小胡说人工智能-CSDN博客

原创最新类ChatPDF及AutoGPT开源18大功能平台——闻达手把手超详细环境部署与安装——如何在低显存单显卡上面安装私有ChatGPT GPT-4大语言模型LLM调用平台

闻达开源LLM调用平台，这一框架拥有类AutoGPT和ChatPDF的功能，能根据一句简短的提示自动生成提纲，然后按照提纲自动填充每章内容，使得论文或小说的写作变得更加高效。此外，它能够导入相关知识库，并通过调用知识库查询相关信息，这项技术更加令人叹服。除此之外，该平台还可基于问题生成相关关键词，并在与知识库交互后对每个关键词自动获取多个答案。这一连串自动化和高度的效率操作，令我深感平台的卓越魅力，无法抵挡其吸引力。

2023-04-28 15:24:47 9893 3

原创全网最新版ChatGLM-6B开源模型环境详细部署及安装——如何在低显存单显卡上面安装私有ChatGPT GPT-4大语言模型

ChatGPT的爆火让许多人都想要开发自己的大型语言模型，但是，由于限制，许多人最终都只能在开发的早期阶段止步不前。近期清华大学发布了对话机器人ChatGLM-6B的开源版本，这个中英文语言模型拥有千亿参数规模，并且对中文进行了优化。本次开源的版本是其60亿参数的小规模版本，仅需要6GB显存就可以在本地部署。这意味着，即使是在普通显卡的电脑上，也可以轻松部署一个类似于GPT的大型语言模型。期待中国版ChatGPT更多的创新和突破！

2023-04-27 17:23:21 15299 4

原创 Forefront GPT-4免费版：开启无限畅聊时代，乐享人工智能快感，无限制“白嫖”，还能和N多角色一起聊天？赶紧注册，再过些时间估计就要收费了

纽约的软件开发公司Forefront AI确于近期发布了免费的Forefront Chat，让更多人能直接白嫖GPT-4。用户还可以在该平台上体验图像生成、自定义角色和共享聊天等功能，选择适合他们任务的各种角色。

2023-04-25 17:13:20 14683 7

原创 OpenAI-ChatGPT最新官方接口《错误代码大全》全网最详细中英文实用指南和教程，助你零基础快速轻松掌握全新技术（九）（附源码）

在 ChatGPT 中，由于各种原因（如网络连接不稳定、并发超限、服务器故障等），可能会发生一些错误。ChatGPT 会根据错误类型返回相应的错误代码，以便开发人员进行问题排查和解决。作为二次开发ChatGPT的开发人员，也应该时刻关注和处理系统中出现的错误，以提高用户的体验和满意度。

2023-04-19 10:16:19 21953

原创 OpenAI-ChatGPT最新官方接口《速率并发限制》全网最详细中英文实用指南和教程，助你零基础快速轻松掌握全新技术（八）（附源码）

为了保证系统的可靠性和稳定性，ChatGPT设置了速率限制，限制每个用户在特定时间段内可以发送的消息数量。这样可以防止某些用户对系统进行滥用，并且减少资源占用。ChatGPT 的速率限制比较灵活，会根据用户的行为以及服务器的负载情况动态调整。可以说ChatGPT 的速率限制是确保系统运行稳定、避免恶意滥用的重要措施。

2023-04-18 16:54:13 15388

原创让你的ChatGPT更加强大——200+小白用来解锁ChatGPT高级功能的提示（Prompts）——即开即用-开源纯免费-实时更新

本文主要介绍200+小白可以用来解锁ChatGPT高级功能的提示，全部开源，随用随取。无论你所处的行业如何，使用ChatGPT可以使你处于行业的前沿。即使看上去与您的行业无关，但使用它将使您比其他人更早地探索新的可能性。

2023-04-11 11:46:46 11220 4

原创全网最详细中英文ChatGPT接口文档（五）30分钟快速入门ChatGPT——手把手示例教程：如何建立一个人工智能回答关于您的网站问题，小白也可学

ChatGPT是一种基于GPT-4语言模型的人工智能聊天机器人，能够与人进行自然的对话，并提供令人惊讶的人性化的回答。本文将手把手地教你如何建立一个ChatGPT机器人，让它能够回答关于你的网站的问题，并提供服务。本文适合小白和初学者阅读，不需要任何编程或机器学习的知识。

2023-03-20 12:55:30 8978 1

原创如何用Python对股票数据进行LSTM神经网络和XGboost机器学习预测分析（附源码和详细步骤），学会的小伙伴们说不定就成为炒股专家一夜暴富了

最近调研了一下我做的项目受欢迎程度，大数据分析方向竟然排第一，尤其是这两年受疫情影响，大家都非常担心自家公司裁员或倒闭，都想着有没有其他副业搞搞或者炒炒股、投资点理财产品，未雨绸缪，所以不少小伙伴要求我这边分享下关于股票预测分析的技巧。基于股票数据是一个和时间序列相关的大数据，所以我打算给大家分享时下最受欢迎的时序模型：**LSTM、XGBoost两大经典模型**。

2022-08-23 14:02:17 15804 28

原创百度开源语音识别强大工具PaddleSpeech从0到1快速上手：安装、部署、Debug与测试详尽指南

掌握语音识别，从百度PaddleSpeech开始！本文详细介绍了PaddleSpeech的环境搭建、安装步骤和实用代码示例，助您轻松入门语音识别技术。面对安装难题？别担心，我们提供了详尽的故障排查指南。一文在手，让您快速启动语音识别项目，开启AI语音世界的大门。

2024-10-24 11:45:03 1169

原创基于简化版python+VGG+MiniGoogLeNet的智能43类交通标志识别—深度学习算法应用(含全部python工程源码)+数据集+模型（三）

本项目专注于解决出国自驾游特定场景下的交通标志识别问题。借助Kaggle上的丰富交通标志数据集，我们采用了VGG和GoogLeNet等卷积神经网络模型进行训练。通过对网络架构和参数的巧妙调整，致力于提升模型在不同类型交通标志识别方面的准确率。

2024-01-02 11:30:00 1515 3

原创基于简化版python+VGG+MiniGoogLeNet的智能43类交通标志识别—深度学习算法应用(含全部python工程源码)+数据集+模型（二）

2024-01-01 19:00:00 1517

原创基于简化版python+VGG+MiniGoogLeNet的智能43类交通标志识别—深度学习算法应用(含全部python工程源码)+数据集+模型（一）

2024-01-01 11:00:00 1870

原创基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（六）

本项目采用先进的卷积神经网络（CNN）模型，结合数据增强技术和残差网络，旨在实现对不同猫种的准确识别。通过CNN模型，项目强大而高效地捕捉图像特征，为猫的品种辨识提供出色学习能力。通过丰富的数据集训练，项目致力于建立一个全面泛化的模型，能够包括各式各样的猫的图像。数据增强技术和残差网络的引入进一步提高了模型的性能和鲁棒性。

2023-12-16 19:00:00 1798

原创基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（五）

2023-12-16 11:00:00 1964

原创基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（四）

2023-12-15 19:00:00 1237

原创基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（三）

2023-12-15 11:30:00 1378

原创基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（二）

2023-12-14 19:00:00 2800

原创基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别—深度学习算法应用(含全部工程源码)+数据集+模型（一）

2023-12-14 11:36:43 2035

原创基于VGG-16+Android+Python的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)+数据集+模型（四）

本项目采用VGG-16网络模型，使用Kaggle开源数据集，旨在提取图片中的用户特征，最终在移动端实现对不良驾驶行为的识别功能。总的来说，项目结合了深度学习、图像处理和移动端技术，致力于实现对不良驾驶行为的智能化识别，为提升驾驶安全提供了一种创新的解决方案。

2023-12-13 19:00:00 2167

原创基于VGG-16+Android+Python的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)+数据集+模型（三）

2023-12-13 11:30:00 1458

原创基于VGG-16+Android+Python的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)+数据集+模型（二）

2023-12-12 19:00:00 1572

原创基于VGG-16+Android+Python的智能车辆驾驶行为分析—深度学习算法应用(含全部工程源码)+数据集+模型（一）

2023-12-12 14:46:03 1921 1

原创基于Python+WaveNet+MFCC+Tensorflow智能方言分类—深度学习算法应用（含全部工程源码）（四）

本项目以科大讯飞提供的数据集为基础，通过特征筛选和提取的过程，选用WaveNet模型进行训练。旨在通过语音的梅尔频率倒谱系数（MFCC）特征，建立方言和相应类别之间的映射关系，解决方言分类问题。

2023-12-10 11:30:00 2018

原创基于Python+WaveNet+MFCC+Tensorflow智能方言分类—深度学习算法应用（含全部工程源码）（三）

2023-12-09 19:30:00 2744

原创基于Python+WaveNet+MFCC+Tensorflow智能方言分类—深度学习算法应用（含全部工程源码）（二）

2023-12-09 11:00:00 1736

原创基于Python+WaveNet+MFCC+Tensorflow智能方言分类—深度学习算法应用（含全部工程源码）（一）

2023-12-08 19:00:00 1907

原创基于OpenCV+CNN+IOT+微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)+数据集+模型（五）

本项目基于Keras框架，引入CNN进行模型训练，采用Dropout梯度下降算法，按比例丢弃部分神经元，同时利用IOT及微信小程序实现自动化远程监测果实成熟度以及移动端实时监测的功能，为果农提供采摘指导，有利于节约劳动力，提高生产效率，提升经济效益。

2023-12-08 11:30:00 2015

原创基于OpenCV+CNN+IOT+微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)+数据集+模型（四）

2023-12-07 20:00:00 1436

原创基于OpenCV+CNN+IOT+微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)+数据集+模型（三）

2023-12-07 11:30:00 1389

原创基于OpenCV+CNN+IOT+微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)+数据集+模型（二）

2023-12-06 19:00:00 1394

原创基于OpenCV+CNN+IOT+微信小程序智能果实采摘指导系统——深度学习算法应用(含python、JS工程源码)+数据集+模型（一）

2023-12-06 14:46:12 2105 1

原创基于opencv+ImageAI+tensorflow的智能动漫人物识别系统——深度学习算法应用(含python、JS、模型源码)+数据集（四）

本项目通过爬虫技术获取图片，利用OpenCV库对图像进行处理，识别并切割出人物脸部，形成了一个用于训练的数据集。通过ImageAI进行训练，最终实现了对动漫人物的识别模型。同时，本项目还开发了一个线上Web应用，使得用户可以方便地体验和使用该模型。

2023-11-26 11:30:00 1606

原创基于opencv+ImageAI+tensorflow的智能动漫人物识别系统——深度学习算法应用(含python、JS、模型源码)+数据集（三）

2023-11-25 11:30:00 1553

原创基于opencv+ImageAI+tensorflow的智能动漫人物识别系统——深度学习算法应用(含python、JS、模型源码)+数据集（二）

2023-11-24 17:30:00 2132 2

原创基于opencv+ImageAI+tensorflow的智能动漫人物识别系统——深度学习算法应用(含python、JS、模型源码)+数据集（一）

2023-11-24 10:08:05 3052 1

原创基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统——深度学习算法应用(含python、模型源码)+数据集（三）

本项目基于从网络获取的多种银行卡数据集，采用OpenCV库的函数进行图像处理，并通过神经网络进行模型训练。最终实现对常规银行卡号的智能识别和输出。

2023-11-16 11:30:00 811

原创基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统——深度学习算法应用(含python、模型源码)+数据集（二）

2023-11-15 17:30:00 2257 2

原创基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统——深度学习算法应用(含python、模型源码)+数据集（一）

2023-11-14 10:04:34 1948 6

原创基于LDA主题+协同过滤+矩阵分解算法的智能电影推荐系统——机器学习算法应用(含python、JavaScript工程源码)+MovieLens数据集（四）

本项目基于Movielens数据集，采用协同过滤、矩阵分解以及建立LDA主题模型等机器学习算法，旨在设计和训练一个合适的智能电影推荐模型。最终的目标是根据电影的相似性以及用户的历史行为，生成一个个性化的电影推荐列表，从而实现网站为用户提供精准电影推荐的功能。

2023-11-05 20:00:00 471

原创基于LDA主题+协同过滤+矩阵分解算法的智能电影推荐系统——机器学习算法应用(含python、JavaScript工程源码)+MovieLens数据集（三）

2023-11-04 10:00:00 551

基于简化版python+VGG+MiniGoogLeNet的智能43类交通标志识别-深度学习算法应用(含工程源码)+数据集+模型

1.本项目专注于解决出国自驾游特定场景下的交通标志识别问题。借助Kaggle上的丰富交通标志数据集，我们采用了VGG和GoogLeNet等卷积神经网络模型进行训练。通过对网络架构和参数的巧妙调整，致力于提升模型在不同类型交通标志识别方面的准确率。 2.项目运行环境包括：Python 环境、Anaconda环境。 3.项目包括3个模块：数据预处理、模型构建、模型训练及保存。项目使用德国交通标志识别基准数据集(GTSRB)，此数据集包含50000张在各种环境下拍摄的交通标志图像；模型构建包括VGG模型和GoogLeNet模型简化版深度学习模型，MiniGoogLeNet由Inception模块、Downsample模块和卷积模块组成，卷积模块包括卷积层、激活函数和批量归一化；通过随机旋转等方法进行数据增强，选用Adam算法作为优化算法，随着迭代的次数增加降低学习速率，经过尝试，速率设为0.001时效果最好。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/135080491

2023-12-28

基于CNN+数据增强+残差网络Resnet50的少样本高准确度猫咪种类识别-深度学习算法应用(含全部工程源码)+数据集+模型

1.本项目以卷积神经网络（CNN）模型为基础，对收集到的猫咪图像数据进行训练。通过采用数据增强技术和结合残差网络的方法，旨在提高模型的性能，以实现对不同猫的种类进行准确识别。 2.项目运行环境包括：计算型云服务器、Python环境、TensorFlow环境和MySQL环境。 3.项目包括4个模块：数据预处理、数据增强、普通CNN模型、残差网络模型、模型生成。在工程代码中`/cat_kind_model/cat_data_100`与`/cat_kind_model/cat_data_224`可下载数据训练集；通过翻转、旋转、比例缩放、随机裁剪、移位、添加噪声等操作对现有数据集进行拓展到20倍；使用Keras提供类似VGG的卷积神经网络与；残差网络由一系列残差块组成，残差块分为直接映射部分和残差剖部分；模型应用主要有3部分：一是从本地相册输入猫的图片；二是把输入的图片转换成数据，在输入训练好的模型中进行预测；三是根据预测结果输出数据库中预存的相关信息。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/134968352

2023-12-14

基于VGG-16+Android+Python的智能车辆驾驶行为分析-深度学习算法应用(含全部工程源码)+数据集+模型

1.本项目采用VGG-16网络模型，使用Kaggle开源数据集，旨在提取图片中的用户特征，最终在移动端实现对不良驾驶行为的识别功能。总的来说，项目结合了深度学习、图像处理和移动端技术，致力于实现对不良驾驶行为的智能化识别，为提升驾驶安全提供了一种创新的解决方案。 2.项目运行环境包括：python环境、TensorFlow环境、Pycharm环境和Android环境。 3.项目包括4个模块：数据预处理、模型构建、模型训练及保存、模型生成。数据集网址为：https://www.kaggle.com/c/state-farm-distracted-driver-detection/data,向用户免费提供了10万+数据集；VGG-16是一种深度卷积神经网络，特别适用于图像识别任务，通过多层次的卷积和池化层，能够有效地提取图像中的抽象特征；通过在移动端实现这个模型，可以将不良驾驶行为的识别功能直接部署到车辆或驾驶辅助系统中。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/134922582

2023-12-12

基于Python+WaveNet+MFCC+Tensorflow智能方言分类-深度学习算法应用（含全部工程源码）

1.本项目以科大讯飞提供的数据集为基础，通过特征筛选和提取的过程，选用WaveNet模型进行训练。旨在通过语音的梅尔频率倒谱系数（MFCC）特征，建立方言和相应类别之间的映射关系，解决方言分类问题。 2.项目运行环境包括：Python环境、TensorFlow环境、JupyterNotebook环境、PyCharm环境。 3.项目包括4个模块：数据预处理、模型构建、模型训练及保存、模型生成。数据集网址为：challenge.xfyun.cn,向用户免费提供了3种方言(长沙话、南昌话、上海话),每种方言包括30人,每人200条数据,共计18000条训练数据,以及10人、每人50条,共计1500条验证数据;WaveNet模型是一种序列生成器，用于语音建模，在语音合成的声学建模中，可以直接学习采样值序列的映射，通过先前的信号序列预测下一个时刻点值的深度神经网络模型，具有自回归的特点；通过Adam()方法进行梯度下降，动态调整每个参数的学习率，进行模型参数优化 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/134832627

2023-12-11

基于OpenCV+CNN+IOT+微信小程序智能果实采摘指导系统-深度学习算法应用(含pytho、JS工程源码)+数据集+模型

1.本项目基于Keras框架，引入CNN进行模型训练，采用Dropout梯度下降算法，按比例丢弃部分神经元，同时利用IOT及微信小程序实现自动化远程监测果实成熟度以及移动端实时监测的功能，为果农提供采摘指导，有利于节约劳动力，提高生产效率，提升经济效益。 2.项目运行环境包括：Python环境、TensorFlow环境、JupyterNotebook环境、PyCharm环境、微信开发者工具和OneNET云平台。 3.项目包括5个模块：python爬虫及数据预处理、创建模型与编译、模型训练及保存、上传结果、小程序开发。其中定义架构为二个卷积层,在每个卷积层后都连接一个最大池化层及一个全连接层,进行数据的降维。在每个卷积层上都使用L2正则化,并引Dropout和BN算法,用以消除模型的过拟合问题；上传结果有两种方法：一是调用计算机摄像头拍摄图片,将图片信息转换后上传至OneNET;二是将数字图片输入Keras模型中,获取输出后将识别结果上传至OneNET。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/134685676

2023-12-06

基于opencv+ImageAI+tensorflow的智能动漫人物识别系统-深度学习算法(含python及模型源码)+数据集

1.项目通过爬虫技术获取图片，利用OpenCV库对图像进行处理，识别并切割出人物脸部，形成了一个用于训练的数据集。通过ImageAI进行训练，最终实现了对动漫人物的识别模型。同时，本项目还开发了一个线上Web应用，使得用户可以方便地体验和使用该模型。 2.项目运行环境：包括爬虫、模型训练及实际应用运行环境，分别需要安装Python3.6、Selenium3.0.2、tensorflow以及lmageAl。 3.项目包括4个模块：数据准备、数据处理、模型训练及保存、模型测试。其中数据集可以从百度网站进行爬虫获取，或直接从工程文件中data文件夹中获取；将图片中的人脸裁剪进行模型训练，切割人脸部分由OpenCV通过训练好的动漫人物脸部识别模型lbpcascade_animeface截取人物脸部；模型每次训练完成都会输出一个.h5文件和对应的.json文件。 4.博客：https://blog.csdn.net/qq_31136513/article/details/134548753

2023-11-24

基于opencv+tensorflow+神经网络的智能银行卡卡号识别系统-深度学习算法应用(含python、模型源码)+数据集

1.项目基于网络获取的各种银行卡数据集，调用OpenCV库函数进行处理,实现常规银行卡号的识别输出、信息查询与批量管理。 2.项目运行环境：包括Python环境、TensorFlow环境和OpenCV环境。 3.项目包括4个模块：训练集图片处理、测试图片处理、模型训练及保存、模型测试。其中数据集可以从网站下载：http://www.cnsoftbei.com/plus/view.php?aid=348，或直接从工程文件中images的文件夹中获取；使用tensorflow搭建神经网络模型，架构为全连接神经网络，由一个输入层、两个隐藏层和一个输出层组成。 4.博客：https://blog.csdn.net/qq_31136513/article/details/134382407

2023-11-14

基于LDA主题+协同过滤+矩阵分解算法的智能网页电影推荐-机器学习算法应用(含python、JavaScript源码)+数据集

1.项目基于Movielens数据集，采用协同过滤、矩阵分解以及建立LDA主题模型等机器学习算法，旨在设计和训练一个合适的智能电影推荐模型。最终的目标是根据电影的相似性以及用户的历史行为，生成一个个性化的电影推荐列表，从而实现网站为用户提供精准电影推荐的功能。 2.项目运行环境：包括Python 环境、Pycharm 环境及数据库环境。 3.项目包括5个模块：数据爬取及处理、模型训练及保存、接口实现、收集数据、界面设计。其中数据集可以从网站下载或爬虫获取http://files.grouplens.org/datasets/movielens/ml-1m-README.txt；模型训练主要包括协同过滤、矩阵分解、LDA主题模型；接口实现主要包括流行电影推荐、相邻用户推荐与相似内容推荐；电影推荐系统将收集用户行为,完成相应预测和推荐。 4.博客：https://blog.csdn.net/qq_31136513/article/details/134178416

2023-11-03

基于随机森林+RNN+Tensorflow图片情感智能生成音乐系统-深度学习应用(含python、ipynb工程源码)+数据集

1.本项目基于Google的Magenta平台，它采用随机森林分类器来识别图片的情感色彩，接着项目使用递归神经网络（RNN）来生成与图片情感相匹配的音乐，最后通过图形用户界面（GUI）实现可视化结果展示。 2.项目运行环境：包括 Python 环境和Magenta环境。 3.项目包括3个模块：数据预处理、模型构建、模型训练及保存。其中数据集MIDI下载地址为http://midi.midicn.com/，数据集图片在花瓣网收集获取地址为https://huaban.com/boards/60930738/。音乐模型包含欢快和安静两类MIDI文件各100个，图片包含欢快和安静两类各250张，格式为.jpg；模型构建部分包括图片情感分析和复调音乐模型；在定义模型架构和编译之后，使用训练集训练模型，使模型对图片的情感进行分类。博客：https://blog.csdn.net/qq_31136513/article/details/134014454

2023-10-24

基于SVM+webdriver的智能NBA常规赛季后赛结果预测系统-机器学习算法应用(含python+ipynb源码)+数据集

1.本项目使用了从NBA官方网站获得的数据，并运用了支持向量机（SVM）模型来进行NBA常规赛和季后赛结果的预测。此外，项目还引入了相关系数法、随机森林分类法和Lasso方法，以评估不同特征的重要性。最后，使用Python库中的webdriver功能实现了自动发帖，并提供了科学解释来解释比赛预测结果。 2.项目运行环境：Python环境、Jupyter Notebook环境、PyCharm环境和Matlab环境。 3.项目包括4个模块:数据预处理、特征提取、模型训练及评估、模型训练准确率。数据处理分为常规赛和季后赛；其中季后赛预测需要提取的特征有常规赛球队得分、核心球员数量、核心球员得分、教练常规赛执教总场数、常规赛执教总胜率、季后赛执教总场数和季后赛执教总胜率，共7个特征，同时引入相关系数法、随机森林分类法和lasso方法对特征进行重要性评估，并综合3种方法删除重要性排名较低的特征；使用SVM与决策树进行模型训练。 4.博客：https://blog.csdn.net/qq_31136513/article/details/133745858

2023-10-18

基于SVM+TensorFlow+Django的酒店评论打分智能推荐系统-机器学习算法应用(含python源码)+数据集+模型

1.本项目是以向量机(SVM) 作为技术支持，使用酒店评论集作为数据集，训练出针对酒店评论情感的分析模型，使用word2vec产生词向量，实现服务器端提供数据、客户端查询数据的打分推荐系统。 2.项目运行环境包括：包括Python环境、TensorFlow环境、安装模块、MySQL数据库。 3.项目包括3个模块:数据预处理、模型训练及保存、模型测试。原始数据包含在两个文件夹中，每个文件夹各有2000条消极和2000条积极的评论；通过训练集训练数据得出模型，使模型进行情感分类，使用训练集和测试集来拟合并保存模型；在携程酒店爬取指定酒店ID的评论集；在数据库中搜索数据，调出酒店分数和排名，生成Django项目，包括hello.html、 view.py、settings.py、 urls.py。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/133639367

2023-10-07

基于矩阵分解算法的智能Steam游戏AI推荐系统-深度学习算法应用(含python、ipynb工程源码)+数据集+训练测试模型

1.本项目采用了矩阵分解算法，用于对玩家已游玩的数据进行深入分析。目标是通过矩阵分解和潜在因子模型，提供一种更为精准的游戏推荐系统。这种个性化推荐可以提高玩家的游戏体验，同时也有助于游戏平台提供更好的游戏推广和增加用户黏性。 2.项目运行环境包括：Python环境、TensorFlow环境、PyQt5环境。 3.项目包括4个模块：数据预处理、模型构建、模型训练及保存、模型测试。其中数据集来源于Kaggle，包含了用户的ID、游戏名称、是否购买或游玩、游戏时长，共包含12393名用户，涉及游戏数量5155款，将数据集置于Jupyter工作路径下的steam-video-games文件夹中；使用矩阵分解算法，将用户-游戏这稀疏矩阵用两个小矩阵：特征-游戏矩阵和用户-特征矩阵，进行近似替代；模型应用包括：制作页面的布局，获取并检查输入的数据；以及将获取的数据与之前保存的模型进行匹配达到应用效果。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/133148686

2023-09-21

基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统-深度学习算法应用(含微信小程序、ipynb工程源码)+数据集

1.本项目针对MovieLens数据集，基于TensorFlow的2D文本卷积网络模型，使用协同过滤算法计算余弦相似度，通过单击电影的方式与小程序交互，实现两种不同的电影推荐方式。 2.项目运行环境：Python环境、TensorFlow环境、后端服务器、Django和微信小程序环境。 3.项目包括3个模块：模型训练、后端Django、前端微信小程序模块。其中数据预训练部分：通过研究数据集中的字段类型，发现有一些是类别字段，将其转成独热编码，但是UserID、MovieID的字段会变稀疏，输入数据的维度急剧膨胀，所以在预处理数据时将这些字段转成数字；获取特征矩阵部分包括定义函数张量、生成电影特征矩阵、生成用户特征矩阵；后端Django模块实现了推荐算法的封装与前端数据交互功能；前端微信小程序模块实现用户交互以及与后端数据的传输功能，通过微信开发者平台进行前端开发。 4.博客：https://blog.csdn.net/qq_31136513/article/details/133122943

2023-09-21

基于Android+OpenCV+CNN+Keras的智能手语数字实时翻译-深度学习算法应用(含java、ipynb工程源码)

1.本项目基于Keras深度模型进行手语的分类，通过OpenCV库的相关算法捕捉手部位置，实现视频流及图片的手语实时识别。 2.项目运行环境：Python 环境、Keras环境和Android环境。其中Android环境包括安装Android Studio、导入TensorFlow的jar包和so库。 3.项目包括6个模块：数据预处理、数据增强、模型构建、模型训练及保存、模型评估和模型测试。为方便展示生成图片的效果及对参数进行微调，本项目未使用keras直接训练生成器，而是先生成一个增强过后的数据集，再应用于模型训练；项目使用的卷积神经网络由四个卷积块及后接的全连接层组成，每个卷积块包含一个卷积层，并后接一个最大池化层进行数据的降维处理，为防止梯度消失以及梯度爆炸，进行了数据批量归一化，并设置丢弃正则化；本项目是多类别的分类问题，使用交叉熵作为损失函数，由于所有标签都带有相似的权重，使用精确度作为性能指标，使用常用的梯度下降方法RMSprop优化模型参数。 4.博客：https://blog.csdn.net/qq_31136513/article/details/133064374

2023-09-20

基于GBDT+Tkinter+穷举法按排队时间预测最优路径的智能导航推荐系统-机器学习算法应用(含Python工程源码)+数据集

1.本项目采用百度地图API获取步行时间，基于GBDT模型对排队时间进行预测。实现用户自主选择多个目的地，系统输出最佳路线规划的结果，并根据用户的选择给出智能化推荐。 2.项目运行环境：需要Python 3.6及以上配置。 3.项目包括6个模块：数据预处理、客流预测、百度地图API调用、GUI界面设计、路径规划和智能推荐。选用GBDT建立模型，GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮的残差基础上进行训练；采用GBDT模型进行预测，输入当前天气、温度、风力风向、日期(是否是节假日、星期几)和时间即可得出当前客流量；当前客流量在后续预测排队时做一系列操作即可转换为排队时间；通过调用百度地图API模块产生节点之间的步行时间矩阵和客流模型，应用穷举法设计算法，得出最佳路线规划；系统将用户未选择的地点一次分别加入已选择的队列中进行运算，其基本思路与最佳路线规划模块一致，采用穷举法得到所有路线及其总耗时，最后将它们输出，实现智能推荐。 4.博客：https://blog.csdn.net/qq_31136513/article/details/133018114

2023-09-19

基于随机森林+小型智能健康推荐助手(心脏病+慢性肾病健康预测+药物推荐)-机器学习算法应用(含Python工程源码)+数据集

1.本项目基于Kaggle公开数据集，进行心脏病和慢性肾病的特征筛选和提取，选择随机森林机器学习模型进行训练，预判是否有疾病、针对相应的症状或需求给出药物推荐，实现具有实用性的智能医疗助手。 2.项目运行环境：需要Python 3.6及以上配置，在Windows环境下推荐下载Anaconda完成Python所需环境的配置，下载地址为https://www.anaconda.com/，也可下载虚拟机在Linux环境下运行代码。 3.项目包括2个功能，每个功能有3个模块:疾病预测、药物推荐、模块应用项目。疾病预测部分是一个小型健康预测系统，预测两种疾病心脏病和慢性肾病；药物推荐部分是一个小型药物推荐系统，对800余种症状提供药物推荐。模块应用部分包括输入数据（如性别、年龄、食欲需要用户手动输入，心率、心电图波形参数，需要用户接入不同的传感器测量）等，考虑到应用的便捷性，直接从传感器读取所有的参数进行预测。博客：https://blog.csdn.net/qq_31136513/article/details/132898380

2023-09-18

基于Pandas+余弦相似度+大数据智能护肤品推荐系统-机器学习算法应用(含Python工程源码)+测试数据集

1.本项目结合了Pandas数据处理工具和机器学习技术，旨在构建一个智能的护肤品推荐系统。该系统不仅会考虑用户的肤质特征，还会考虑过敏反应等因素，并筛选出相互禁忌的产品，以便为不确定如何选择护肤品的用户提供个性化的推荐。 2.项目运行环境：包括 Python 环境和Pycharm环境。 3.项目包括4个模块：文件读入、推荐算法、应用模块和测试调用函数。其中文件读入部分主要是读取用户的肤质特征、诉求以及过敏成分，同时导入5个数据集文件，分别是用户数据集、产品主要成分表、功能表、禁忌搭配成分表、护肤公式；推荐算法中的相似度由用户购买记录和肤质相似度组成，最后加权求和；应用模块可以根据已经计算并排序的用户，找到产品并加工好合适的数据格式，按照护肤公式中的种类进行排列组合，同时考虑单品过敏和组合推荐的相互禁忌情况。若有相互禁忌和过敏情况在最后输出让用户知情。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/132872128

2023-09-14

基于Face++网络爬虫+人脸融合算法智能发型推荐程序-深度学习算法应用(含Python及打包exe工程源码)+爬虫数据集

1.本项目基于网络开源平台Face++ . API，与Python 网络爬虫技术相结合，实现自动爬取匹配脸型的发型模板作为造型参考，找到最适合用户的发型。项目结合了人脸分析和网络爬虫技术，为用户提供了一个个性化的发型推荐系统。用户可以根据他们的脸型和偏好来寻找最适合的发型，从而更好地满足他们的美容需求。这种项目在美容和时尚领域具有广泛的应用潜力。 2.项目运行环境：包括 Python 环境和Pycharm环境。 3.项目包括4个模块: Face++ . API调用、数据爬取、模型构建、用户界面设计。Face++ . API可检测并定位图片中的人脸，返回高精度的人脸框坐标，只要注册便可获取试用版的API Key,方便调用；通过Selenium+Chrome无头浏览器形式自动滚动爬取网络图片，通过Face++性别识别与脸型检测筛选出用发型模板，图片自动存储指定位置并按性别、脸型序号形式命名。模型构建包括库函数调用、模拟用户面部图片并设定路径、人脸融合。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/132868949

2023-09-14

基于Dlib+PyQt5+TensorFlow智能口红色号检测推荐系统深度学习应用(含Python工程源码及训练模型)+数据集

1.本项目基于Dlib中成熟的68点人脸特征点，建立Python库face_ recognition进行检测，对检测到的区域色彩进行转化，实现寻找相近色彩的口红并输出推荐信息。通过结合计算机视觉和颜色匹配技术，为用户提供了一种便捷的方式来选择合适的口红颜色，以匹配他们的嘴唇颜色和个人喜好。可进行二次开发，应用于口红购物推荐。 2.项目运行环境：包括Python环境、TensorFlow环境、安装face_recognitio、colorsys模块、PyQt5、QCandyUi。 3.项目包括数据预处理和系统搭建2个模块。数据预处理包括源数据的存储、数据处理和数据合并；系统搭建包括人脸识别，提取唇部轮廓并创建蒙版，划分嘴唇区域，提取图片颜色，获取色号库，比较并得出结果，创建图形化界面等。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132825916

2023-09-12

基于Bert+Attention+LSTM智能校园知识图谱问答推荐系统-NLP算法应用(含Python源码及训练模型)+数据集

1.本项目通过Google的Bert模型，基于Attention的大规模语料预训练模型，构建LSTM命名实体识别网络，设计一套问答系统通用处理逻辑，实现智能问答任务。 2.项目运行环境：Python环境和服务器环境。 3.项目包括5个模块：构造数据集、识别网络、命名实体纠错、检索问题类别、查询结果。数据是从北京邮电大学图书馆网站爬取，主要包含教师的电话、研究方向、性别，以及课程的学分、开设学期等信息；使用Google的Bert，调用LSTM模型代码，加以修改，进行训练；对识别到的课程实体进行纠错，依据所有课程全称，采用最短编辑距离匹配法与包含法相结合；通过识别到的实体类别和检索到的关键词进行问题分类。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132665092

2023-09-08

基于Django+node.js+MySQL+杰卡德相似系数智能新闻推荐系统-机器学习算法应用(含Python源码)+数据集

1.本项目基于jieba的中文分词库提取新闻中的关键词，获得相关内容，使用杰卡德相似系数计算不同新闻的相似度，在用户浏览某一新闻时，实现推荐相关新闻。 2.项目运行环境：Python环境、node.js前端环境和MySQL数据库。 3.项目包括6个模块：数据预处理、热度值计算、相似度计算、新闻统计、API接口开发、前端界面实现。数据来自网站的早年新闻，爬取时，源数据仅有新闻题目、正文和发帖时间，为方便计算新闻的热度值，给新闻添加了随机的浏览次数和评论数；每个新闻计算一个热度值，为后续的热度榜和为你推荐模块做新闻排序使用；新闻相似度是本项目进行推荐的基础，使用新闻主题词的重合度考量新闻相似度；统计指定标签下的新闻是为用户选择标签后生成“为你推荐”模块内容做准备。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132617120

2023-09-01

基于Python+OpenCV智能答题卡识别系统-深度学习和图像识别算法应用(含Python全部工程源码)+训练与测试数据集

1.本项目以Python语言和OpenCV图像处理库为基础，在Windows平台下开发答题卡识别系统，建立精确的计算机视觉算法，实现对答题卡批量识别、信息导出至Excel表格等功能，使判卷轻量化、准确化、高效化。 2.项目运行环境：Python环境、OpenCV环境、图像处理工具包、requests、 base64和xlwt模块。 3.项目包括4个模块：信息识别、Excel导出、图形用户界面和手写识别。其中基于OpenCV算法，实现对图片中选项信息、学生身份信息的检测；利用Python标准GUI库Tkinter实现图形用户界面功能；针对个人信息部分，调用智能识别API对学院、姓名进行手写文字识别，对班级、学号进行数字识别。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132598680

2023-08-31

基于OpenCV+LPR模型端对端智能车牌识别-深度学习和目标检测算法应用(含Python+Andriod工程源码)+数据集

1.本项目基于CCPD数据集和LPR（License Plate Recognition，车牌识别）模型，结合深度学习和目标检测等先进技术，构建了一个全面的车牌识别系统，实现了从车牌检测到字符识别的端到端解决方案。 2.项目运行环境：Python 环境、OpenCV 环境和 Andriod 环境。需要安装的依頼包为: tensorflow, opencv, pandas等 3.项目包括3个模块：数据预处理、模型训练、APP构建。其中从CCPD页面https://github.com/detectRecog/CCPD中下载数据集，模型训练包括级联分类器和无分割车牌字符的卷积神经网络模型的训练，采用HyperLPR提供训练好的模型，识别准确率为95%~97%。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132557909

2023-08-30

基于Python+TensorFlow+VAE变分编码器的智能图像生成-深度学习算法应用(含源码)+PPT

1.本项目基于TensorFlow的全连接层神经网络模型，结合了VAE（Variational Auto-encoder）变分编码器技术，用于在FashionMNIST与MNIST数据集上实现数据的潜在空间学习和图像重构生成。 2.项目运行环境：Python 环境、TensorFlow 环境和 GPU 环境。需要安装的依頼包为: tensorflow==1.9.0, keras=2.2.0 3.项目包括4个模块：数据预处理、模型构建及编译、模型训练及图像生成、数据集处理。其中在模型搭建和测试阶段使用MNIST手写数字数据集，下载地址为http://yann.lecun.com/exdb/mnist/。在模型的实际应用中，可以使用FashionMNIST数据集，下载地址为https://www.oschina.net/p/fashion-mnist。数据载入VAE模型之后，定义参数，分别构建编码器、Lambda和解码器，再自定义总的损失函数并编译模型。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132488004

2023-08-27

基于Mysql+Vue+Django的协同过滤和内容推荐算法的智能音乐推荐系统-深度学习算法应用（含全部工程源码）+数据集

1.本项目以相关平台音乐数据为基础，以协同过滤和内容推荐算法为依据，实现为不同用户分别推荐音乐的功能。 2.项目运行环境：包括 Python 环境、MySQL 环境和 VUE 环境。需要安装的依頼包为: Django 2.1、PyMySQL 0.9.2、jieba 0.39、xlrd 1.1.0、gensim 3.6.0 3.项目包括4个模块：数据请求及存储、数据处理、数据存储与后台、数据展示。其中数据处理部分包含计算歌曲、歌手、用户相似度和计算用户推荐集。数据存储与后台部分主要在PyCharm中创建新的Django项目及5个模板，即主页、歌单、歌手、歌曲和用户。前端实现的功能包括：用户登录和选择偏好歌曲、歌手；为你推荐(用户行为不同，推荐也不同) ;进入各页面时基于内容的推荐算法为用户推荐歌单，协同过滤算法为用户推荐歌曲、歌手；单击时获取详细信息，提供单个歌单、歌曲、歌手、用户的推荐；个性化排行榜(将相似度由大到小排序)；我的足迹。 4.项目博客： https://blog.csdn.net/qq_31136513/article/details/132335950

2023-08-17

基于语音识别接口智能语音识别和字幕推荐系统-深度学习算法应用（含全部工程源码）+测试数据集

1.本项目基于语音识别API，结合了语音识别、视频转换音频识别以及语句停顿分割识别等多种技术，从而实现了高效的视频字幕生成。 2.项目运行环境：在Windows环境下完成Python 3所需的配置，并运行代码即可。 3.项目包括7个模块：数据预处理、翻译、格式转换、音频切割、语音识别、文本切割和main函数。基于百度语音API得到所需要的APP_ID、API_KEY、SECRET_KEY。进入百度语音官网地址为http://yuyin.baidu.com。将识别的英文结果使用爬虫调用百度翻译，得到对应的中文翻译。使用moviepy库完成从视频中提取音频工作。使用pydub库，利用停顿时的音频分贝降低作为判定断句标准，设置停顿时的分贝阈值。调用百度语音识别API进行操作，上传待识别音频，进行中文或英文识别。断句，避免同一画面内出现过多文字影响观感。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/132205049

2023-08-10

基于TF-IDF+TensorFlow+词云+LDA 新闻自动文摘推荐系统-深度学习算法应用（含ipynb源码）+训练数据集

1.本项目运用了TF-IDF关键词提取技术，结合词云数据可视化、LDA (Latent Dirichlet Allocation)模型训练以及语音转换系统，来实现一个基于TensorFlow的文本摘要程序。 2.项目运行环境：包括 Python 环境和Tensorflow环境。 3.项目包括6个模块:数据预处理、词云构建、关键词提取、语音播报、LDA主题模型、模型构建。使用清华大学NLP实验室推出的中文文本数据集THUCNews；使用jieba库进行中文分词；通过TF-IDF算法的运用实现关键词提取；提取成功的关键词通过pyttsx3转换成语音进行播报；使用文档主题生成模型LDA进行文档主题生成。 4.准确率：准确率达到97.04% 5.项目博客：https://blog.csdn.net/qq_31136513/article/details/132180260

2023-08-09

基于Dlib库+SVM+Tensorflow+PyQT5智能面相分析-机器学习算法应用（含全部工程源码）+训练及测试数据集

1.本项目利用Dlib库的训练模型，用于提取面部特征。在人脸检测的同时，精确定位了面部的68个关键点，然后利用这些特征进行基于SVM的分类。这样就实现了面相分析，通过面部特征来对不同的面相进行分类和分析。 2.项目运行环境：包括Python环境、TensorFlow 环境和界面编程环境。 3.项目包括4个模块，数据预处理、模型构建、模型训练及保存、模型测试。dlib官方下载地址http://dlib.net/files/，下载文件shape_predictor_68_face_landmarks.dat.bz2。数据加载进模型之后，需要定义模型结构，交叉验证模型优化。定义模型架构和编译之后，通过训练集训练模型，使模型识别，人脸面部特征。这里，将使用训练集和测试集拟合并保存模型。 4.准确率：训练准确率最低83%，最高99%，均值接近90%。 5.项目博客：https://blog.csdn.net/qq_31136513/article/details/132158855

2023-08-08

基于Python++PyQt5马尔科夫模型的智能AI即兴作曲-深度学习算法应用（含全部工程源码及测试数据）

1.本项目旨在实现上下文相关的即兴演奏音乐生成。用户可以通过选择主音调式和输入歌曲信息，如BPM（每分钟节拍数）、弦级数和重复次数等参数，来定制所要生成的音乐。 2.项目运行环境：包括Python环境和PC环境配置。需安装hmmlearn, numpy, pypianoroll, pygame, mido, musthe 及 PyQt5。 3.项目包括5个模块：钢琴伴奏制作、乐句生成、贝斯伴奏制作、汇总歌曲制作和GUI设计。其中钢琴伴奏制作包括用户选择调式、输入和弦级数后，首先，将和弦级数转换为和弦名称；其次，用musthe将和弦名称转换为对应音；最后，根据用户选择的预置节奏型向MIDI中的钢琴轨写入钢琴伴奏。乐句生成主要使用hmmlearn，利用马尔可夫模型生成旋律和节奏。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/132142705

2023-08-07

基于Python+WaveNet+CTC+Tensorflow智能语音识别与方言分类深度学习算法应用-含全部工程源码+训练数据集

1.本项目通过调取语音文件和标注文件，提取语音的梅尔倒谱系数特征，进行归一化处理。根据标注文件建立字典，选择WaveNet机器学习模型进行训练，经过softmax处模型保存。 2.项目运行环境：包括 Python 环境和Tensorflow环境，需安装Keras 2.2.0+TensorFlow1.9。 3.项目包括3个模块：方言分类、语音识别和模型测试。数据集由科大讯飞提供，内有长沙话、上海话和南昌话3种方言，包含50~300KB的语音数据集19489条。同时分别构建了方言分类、语音识别训练模型，并搭建了图形用户界面。 4.准确率：方言分类中，在训练集上测试准确率超过了98%；模型可以实现语音识别及方言分类。 5.项目博客：https://blog.csdn.net/qq_31136513/article/details/131858254

2023-07-24

基于Python+多层RNN+Tensorflow藏头诗与歌词智能生成-深度学习算法应用（含全部工程源码）+训练数据集

1.本项目以循环神经网络为基础，构建了多层RNN模型。通过对数据集进行训练，并对模型和数据集进行调整，实现了生成藏头诗与歌词的功能。模型可以接受用户输入的藏头信息，并生成具有相应的藏头诗，或者根据用户提供的歌词开头生成完整的歌词。通过这个项目，可以创造出富有创意和感情的文本作品，为用户带来更多的艺术体验和乐趣。 2.项目运行环境：包括 Python 环境、Tensorflow环境和Pycharm 环境。 3.项目由古诗生成和歌词生成两部分组成。其中古诗生成由数据预处理、模型构建、模型训练及保存、使用模型生成古诗、产生藏头诗和用词云展示模块组成；歌词生成包括数据预处理、模型构建、模型训练并保存、生产歌词。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/131821931

2023-07-20

基于TextRank+Seq2Seq+Pyqt5文章摘要标题关键词辅助生成系统(含全部python工程源码)+训练数据集

1.基于学术论文、维基百科等数据集，通过TextRank和Seq2Seq算法对模型进行优化和改进，构建一体化的文章摘要、标题和关键词辅助生成系统，设计、对接可视化界面，将程序封装为可执行文件并在PC端直接运行。 2.项目运行环境：Python环境、TextRank环境、TensorFlow环境、PyQt5及Qt Designer运行环境。 3.项目包括6个模块：数据预处理、抽取摘要、模型搭建与编译、模型训练与保存、图形化界面的开发和应用封装。数据预处理下载地址为http://www.sogou.com/labs/resource/cs.php；大多数论文的篇幅都是数万字，通过文本排序(排序迭代算法与句子相似度算法)对数据进行重要性提取；搭建seq2seq模型进行训练；使用PyQt5进行界面交互设计。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/131635775

2023-07-11

基于Python爬虫+KNN数字验证码识别系统-机器学习算法应用（含全部工程源码）+训练数据集

1.项目利用Python爬虫技术，通过网络爬取验证码图片，并通过一系列的处理步骤，包括去噪和分割，以实现对验证码的识别和准确性验证。 2.项目运行环境：Python环境：需要Python 2.7配置，在Windows环境下下载Anaconda完成Python所需的配置，下载地址为https://www.anaconda.com/，也可以下载虚拟机在Linux环境下运行代码。 3.项目包括4个模块：数据爬取、去噪与分割、模型训练及保存、准确率验证。用request库爬虫抓取验证码1200张，并做好标注。图片爬取成功后进行去噪与分割。处理数据后拆分训练集和测试集，训练并保存。模型保存后，可以被重新使用，也可以移植到其他环境中使用。 4.准确率评估：测试结果精度达到99%以上。 5.项目博客：https://blog.csdn.net/qq_31136513/article/details/131571160

2023-07-06

基于TF-IDF+Tensorflow+PyQt+孪生神经网络智能聊天机器人（深度学习）含Python工程源码及模型+训练数据集

1.项目利用TF-IDF（Term Frequency-Inverse Document Frequency 词频-逆文档频率）检索模型和CNN（卷积神经网络）精排模型构建了一个聊天机器人，旨在实现一个能够进行日常对话和情感陪伴的聊天机器人。 2.项目运行环境：Python环境、TensorFlow 环境和Python包jieba、tqdm、nltk、pyqt5等。 3.项目包括4个模块：数据预处理、模型创建与编译、模型训练及保存、模型生成。数据来源于GitHub开源语料集，下载地址为: https://github.com/codemayq。在TF-IDF模型中定义的架构为：计算TF-IDF向量，通过倒排表的方式找到与当前输入类似的问题描述，针对候选问题进行余弦相似度计算。模型生成一是通过中控模块调用召回和精排模型；二是通过训练好的召回和精排模型进行语义分类，并且获取输出。 4.准确率评估：测试准确率在90%左右。 5.项目博客：https://blog.csdn.net/qq_31136513/article/details/131540115

2023-07-05

基于Python爬虫+K-means机器学习算法今日热点新闻推荐系统-热点推荐、热词呈现及个性化分析（含全部工程源码）

1.项目基于网络爬虫技术爬取新闻，进行中文分词和特征提取，形成相似的新闻集，通过K-means算法进行聚集，最终集热点推荐、热词呈现及个性化分析等操作于一体，实现新闻推荐功能。 2.项目运行环境：Python 环境、Pycharm 环境与相关库（matplotlib/sklearn）下载。 3.项目包括3个模块：数据爬取、新闻处理与聚类、新闻推荐。其中可爬取指定新闻网站、指定日期新闻并保存在指定的系统目录文件夹下。在本程序中，可以选择是否对人民日报网站、网易社会新闻、百度新闻网站进行新闻爬取。在分类预备文件中，对爬取的每篇新闻进行除汉字外的字符过滤，并创建分类文件夹；在分类文件中，对所有新闻进行分词、停用词过滤后使用TF-IDF矢量器将其转换为词频矩阵，根据K-means进行聚类并输出结果，生成分类之后的文件。同时包括热点新闻推荐、新闻热词推荐和个性化推荐。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/131419366

2023-06-28

基于Tensorflow+SDD+Python人脸口罩识别系统（深度学习）含网页demo全部工程源码及模型+视频演示+图片数据集

1.项目通过 Tensorflow 环境，基于 SSD 算法，实现图片、视频中的人脸是否佩戴口罩。 2.项目运行环境：Python 环境和Anaconda 环境。 3.项目包括 3 个模块：数据预处理、模型构建及算法实现、模型生成。其中基于 SSD 检测模型推理，实现以下三步：生成全部的 anchor、网络输出值根据全部的anchors 解码、NMS（非极大值抑制）。模型应用主要有两部分，一是对图片中的人脸进行识别；二是对视频中出现的人脸进行识别 4.准确率评估：戴口罩的人脸识别准确率接近 92%，可识别绝大部分戴口罩的人脸。 5.项目博客：https://blog.csdn.net/qq_31136513/article/details/131084449

2023-06-08

基于Tensorflow+VGG+DBN本地化批量图像识别系统（深度学习+Python）含全部工程源码+视频演示+图片数据集

1. 项目以VGGNet和深度置信网络（DBN）为基础，对本地化的图像识别，对识别结果进行标签，实现了应用场景的多样化 2.项目运行环境：Python 3.6环境、Tensorflow 环境、wxPython 环境和 PIL 环境 4.项目包括 4 个模块：数据预处理、模型简化处理、用户界面设计、翻译模块调用。项目选择 ImageNet 数据集中的一部分作为训练集，包括：动物、植物、生活用品、建筑以及交通工具。测试集的选取则主要来自百度图库，为了测试模型的泛化能力，随机选择了属于不同类型、不同大小和文件类型的图片。模型选择简化VGG16模型，简化之后的模型具有 13 个卷积池化层以及后续的全连接层，参数总量约为 500Mb。 5. 准确率：随机选择了属于不同类型、不同大小的图片进行测试，通过模型的激活、调用和识别的其他过程之后可以得到相关输出标签。通过对比可以看到，基本实现了图像识别和标签化输出的功能。 6. 项目博客：https://blog.csdn.net/qq_31136513/article/details/131044083

2023-06-05

基于Python+AIML+Tornado的智能聊天机器人（NLP+深度学习）含全部工程源码+语料库

1. 项目基于AIML搭建一个聊天机器人，实现聊天界面供用户进行聊天。 2.AIML系统流程包括：1）系统初始化，2）接收用户输入，进行问句规范化处理 3）问句查询推理 4）模板处理 3.项目运行环境：Python 2.7环境、Tornado 环境。 4.项目包括 3 个模块：前端、后端、语料库，前端框架地是采用 Bootstrap 框架，Bootstrap来自 Twitter，是目前最受欢迎的前端框架。后端我们采用的是 tornado 架构，之所以使用 tornado 是因为 Tornado 是使用 Python编写的一个强大的、可扩展的 Web 服务器，它在处理严峻的网络流量时表现得足够强健，但却在创建和编写时有着足够的轻量级，并能够被用在大量的应用和工具中。Tornado 和主流Web 服务器框架（包括大多数 Python 的框架）有着明显的区别：它是非阻塞式服务器，而且速度相当快。语料库选择AIML文件格式进行编写。 5. 参考博客：https://blog.csdn.net/qq_31136513/article/details/130964620

2023-05-31

基于Python+OpenCV的图像搜索引擎（CBIR+深度学习+机器视觉）含全部工程源码及图片数据库

1.项目采用 CBIR（Content-based image retrieval）步骤，基于 OpenCV 的图像搜索引擎，实现构图空间特征评价指标，提高匹配精度。 2.项目运行环境：需要 Python 3.6 及以上配置、 Numpy库、OpenCV库、 nginx和 php。 3.项目包括 5 个模块：数据预处理、定义图像描述符、索引化数据集、设计搜索引擎内核和执行搜索。本项目采用 INRIA Holidays 数据集。包含个人假日照片、各种场景类型（自然、山、水和风景等），图像具有高分辨率。包含 500 个图像组，每组代表不同的场景或对象。第一幅图像是查询图像，正确的检索结果是该组的其他图像。项目采用颜色空间描述符和构图空间描述符来定义图像描述符。对数据集中的每幅图像提取特征（HSV），并将保存在.csv 文件中，只需搜索其特征向量即可。给定待搜索图像，搜索机制对其进行特征提取、比对，匹配后输出结果并评分，同时可调节输出结果的个数。

2023-05-30

基于Python+百度语音的智能语音ChatGPT聊天机器人（机器学习+深度学习+语义识别）含全部工程源码适合个人二次开发

1.项目基于机器学习和语义识别技术，让机器人理解文本并进行合适的答复。通过使用语音与其交流，实现智能问答、智能音箱及智能机器宠物。 2.项目运行环境：包括 Python 环境、ChatterBot 环境。 Python 3.6 及以上配置。基于 chatterbot 0.8.7 开发，打开 cmd 进入 python 所在的磁盘，输入：pip install –ignore-installed –upgrade chatterbot0.8.7 等待安装即可。 3.项目包括 6 个模块：模型构建、服务器端、客户端、语音录入、接口调用、模型训练及保存。需进入百度云官网：https://ai.baidu.com/，进入我的控制台，打开百度语音进入语音应用管理界面，创建一个新的应用，并记录 APPID、API Key 和 Secret Key 三个值；聊天窗口的 GUI 界面，包括当前用户显示、信息输入框、语音输入按钮、发送和关闭按钮等各种控件并绑定发送消息、输入消息等事件。模型训练这块，可以直接使用项目中训练的模型，也可以根据自己需求替换成其他模型，如使用ChatGPT等通用大语言模型

2023-05-29

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人