策略的方法（如REINFORCE） Actor-Critic混合方法（如A2C、PPO）3. 有模型与无模型强化学习： 有模型方法
摘要： 传统GIS面临矢量、栅格、TIN、点云四大数据模型互转导致的信息损失难题，以及坐标系碎片化、精度难溯源、时间维度缺失等结构性局限。2024-2026年，五大技术（3D高斯点云建模、地理空间基础模型、DGGS全球格网、车载LiDAR众包、LLM语义标注）的突破性进展指向了下一代时空统一数据模型——SuperPoint。它以带语义、精度和时间标签的空间点为基本单元，融合绝对坐标（x,y,z,t
文章摘要： 2026年大模型应用中，评价标签分类已从传统提示词工程升级为“逻辑工程学”，需通过结构化约束提升AI的语义解析能力。针对模糊语义、时效偏差和复杂语境等痛点，“三锚法”框架（目标锁定、硬性约束、示例引导）可显著提升分类准确率。实在Agent Claw-Matrix进一步融合TARS大模型与ISSUT技术，实现端到端自动化处理，准确率达99%以上，并适配本土化需求。未来，逻辑工程学与智能体
本文基于Java Web技术设计并实现了一个超市管理系统，旨在解决传统超市管理效率低下的问题。系统采用B/S架构，使用JSP+SSM框架开发，MySQL作为数据库，Tomcat为应用服务器。系统包含管理员和员工两种角色：管理员可进行商品管理、库存管理、员工管理、会员管理及销售数据分析；员工则负责商品销售、库存查询和报损登记等操作。通过用例分析和数据库设计，实现了商品进销存、会员积分管理、销售统计等
随着全球金融市场的高速发展，股票市场已成为投资者关注的热点。然而，股票市场的波动性和不确定性给投资者带来了巨大的风险。如何准确预测股票价格走势，降低投资风险，提高投资收益，成为金融研究领域亟待解决的问题。本研究构建了一个基于机器学习算法的股票预测系统，旨在通过分析历史市场数据，预测股票的未来走势。系统采用了多种机器学习模型神经网络，并利用特征工程技术提取了影响股价的关键因素，如交易量、价格波动、宏
摘要： 本研究设计并实现了一个基于多维数据挖掘的全国天气可视化系统，整合气象数据，通过聚类、分类等算法提取关键信息，并利用Echarts、D3.js等技术实现动态可视化。系统采用分布式架构，支持实时查询、历史分析及趋势预测，结合机器学习模型（如输入温度、湿度等预测空气质量），提供个性化服务。通过数据爬取、清洗优化及分层设计，确保高可用性与安全性。实际应用表明，系统在气象监测、预警及决策支持中效果显
目标：P-R 曲线关注的是精确率和召回率之间的权衡，重点在于正例的预测准确性和发现率。而 ROC 曲线关注的是真阳性率和假阳性率之间的权衡，重点在于模型在不同阈值下对正例和负例的分类能力。敏感性：P-R 曲线更加敏感于正例样本的变化，尤其在正例样本较少的情况下，P-R 曲线可以更好地评估模型的性能。而 ROC 曲线更适用于每个类的观测数值大致相同的情况。除了 ROC 曲线的形状，可以计算每个模型的
文章摘要： 当前企业级RAG系统面临的核心挑战是LLM在矛盾信息（如“药物有效率78% vs 92%”）下的不可靠决策，导致62%的AI项目因逻辑/事实错误失败。2026年成为“冲突消解RAG元年”，技术围绕三大冲突类型展开：内部vs外部知识冲突、外部证据间冲突、长上下文冲突定位。最新解决方案包括TCR框架（透明化冲突检测）、TruthfulRAG（知识图谱精准消歧）、ConflictRAG（高效
2026 年，中国数据分类分级系统行业已经走过野蛮生长的初级阶段，迈入规范化、智能化、场景化的成熟发展期。政策常态化监管、数据要素市场化改革构成行业长期增长底座，AI 技术迭代与信创改造成为两大核心发展主线。市场层面，头部综合厂商牢牢把握核心存量市场，垂直专精厂商在细分增量赛道持续突破，分层竞争格局稳定。技术层面，规则与 AI 深度融合、动态智能管控、轻量化私有化部署成为主流方向。虽然行业仍存在标
整理错题本是很多学生提升成绩的关键习惯，但手动抄题、剪贴不仅耗时耗力，还容易因为字迹潦草或排版混乱导致复习效率低下。尤其是面对堆积如山的试卷，如何快速从复杂的背景中提取出有价值的题目，并按知识点自动归档，成了不少家长和学生的痛点。随着图像识别和人工智能技术的发展，利用手机摄像头配合简单的自动化脚本，完全可以将这一繁琐过程变得高效且精准。这篇文章将带你从零开始，搭建一套属于自己的智能错题处理系统。不
本文介绍了一个基于Wine Quality数据集的机器学习实验，使用随机森林模型预测高质量葡萄酒（quality≥7）。实验重点关注数据分布、模型选择和结果分析：原始数据呈现明显的类别不平衡（高质量酒仅占19.66%），通过class_weight参数处理不平衡问题；模型最终取得82%准确率，但对高质量酒的识别精度较低（precision=0.53），表现出"宁可错杀不可放过"的特点；特征重要性分
分类是监督学习中与回归并列的核心任务，与回归输出连续数值不同，分类任务的目标是输出离散的类别标签，广泛应用于垃圾邮件识别、图像分类、用户行为预测等场景。逻辑回归（Logistic Regression）是分类任务中最基础的判别式模型，直接学习从特征到类别概率的映射，而非建模数据的生成过程，是后续深度学习分类任务的基础。：平方误差在 Sigmoid 函数的饱和区梯度趋近于 0，会导致梯度消失，而交叉
在学习中了解到，当下主流的分类算法可以分为概率生成模型和判别模型两大类型，两种模型的思考角度与实现方式各不相同，也是本周重点钻研的内容。在此基础上开启深度学习基础内容的学习，认识全连接神经网络的组成与工作方式，掌握前向传播、反向传播的运行逻辑，理解常用激活函数的作用，同时分析深度网络训练过程中存在的难点问题。在损失计算环节，分类任务不再使用回归任务中的均方误差。回归任务主要用来预测连续的数值结果，
如下图，假设一共有 100 个样本，其中 90 个是正常未患病的人，10 个是患病的人，现在模型预测出 12 个患病的人，88 个未患病的人。是一个常见的机器学习任务，有许多指标来衡量二分类模型的性能，本文将从疾病预测的场景开始，分别介绍二分类的基础指标和综合指标，并进行对比。预测患病的人中，8 人真正患病（真阳性），4 人并未患病（假阳性）。预测未患病的人中，86 人未患病（真阴性），4 人患病
本文展示了使用R语言中的C5.0算法构建鸢尾花分类决策树的全过程。首先加载iris数据集并进行70/30的训练测试集划分，然后训练C5.0决策树模型，该模型基于花瓣长度和宽度生成分类规则，训练集准确率达97.1%。在测试集上评估显示模型准确率为97.7%，最后通过partykit包实现了决策树的可视化，直观展示了分类规则。整个过程涵盖了数据准备、模型训练、评估和可视化等完整流程，为分类问题提供了标
为什么大模型先做 SFT、再做 RL，性能会先下降、再爬上来？"**你要是搜一搜，网上答案不少，而且**基本都对**——这道题本来也不难，大家心里多半都有个谱。今天我想做的，不是再给一个"更对"的答案，而是顺着这些答案**一层一层往下挖**，看看背后到底在发生什么。
本文探讨了GraphRAG应用中通用大语言模型（LLM）在实体抽取任务中的局限性，并提出优化方向。主要内容包括： 问题现状： 实体抽取是GraphRAG的主要质量瓶颈（65%问题源于此） 通用LLM存在实体类型歧义（12.7%实体被分配多种类型） 典型问题包括实体碎片化、关系错误和虚构实体 失败原因分析： 实体天然的多面性与局部上下文的矛盾 类型边界模糊导致判断困难 LLM输出格式的不稳定性 解决
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
快递鸟社区
openEuler 社区
AI编程社区
