项目2 服装分类助手.zip

本项目应用机器学习模型采用卷积神经网络，部署在Web环境中，通过Fashion-MNIST数据集进行模型训练和改进，实现网页端服装类别精准识别。 该压缩包中包含相应的数据集以及代码实现 只需要自己做两部分内容： 1.相应的要上传网页进行识别分类的图片自己准备 2.通过写代码计算出真实标签和预测标签之间的正确率和错误率即可 通过使用卷积神经网络进行服装分类，我们可以从一张商品图片中提取出关键特征，如颜色、纹理、形状等。这些特征能够帮助我们识别不同类型的服装，如衬衫、裙子、裤子等。而卷积层和池化层的堆叠可以使网络更好地捕捉图像中的局部模式和整体结构，并具备对尺度和平移变换的鲁棒性。 在构建卷积神经网络的过程中，我们还可以通过引入预训练模型和数据增强技术来提高分类器的性能。预训练模型通常是在大规模图像数据集上训练得到的，并具备对于图像特征的良好抽取能力。而数据增强则可以通过对输入图像进行旋转、缩放、平移等变换，产生更多样化、丰富的训练数据，从而提升模型的泛化能力。

鸢尾花SVM分类实验.zip

SVM全称为支持向量机（Support Vector Machine），是一种常见的用于分类和回归的机器学习算法。SVM的基本思想是找到可以将不同类别样本区分开的最优超平面，从而实现分类。 在SVM中还经常使用核函数（kernel）将样本从原始空间映射到高维空间，从而更好地刻画样本之间的差异。常见的核函数有线性核、多项式核、高斯核等。例如，对于鸢尾花分类，使用径向基函数（RBF）核函数可能更好，可以将样本映射到更高维的空间，达到更好的分类效果。 本文章是利用python语言对鸢尾花进行SVM分类实验，该实验内容是： 1、调用sklearn内的SVM模型 2、使用不同的核函数，并对每个核函数得到的准确率进行分析。 3、调节参数C，使模型准确率达到最高。 4、分别计算TP(真阳性)、FN（伪阴性）、FP（伪阳率）、TN（真阴性） 实验目的是： 1.了解和掌握SVM的基本流程 2.能够使用python实现实现SVM 3.能够调用SVM，并且调整参数。

对鸢尾花进行Fisher判别实验.zip

压缩包包含python实验代码、实验报告、以及相应的数据集，有需要可以自取，免费的哦 该实验是对鸢尾花数据进行Fisher判别实验，目的是： 1.了解和掌握Fisher判别的基本流程 2.能够使用python实现实现Fisher判别 3.能够将判别公式转化为python语言。 任意选取鸢尾花数据集中的两类，通过Fisher判别对这两类进行分类。 实验内容包含： 1、读取CSV数据，选择两类的特征作为训练数据（X1, X2），并且将其分为训练集和测试集，划分比例为8:2. 2、分别求这两类特征的均值（m1, m2） 3、分别计算这两类特征的类内散度矩阵（S1, S2） 4、计算方向向量（W） 5、计算投影后的均值W0（W0 = -(w(T)*m1+w(T)*m2)/2）. 6、将测试数据带入W*X+W0中得到分类结果。 7、得出分类准确率

《行业创新创业项目实践实训》嵌入式家庭影音控制系统.doc

利用实验以其分别实现以下内容： 1.电子相册：通过划屏控制来实现图片浏览功能 2.音乐播放器：通过点控，来播放音乐，具体有音乐进入、开始、暂停、退出等功能实现 3.视频播放器：通过点控，来播放视频，具体有视频进入、开始、暂停、退出等功能实现 该项目主要运用了Linux系统下的文件IO操作，显示与输入的处理，以及控制流程。 具体原理包括： 1.文件IO操作：通过open函数打开特定的设备文件（如LCD屏幕、触摸屏、图片和音视频文件），通过read函数读取特定文件中的内容数据，通过write函数向管道文件（/fifo）中写入控制命令。 2.显示处理：打开并映射LCD屏幕，在内存映射区域中直接对像素点进行操作，并调用show_bmp24函数将读取到的BMP24格式的图片在LCD屏幕上进行显示。 3.输入处理：使用/lib/input.h头文件中定义的input_event结构体来获取触摸屏上的事件信息，通过get_touch函数实时读取的输入事件，并存储坐标信息，进一步检测手势类型并触发相应的功能。 4.控制流程：在main函数中调用不同函数，使得整个程序可以展现出经典的多界面图形交互

教资ppt超级好.7z

关于教资考试的一些ppt资料，很受用，免费的哦 各大知识点总结的很到位

Fashion-MNIST（训练集和测试集的数据）.zip

Fashion-MNIST（训练集和测试集的数据） 基于服装识别和图像识别数据集，包含训练集和测试集的数据

cat-or-dog.zip 猫狗识别图像分类

本项目要进行简单的二元图像分类。图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用深度学习的方法处理图像分类问题。主要任务是给定一个输入图片，将其指派到一个已知的混合类别中的某一个标签。 本项目还会涉及到模型部署，使用Flask框架。Flask是一个使用 Python 编写的轻量级 Web 应用框架，让我们可以使用Python语言快速实现一个网站或Web服务，在网站上快速进行图像分类。对此我们进行了两个任务分别进行练习： 任务1.数据集的划分与模型训练（划分数据集、使用划分好的数据集进行训练、 模型评估） 任务2.运用Flask将模型部署成网页端应用（依赖包安装、初始代码解析、修改和添加网页端元素、判断语句和额外界面、部署模型在网页端展示预测结果）

text-classification.zip Tensorflow实现文本分类

自然语言处理(Natural Language Processing，NLP)是一门融合了计算机科学、人工智能及语言学的交叉学科，它们的关系如下图所示。这门学科研究的是如何通过机器学习等技术，让计算机学会处理人类语言，乃至实现终极目标--理解人类语言或人工智能。 本项目实现的是自然语言处理中最简单的任务之一：文本分类。本项目中我们要做一个Tensorflow实现文本分类，对此我们分成了2个任务进行介绍，分别是： 任务1.自定义神经网络对电影评论进行文本分类（数据集准备、模型构建、模型训练、模型评估） 任务2.使用 Keras 和 Tensorflow Hub 对电影评论进行文本分类（迁移学习(Transfer learning) 顾名思义就是把已训练好的模型（预训练模型）参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数（也可理解为模型学到的知识）通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习。）

plant-growth-stage-detection.zip 农作物火龙果生长趋势.docx

基于火龙果数据的作物生长趋势项目，通过学习，如何将你构建的AI服务部署到云端上，实现具备识别火龙果生长趋势的云服务能力。下面是我们做的任务案例： 任务1：火龙果训练数据集准备（使用精灵标注助手进行目标检测图像标注、将训练与验证数据集转tfrecord格式数据集） 任务2：目标检测模型搭建与训练（认识目标检测、 YOLOv3目标检测模型、 tensorflow YOLOv3模型训练） 任务3：生长趋势模型推理与模型评估（作物生长趋势模型推理接口、 作物生长趋势模型推理代码实现、作物生长趋势模型精度评估） 任务4：生长趋势AI模型服务封装（ Restfull API、Flask环境搭建、Flask实现火龙果生长趋势AI服务） 任务5：模型云端部署与安装（生长趋势AI服务运行环境配置、编写自动化安装脚本实现服务一键安装与拉起）

tf2-neural-style-transfer.zip 使用VGG19迁移学习实现图像风格迁移

由于深度学习的发展，利用卷积网络的深层结构提取的信息，来替代早期人工提取的各种滤镜，能够高效地以自动化方式完成风格迁移任务，即把一张图片的内容和另一个图片的风格合成为一张新的图片，比如给出一个猫的图片和一个梵高的自画像，就可以生成一只梵高的猫。本实验将以实例的形式带领大家动手实现自己的图像风格迁移。 本实验中做了三个任务，分别是： 任务1.初识图像风格迁移（了解图像风格迁移的相关知识及原理，通过调用接口尝试使用风格迁移生成图片） 任务2.基于VGG19构建迁移学习模型（学习使用VGG19模型，基于VGG19模型构筑自己的迁移学习模型） 任务3.训练模型实现图像风格迁移（此部分将综合[任务2.基于VGG19构建迁移学习模型](../tf2-neural-style-transfer/任务2.基于VGG19构建迁移学习模型.ipynb)的实验结果，基于构筑好的迁移学习模型设置合理的损失计算方法并进行模型训练，掌握并实现图像风格迁移。）