介绍机器学习，人工智能，深度学习作业项目。卫星图像识别系统。基于tensorflow，使用卷积神经网络实现对卫星影像（飞机，湖泊）的识别，通过对相关数据集的训练（1400张影像图片）生成训练模型，使用django框架将数据结果进行显示，并增加后台管理系统方便使用信息的查看。主要代码model = tf.keras.Sequential()#顺序模型model.add(tf.keras.layers

以管理员身份打开 PowerShell，依次运行以下命令。，建议配置时，以及下载镜像时直接开启科学上网。在Windows11上安装。运行完后 重启电脑。

Docker是一种开源的应用容器引擎，让开发者能够打包应用及其依赖包到一个可移植的容器中，然后发布到任何流行的Linux或Windows机器上，也可以实现虚拟化。在实际的部署工作中，需要使用到多种服务，比如mysql、nginx等，那这么多镜像如何进行组合编排呢，这就是Docker-Compose需要解决的问题。这个相比于ECI部署，可以动态进行弹性扩容，多实例运行，直接通过compose文件生成

本项目是一个基于Text-CNN深度学习模型的中文文本情感识别Web应用系统。系统采用前后端分离架构，后端使用Flask框架构建RESTful API，深度学习模型采用TensorFlow/Keras实现的Text-CNN卷积神经网络，前端框架支持跨平台访问。系统核心功能包括用户注册登录、JWT身份认证、中文文本情感分析、批量预测处理以及历史记录管理等。系统使用jieba分词对中文文本进行预处理，

涉及技术卷积神经网络算法搭建、模型训练、前端Vue3+Element plus搭建界面、后端Django处理任务。项目简介中草药识别系统，通过收集10种常见的中草药数据集，基于TensorFlow搭建卷积神经网络算法模型进行多轮迭代训练，最后得到一个识别精度较高的模型，然后使用最新的Vue3+Element plus搭建界面，后端Django处理请求，实现前后端分离开发模式，实现一个完整的可视化操

食物识别系统，本系统基于TensorFlow框架，构建了一个结合深度学习与Web应用的智能食物识别平台。系统采用卷积神经网络（CNN）对涵盖11类日常食物（‘面包’, ‘乳制品’, ‘甜点’, ‘蛋类’, ‘油炸食品’, ‘肉类’, ‘面食’, ‘米饭’, ‘海鲜’, ‘汤羹’, ‘蔬菜水果’）的图像数据进行多轮训练，最终生成高精度识别模型，并部署为可交互的Web应用。前端后端：Django算法：

蘑菇识别系统基于TensorFlow框架，采用ResNet50卷积神经网络结构进行算法构建。系统在包含九类常见蘑菇（香菇、毒鹅膏菌、牛肝菌、网状菌、毒镰孢、湿孢菌、乳菇、红菇、松茸）的数据集上进行了多轮迭代训练，最终获得高精度识别模型，并部署于Web端实现可视化交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的

鸟类识别系统，通过TensorFlow搭建卷积神经网络算法，数据集使用经典的加利福尼亚大学CUB-200-2011鸟类数据集，对其进行多轮迭代训练，最后得到了一个精度较高的模型，并搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成

民族服饰识别，民族服饰智能识别与分析系统基于TensorFlow框架，采用卷积神经网络（CNN）算法构建而成。系统在收集了回族、汉族、满族、苗族四类典型民族服饰图像数据集的基础上，通过多轮迭代训练，最终生成高精度识别模型，并配合Web可视化平台实现便捷交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。

卫星影像识别系统，基于TensorFlow搭建卷积神经网络算法，通过对7种常见的卫星遥感影像图片数据集（‘草地（Grass）’, ‘农田（Field）’, ‘工业区（Industry）’, ‘河流湖泊（RiverLake）’, ‘森林（Forest）’, ‘居民区（Resident）’, ‘停车场（Parking）’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端