本文件功能：用BP神经网络预测温湿度。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。
2023/8/2 9:25:48
2.28MB
1
毕业设计一深度学习之MRI数据集预处理（合并，裁剪以及重命名等操作）-附件资源
2023/8/1 1:30:21
23B
1
五子棋作为一个棋类竞技运动，在民间十分流行，为了熟悉五子棋规则及技巧，以及研究简单的人工智能，决定用Java开发五子棋游戏。
主要完成了人机对战和玩家之间联网对战2个功能。
网络连接部分为Socket编程应用，客户端和服务器端的交互用ClassMessage定义，有很好的可扩展性，客户端负责界面维护和收集用户输入的信息，及错误处理。
服务器维护在线用户的基本信息和任意两个对战用户的棋盘信息，动态维护用户列表。
在人机对弈中通过深度搜索和估值模块，来提高电脑棋手的智能。
分析估值模块中的影响精准性的几个要素，以及提出若干提高精准性的办法，以及对它们搜索的节点数进行比较，在这些算法的基础上分析一些提高电脑AI方案，如递归算法、电脑学习等。
算法的研究有助于理解程序结构，增强逻辑思维能力，在其他人工智能方面也有很大的参考作用
主要完成了人机对战和玩家之间联网对战2个功能。
网络连接部分为Socket编程应用，客户端和服务器端的交互用ClassMessage定义，有很好的可扩展性，客户端负责界面维护和收集用户输入的信息，及错误处理。
服务器维护在线用户的基本信息和任意两个对战用户的棋盘信息，动态维护用户列表。
在人机对弈中通过深度搜索和估值模块，来提高电脑棋手的智能。
分析估值模块中的影响精准性的几个要素，以及提出若干提高精准性的办法，以及对它们搜索的节点数进行比较，在这些算法的基础上分析一些提高电脑AI方案，如递归算法、电脑学习等。
算法的研究有助于理解程序结构，增强逻辑思维能力，在其他人工智能方面也有很大的参考作用
2023/7/31 6:20:30
1.34MB
1
图片:framed_picture:分类App样板您是否对Internet上的大量视频，博客和其他资源感到困惑，不知道在哪里以及如何部署AI模型？如果您有一个模板，可以在其中插入经过训练的模型文件，编辑一些促销文字，然后瞧瞧，那就好了，那就完成了。
好吧，别无所求，因为此存储库使您听起来像它一样容易！如何使用这个项目？:thinking_face::thinking_face:：注意：目前，我们仅专注于使用tensorflow/pytorch构建的图像分类模型。
稍后，我们将扩展到处理文本和语音数据以及使用MXNet或julia环境进行训练的模型我假设您在操作系统中安装了Python（带有Anaconda）并设置为path。
如果没有，请访问。
强烈建议将GIT与Python结合使用以进行版本控制和部署A.获取我们的模板并进行设置：打开GitHub使用您的凭据登录。
[如果尚未创建帐户，请创建]打开系统上的终端/命令提示符移至要在本地保存项目文件的合适位置示例：cdDesktop/projects克隆存储库。
gitclo
好吧，别无所求，因为此存储库使您听起来像它一样容易！如何使用这个项目？:thinking_face::thinking_face:：注意：目前，我们仅专注于使用tensorflow/pytorch构建的图像分类模型。
稍后，我们将扩展到处理文本和语音数据以及使用MXNet或julia环境进行训练的模型我假设您在操作系统中安装了Python（带有Anaconda）并设置为path。
如果没有，请访问。
强烈建议将GIT与Python结合使用以进行版本控制和部署A.获取我们的模板并进行设置：打开GitHub使用您的凭据登录。
[如果尚未创建帐户，请创建]打开系统上的终端/命令提示符移至要在本地保存项目文件的合适位置示例：cdDesktop/projects克隆存储库。
gitclo
2023/7/30 11:46:45
1.19MB
1
大连市公交线路、地铁线路和站点shp矢量数据2020年最新资料，属性信息、数据内容全面，通用wgs84坐标，欢迎大家深度研究和学习使用。
2023/7/30 4:34:08
1.84MB
1
图像去雾算法的的原文，在本文中，我们提出了一个简单但有效的图像先验暗通道之前，从一个单一的输入图像去除混浊。
暗通道先验是一种室外无雾图像的统计。
这是基于一个关键的观察结果，大多数室外无雾图像中的局部斑点包含一些像素，这些像素在至少一个颜色通道中的强度非常低。
利用这一先验模型，我们可以直接估计薄雾的厚度，并恢复高质量的无薄雾图像。
在各种模糊图像上的结果表明了该算法的有效性。
此外，作为除雾的副产品，还可以获得高质量的深度图。
暗通道先验是一种室外无雾图像的统计。
这是基于一个关键的观察结果，大多数室外无雾图像中的局部斑点包含一些像素，这些像素在至少一个颜色通道中的强度非常低。
利用这一先验模型，我们可以直接估计薄雾的厚度，并恢复高质量的无薄雾图像。
在各种模糊图像上的结果表明了该算法的有效性。
此外，作为除雾的副产品，还可以获得高质量的深度图。
2023/7/29 13:51:16
571KB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB