![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 85
人工智能1和人工智能2课程内容收录
MorleyOlsen
a normal undergraduate student striving for a luck
展开
-
【人工智能Ⅱ】课堂PPT习题汇总(方便复习版)
UnetDeepLab系列简单RNN目标检测:GAN强化学习。原创 2024-07-27 14:34:48 · 251 阅读 · 0 评论 -
【人工智能Ⅱ】实验9:强化学习Q-Learning算法
路径如下表所示,依次为下——上——不动——不动——不动——下——下——不动——不动——上——上——不动——下——上——下——不动——下——上——下——右——下——不动——右——右。注意:从环境中获取的状态,有时候叫state,有时候叫observation,它们其实一个代表全局状态,一个代表局部观测值,在多智能体环境里会有差别,但在环境没有那么复杂时,可以先把这两个概念划上等号。路径如下表所示,依次为上——右——右——右——右——右——右——右——右——右——右——右——下。原创 2024-06-03 20:10:18 · 1133 阅读 · 0 评论 -
【人工智能Ⅱ】实验8:生成对抗网络
实验8:生成对抗网络一:实验目的1:理解生成对抗网络的基本原理。2:学会构建改进的生成对抗网络,如DCGAN、WGAN、WGAN-GP等。3:学习在更为真实的数据集上应用生成对抗网络的方法。二:实验要求1:理解生成对抗网络改进算法的改进内容和改进目的。2:参考课程资源中的2024年春第八次实验代码,完成生成对抗网络改进算法WGAN或DCGAN网络的实现。3:在Fashion MNIST数据集上验证生成对抗网络改进算法的效果,并对其进行调优。4:在玉米数据集上验证生原创 2024-06-03 20:05:15 · 1305 阅读 · 0 评论 -
【人工智能Ⅱ】实验7:目标检测算法2
实验7:目标检测算法2一:实验目的与要求1:了解一阶段目标检测模型-YOLOv3模型的原理和结构.2:学习通过YOLOv3模型解决目标检测问题。二:实验资源pytorch代码各文件夹内容介绍1. data_loader.py:能够传入模型的Dataloader构建函数。2. data_operate.py: 数据操作。3. get_box.py: 获取数据标记框函数。4. Loss.py:训练主体程序。5. main.py: 主函数。6. metric.p原创 2024-05-14 09:33:32 · 532 阅读 · 0 评论 -
【人工智能Ⅱ】实验6:目标检测算法
实验6:目标检测算法一:实验目的与要求1:了解两阶段目标检测模型 RCNN或Faster RCNN模型的原理和结构。2:学习通过RCNN或Faster RCNN模型解决目标检测问题。二:实验内容常用的深度学习框架包括PyTorch和PaddlePaddle等,请选择一种深度学习框架,完成后续实验。2.1 RCNN模型简介区域卷积神经网络(RCNN)系列模型为两阶段目标检测器,包含对图像生成候选区域,提取特征,判别特征类别并修正候选框位置等几个步骤。 RCNN系列目前包含两原创 2024-05-04 15:32:23 · 1265 阅读 · 0 评论 -
【人工智能Ⅱ】实验5:自然语言处理实践(情感分类)
(2)GRU模型在训练过程中的验证集上的最高准确率为88.98%,而LSTM模型在训练过程中的验证集上的最高准确率为89.72%。(3)GRU模型最终的测试准确率为84.70%,而L,STM模型最终的测试准确率为87.72%。(1)GRU模型的训练参数量为336673,而LSTM模型的训练参数量为328481。在模型训练环节,批次大小选为32,迭代次数选为15,验证集在输入训练集中的占比为20%。在模型训练环节,批次大小选为32,迭代次数选为15,验证集在输入训练集中的占比为20%。原创 2024-05-04 15:28:07 · 1560 阅读 · 0 评论 -
【人工智能Ⅱ】实验4:Unet眼底血管图像分割
下采样可以增加对输入图像的一些小扰动的鲁棒性,比如图像平移,旋转等,减少过拟合的风险,降低运算量,增加感受野的大小。根据预测结果可以分析得到:在训练迭代次数较高的情况下,模型能够完全完成对眼球图像进行分割,所有眼球中的血管基本保持一个较高的能见度。根据预测结果可以分析得到:在训练迭代次数较低的情况下,模型并不能很好的对眼球图像进行分割,只能看到比较粗的血管的纹路。而后,模型采用Adam作为优化器,0.001作为初始学习率,交叉熵函数作为损失函数。在模型训练过程中,采用64作为批大小,100作为迭代次数。原创 2024-03-29 08:41:40 · 2171 阅读 · 0 评论 -
【人工智能Ⅱ】实验3:FCN对Pascal VOC2012数据集进行语义分割
实验3:FCN对Pascal VOC2012数据集进行语义分割一:实验目的与要求1:掌握图像分割的含义。2:掌握利用FCN建立训练模型。3:掌握使用FCN对Pascal VOC2012数据集进行语义分割。二:实验内容1:用FCN网络完成对Pascal VOC2012数据集进行语义分割。2:可视化比较FCN8s,FCN16s,FCN32s的分割效果和Groud Truth。3:尝试调整网络参数提高模型的分割精度。三:实验环境本实验所使用的环境条件如下表所示。原创 2024-03-23 21:45:31 · 1635 阅读 · 0 评论 -
【人工智能Ⅱ】实验2:VGG图像分类
第一个卷积块的每个卷积层共有64个输出通道,第二个卷积块的每个卷积层共有128个输出通道,第三个卷积块的每个卷积层共有256个输出通道,第四个卷积块的每个卷积层共有512个输出通道,第五个卷积块的每个卷积层共有512个输出通道。与baseline相比,batch_size为【128】时的分类损失值和准确率出现了较大的波动,同时最高的测试准确率也比baseline低。因此,训练epoch为【10】的训练结果比训练epoch为【30】的训练结果差。因此,采用数据增强后的训练结果比baseline的训练结果好。原创 2024-03-19 21:09:16 · 1513 阅读 · 0 评论 -
【人工智能Ⅱ】实验1:卷积神经网络应用
由上图可知,经过30次训练迭代后,蓝色部分的训练损失值曲线和橘色部分的测试损失值曲线整体均呈现下降趋势,且训练损失值的下降速度快于验证损失值的下降速度。由上图可知,经过30次训练迭代后,蓝色部分的训练准确率曲线和橘色部分的测试准确率曲线整体均呈现上升趋势,且训练准确率的上升速度快于验证准确率的上升速度。由上图可知,经过30次训练迭代后,蓝色部分的训练准确率曲线和橘色部分的测试准确率曲线整体均呈现上升趋势,且训练准确率的上升速度快于验证准确率的上升速度。然后,进行过滤器大小改变的实验。原创 2024-03-12 13:34:53 · 1272 阅读 · 0 评论 -
【人工智能Ⅰ】实验箱选做实验
解决方法:将代码更改为contours,binary,_ = cv2.findContours(close image,CV2.RETR EXTERNAL,cV2.CHA]N APPROX SIMPLE) #查找轮廓e。用实验箱的摄像头拍摄方块上数字的图片,在图像处理的基础上,应用支持向量机方法识别图像中的数字并进行分类。解决过程:在电脑上修改代码的路径后,仍然出现问题。解决过程:更改img_rec.py中的相关参数,将28改为784,而后程序可以正常运行。用SVM方法识别图像中的数字,并输出结果;原创 2024-02-26 10:27:07 · 442 阅读 · 0 评论 -
【人工智能Ⅰ】实验11:支持向量机
实验11 支持向量机一、实验目的1:了解支持向量机的结构和原理。2:应用支持向量机建立训练模型,对模型进行评估。二、实验内容和要求【实验内容】选择支持向量机,对花卉图像或玉米果穗图像进行分类。花卉图像包括玫瑰,向日葵和蒲公英;玉米果穗图像包括虫蛀,损伤,发霉。(1)可针对这些特点对图像的颜色、纹理、形状进行分析,从而进行特征选择与提取;(2)也可以尝试不提取特征,直接将图像作为输入,对比效果;(3)调整人工神经网络的参数,观察不同的参数对分类结果的影响;(4)实现原创 2024-01-11 11:48:22 · 1303 阅读 · 0 评论 -
【人工智能Ⅰ】课件练习题汇总(含详细解答过程)
1:C2:A3:C4:D5:C6:D7:D8:C9:C10:B11:B12:D13:A13:C14:15:f(h1)=0.67f(h2)=0.46f(y)=0.4816:FTF19:20:21:22:23:B24:25:26:27:28:F29:BP神经网络30:31:AB32:T33:T34:D35:F36:F37:ABCD38:T39:C40:B41:D42:43:44:45:C。原创 2024-01-10 17:58:56 · 460 阅读 · 0 评论 -
【人工智能Ⅰ】复习汇总(各章节详细知识点梳理手写版)
1:人工智能导论2:知识表示3:遗传算法及其应用4:蚁群算法5:粒子群算法6:分类7:KNN和决策树8:回归和降维9:聚类10:人工神经网络11:支持向量机原创 2024-01-10 17:48:08 · 517 阅读 · 0 评论 -
【人工智能Ⅰ】AI课后习题
1:遗传算法的算子有哪些?选择 (我的答案)交叉 (我的答案)变异 (我的答案)转换抽取2:遗传算法的终止条件有哪些( )达到迭代代数 (我的答案)种群中的最优个体连续若干代没有改进平均适应度在连续若干代基本没有改进 (我的答案)所求问题最优值小于给定的阈值3:简述遗传算法的基本步骤。1:分析问题2:确定表示问题解答的编码(染色体)3:初始化染色体种群4:计算每个个体的适应值5:判断是否满足终止条件,若满足则输出最优解,否则进入第6步6:根据适应值选择串进行复制。原创 2024-01-01 20:40:55 · 660 阅读 · 0 评论 -
【人工智能Ⅰ】实验10:人工神经网络图像分类
然后,更新模型的输入层尺寸,根据计算出的 HOG 特征长度,更新ANN中输入层的特征数。可以观察到,随着迭代次数的增加,模型的损失在不断下降,训练集的准确率在不断上升,测试集的准确率也呈现上升趋势,但是存在一定的过拟合现象。可以观察到,随着迭代次数的增加,模型的损失在不断下降,训练集的准确率在不断上升,测试集的准确率也呈现上升趋势,但是存在一定的过拟合现象。可以观察到,随着迭代次数的增加,模型的损失在不断下降,训练集的准确率在不断上升,测试集的准确率呈现波动趋势,并且存在一定的过拟合现象。原创 2023-12-29 09:29:25 · 990 阅读 · 0 评论 -
【人工智能Ⅰ】实验9:BP神经网络
整体代码和准确率计算结果如下图所示,其中图1为整体代码,图2为计算的准确率结果(分类的准确率为0.7)。整体代码、标签对比结果和混淆矩阵结果如下图所示,其中图1为整体代码,图2为程序输出的标签对比结果,图3为程序输出的混淆矩阵结果。整体代码和直方图可视化结果如下图所示,其中图1为整体代码,图2为花萼长度直方图,图3为花萼宽度直方图,图4为花瓣长度直方图,图5为花瓣宽度直方图。整体代码和输出结果如下图所示,其中图1为整体代码,图2为程序输出的计算结果(训练集准确率为98%,测试集准确率为98%)。原创 2023-12-29 09:20:43 · 2040 阅读 · 0 评论 -
【人工智能Ⅰ】实验8:DBSCAN聚类实验
此处使用【sklearn】库中的DBSCAN封装包进行调用,选定初始参数eps = 0.5(领域的半径)、min_samples = 3(领域内最少包括的同类数据个数),采用fit方法进行模型训练,最后得到训练标签为【dbscan_sepal.labels_】和【dbscan_petal.labels_】。程序部分代码如图1所示,程序报错信息如图2所示。在任务2中,定义了图的大小和4个子图,分别用于显示花萼聚类前、花萼聚类后、花瓣聚类前、花瓣聚类后的聚类散点图,以便显示DBSCAN算法聚类前后的效果。原创 2023-12-13 10:12:05 · 1863 阅读 · 0 评论 -
【人工智能Ⅰ】实验7:K-means聚类实验
通过任务2中的对比图可知,原来的标签与聚类结果的标签所对应的关系如下表所示。其中,Original Sepal Data对应原始花萼数据,Sepal Clustering Overlay对应聚类后的花萼数据,Original Petal Data对应原始花瓣数据,Petal Clustering Overlay对应聚类后的花瓣数据。在任务2中, 我们定义了图的大小,并定义了4个子图,分别用于显示花萼聚类前、花萼聚类后、花瓣聚类前、花瓣聚类后的聚类散点图。数据集里面共包含3种鸢尾,标签分别是0、1、2。原创 2023-12-06 12:40:43 · 2094 阅读 · 0 评论 -
【人工智能Ⅰ】实验4:贝叶斯分类
是否学习类的先验概率fit_prior如果为假,使用均匀的先验概率,即认为所有输出类别的可能性相等。,因为MNIST的图像可以表示为像素强度计数(适合多项式分布)或二值化的像素存在与否(适合伯努利分布)。print("多项式Bayes算法在测试集上的平均预测成功率:",Bayes_estimator1.score(Guiyihua_x_test,y_test))print("伯努利Bayes算法在测试集上的平均预测成功率:",Bayes_estimator3.score(x_test,y_test))原创 2023-11-30 20:07:43 · 1306 阅读 · 0 评论 -
【人工智能Ⅰ】实验3:蚁群算法
同时为了保证蚂蚁在觅食的时候不至走进死胡同而无限循环,蚂蚁在寻找路径的过程中,需要有一定的随机性,虽然在觅食的过程中会根据信息素的浓度去觅食,但是有时候也有判断不准,环境影响等其他很多种情况,还有最终要的一点就是当前信息素浓度大的路径并不一定是最短的路径,需要不断的去修正,多样性保证了系统的创新能力。这使得距离较短的边,其上的信息素量较大,后来的蚂蚁选择该边的概率也较大。表2.d. 当蚁群数量为45、信息素因子为2、启发函数因子为3、信息素常数为100、信息素挥发因子为0.5时,不同次运行情况下的结果。原创 2023-11-30 20:04:15 · 2317 阅读 · 0 评论 -
【人工智能Ⅰ】实验6:回归预测实验
最终的处理结果如下图所示。最终结果如下图所示,其中蓝色的数据点表示数据来自训练集,橙色的数据点表示数据来自验证集,绿色的数据点表示数据来自测试集,红色的y=x直线为预测结果与真实值相等的标准直线。整体代码和计算结果如下图所示,图1为调用机器学习依赖的代码,图2为验证集和测试集的均方根误差结果和R2结果。同时,通过绘制每个指标的箱型图,我们可以直观地感受数据的分布和可能的离群点。最终结果如下图所示,图1为训练集结果,图2为验证集结果,图3为测试集结果,其中红色的直线为使用线性回归模型拟合的回归线。原创 2023-11-30 19:59:45 · 1145 阅读 · 0 评论 -
【人工智能Ⅰ】实验5:AI实验箱应用之贝叶斯
我们在测试实验箱自带的识别应用软件中发现,在二值化图形的情况下,有些数字方块由于光线太强直接显示为白色,有些数字方块由于光线太弱直接显示为黑色。主要是用来进行比较的元素,只有一个参数,具体的函数的参数就是取自于可迭代对象中,指定可迭代对象中的一个元素来进行排序。执行该操作时,程序会将识别出的4个数字分类结果进行排序,并搬运其中的最值数字方块。1. 用实验箱的摄像头拍摄方块上数字的图片,在图像处理的基础上,应用贝叶斯方法识别图像中的数字并进行分类。上表中,蓝色部分为识别准确的数字,橘色部分为识别错误的数字。原创 2023-11-30 19:54:10 · 974 阅读 · 0 评论 -
【人工智能Ⅰ】实验2:遗传算法
实验2 遗传算法实验一、实验目的熟悉和掌握遗传算法的原理、流程和编码策略,理解求解TSP问题的流程并测试主要参数对结果的影响,掌握遗传算法的基本实现方法。二、实验原理旅行商问题,即TSP问题(Traveling Salesman Problem)是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市,n个城市之间的相互距离已知,他必须选择所要走的路径,路经的限制是每个城市只能拜访一次,而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。用图原创 2023-11-29 23:02:55 · 2523 阅读 · 2 评论 -
【人工智能Ⅰ】8-回归 & 降维
准确率、精确率与召回率、F值、ROC-AUC、混淆矩阵、TPR与FPR兰德指数、互信息、轮廓系数。原创 2023-11-21 13:31:41 · 629 阅读 · 0 评论 -
【人工智能Ⅰ】7-KNN & 决策树
1: 一棵决策树包含一个根节点、若干个内部结点和若干个叶结点2:在决策过程中提出的每个判定问题都是对某个属性的“测试”(节点)3:每个测试的结果或导出最终结论,或导出进一步的判定问题4:根节点包含了样本全集,其中叶节点对应于决策结果(是或否),其他每个结点对应于一个属性测试5:从根节点到每个叶节点的路径对应一个判定测试序列。原创 2023-11-14 22:01:15 · 1170 阅读 · 0 评论 -
【人工智能Ⅰ】6-机器学习之分类
有监督学习(有x有y,y是标签):分类、回归无监督学习(有x无y,只有数据没有标签):聚类、降维。原创 2023-11-13 23:51:09 · 992 阅读 · 1 评论 -
【人工智能Ⅰ】5-粒子群算法
1:所有粒子都在一个D维空间搜索2:所有粒子由适应度函数确定适应值,用于判断目前位置的好坏3:所有粒子有记忆功能,保存最佳位置4:所有粒子以一个速度决定飞行距离和方向,且速度根据个体认知和社会行为进行动态调整。原创 2023-11-01 21:39:34 · 215 阅读 · 0 评论 -
【人工智能Ⅰ】4-蚁群算法
群(swarm):平等的、相互间能够协调运动的个体的集合个体:群的每个成员群成员之间是平等关系,没有主从关系。原创 2023-11-01 19:23:33 · 438 阅读 · 1 评论 -
【人工智能Ⅰ】实验1:谓词表示法与产生式知识表示
在实验过程中,首先编写供用户查阅编号和对应特征的字典,然后令用户根据提示输入特征的总数和每个特征的编号,中间使用哈希表将用户输入的特征所对应的表内位置设定为1,不涉及的特征设定为0,再通过if语句逐条判断规则是否成立,如果成立则将相应的判定结果进行标记,最后输出判断的结果。实现猴子摘香蕉问题的求解过程。R13:if 动物是鸟and不会飞 and有长脖子and有长腿 and有黑白二色 then 动物是鸵鸟。2、建立一个动物识别系统的规则库,编写程序用以识别虎、豹、斑马、长颈鹿、企鹅、鸵鸟、信天翁等7种动物。原创 2023-10-25 21:05:06 · 419 阅读 · 0 评论 -
【人工智能Ⅰ】3-遗传算法及其应用
【人工智能Ⅰ】3-遗传算法及其应用原创 2023-10-23 20:07:02 · 428 阅读 · 0 评论 -
【人工智能Ⅰ】2-知识表示
Computer(x):x是计算机系的学生Classmate(x,y):x和y是同学Like(x,y):x喜欢y。原创 2023-10-23 16:38:14 · 603 阅读 · 0 评论 -
【人工智能Ⅰ】1-人工智能导论
2:记忆与思维能力(逻辑/抽象思维、形象/直感思维、顿悟/灵感思维)思维理论、知识阈值理论、进化理论(知识与智力的总和是智能)人工智能:用人工的方法在机器上实现的智能,或人们使机器具有。4:机器学习(统计学习、符号学习、连接学习->深度学习)1:机器感知(机器视觉、模式识别、自然语言理解)5:机器行为(智能控制、智能检索、智能机器人)3:计算智能(神经计算、进化计算、模糊计算)技术层:算法、技术,感知智能、认知智能。技术层:算法、技术,感知智能、认知智能。2:机器思维(推理、搜索、规划)原创 2023-10-23 14:41:21 · 165 阅读 · 0 评论