第13组 Alpha冲刺(3/3)

Alpha冲刺(3/3)

1.过去完成了哪些任务

(1)设计并美化index页面、主页面框架分为项目标题、项目介绍、上传原始图片、展示修复后的图片等部分

在这里插入图片描述

(2)能够上传图片并显示到页面中

在这里插入图片描述

(3)学习使用Flask框架连接前后端:使用 Python 编写的轻量级 Web 应用框架

Flask框架工作过程图:
在这里插入图片描述

(4)完成模型构建,并加以修改保存模型,另外也对模型进行了训练和优化

在这里插入图片描述

(5)前后端整合:初步对接

2. 每个人的工作

成员姓名分工
庄绪杰、朱丽鲜、胡志超前端部分,继续利用SSM框架进行网站搭建和修饰,上传展示图片,对接后端
潘摅宇、陆子毅、王子龙后端部分,跑通模型训练代码并完成保存模型功能,训练模型,对接前端

3.燃尽图

在这里插入图片描述

4.例会照片

在这里插入图片描述
在这里插入图片描述

5.剩下的任务及解决的困难

任务:

(1)支付接口设计,前后端的连接工作
(2)进一步做好细化设计与页面美化
(3)交付推广测试与大范围应用

困难:

(1)前后端的对接存在问题,不能很好地整合连接
(2)接触学习Flask框架时间较短,不太熟悉,使用不太灵活

6.收获和疑问

潘摅宇

学习了flask框架,着手进行前端和后端的连接

陆子毅

学习了python编写的基础知识,了解了CBD Net的基本原理与基本应用,顺便学习了colab和github的使用

王子龙

学习了colab的使用,熟练了对Gitee的使用,尝试其他降噪模型不过效果不理想。感想就是大家对于代码问题的处理都很敏感,通过其他人的处理方式能学到不少,而且真的很拼,这种精神也确实是好久没感受过了(一般都是在期末)

胡智超

优化了前端页面,学习了flask框架,搭建了Gitee仓库并上传了代码。对flask框架还是比较生疏,后续继续加强了解。

庄绪杰

参考一些网站,学习了一些有关于网页设计和利用css、js对网页进行格式控制的知识;粗略学习了一下flask框架,正在努力着手“Python:Flask + IntelliJ IDEA+ 创建”。但由于不知名原因,进度卡住,目前正在努力寻找解决方案。感觉距离项目完成,还是任重而道远啊!加油!

朱丽鲜

学习了java和html语言规范,进行网页设计,熟悉了python语句,参考之前做过的一些需要进行模型训练比如paddle平台的大量开源项目进一步学习了机器学习、和人工智能的相关知识,为了能做好前后端的连接,正在学习队员推荐的flask框架。感觉很多东西都是新的,上手比较困难,也没有系统化资料可供学习借鉴,很困难,目前时间也很紧张,之后会继续研究学习。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值