人工智能-项目实践-Origin-使用说明

人工智能-项目实践-优化算法-遗传算法、禁忌搜索、模拟退火、蚁群算法 遗传算法、禁忌搜索、模拟退火、蚁群算法 解决三十个城市的旅行商问题 人工智能课的一次作业，py写的，来自我这个新手码农 以下是三十个城市的坐标 41 94 37 84 54 67 25 62 7 64 2 99 68 58 71 44 54 62 83 69 64 60 18 54 22 60 83 46 91 38 25 38 24 42 58 69 71 71 74 78 87 76 18 40 13 40 82 7 62 32 58 35 45 21 41 26 44 35 4 50

人工智能-项目实践-优化算法-基于python的可视化爬山法 climb-display-demo 爬山法可视化demo How to use run main.py

人工智能-项目实践-自适应学习-使用Q学习进行水声通信的自适应调制 使用Q学习进行水声通信的自适应调制 动作为调制方式，有BPSK、QPSK、8PSK三种，每种调制都有高功耗发射和低功耗发射两种模式。 状态为已使用的能量，信噪比和状态有关且加了一定程度的随机性

人工智能-项目实践-自适应学习-自适应学习模型-应用于教育领域-知识图谱 run this demo $python train_dkt.py --dataset ../data/assistments.txt

人工智能-项目实践-自适应学习-使用强化学习来实现旋转门算法参数的自适应 使用强化学习来实现旋转门算法参数的自适应

人工智能-项目实践-图像识别-keras使用迁移学习实现医学图像二分类（AK、SK） 问题描述 要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。 解决思路 整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras. 具体思路： 读取图片数据，保存成.npy格式，方便后续加载 标签采用one-hot形式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载 将数据分为训练集、验证集、测试集 使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练 优化模型，调整超参数，提高准确率 在测试集上对模型进行评估，使用精确率、召回率 对单张图片进行预测，并输出每种类别的概率

人工智能-项目实践-图像识别-基于深度学习的肿瘤辅助诊断系统 以图像分割为核心，利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的模型构建、后端架设和前端访问功能。 系统以图像分割为核心，利用人工智能完成肿瘤区域的识别勾画并提供肿瘤区域的特征来辅助医生进行诊断。有完整的模型构建、后端架设和前端访问功能。 医生只需通过web上传ct图像文件，后台就会使用训练好的模型进行肿瘤区域的分割，然后将勾画好肿瘤区域的图像返回，还有肿瘤区域的一些特征（如面积、周长、强度等），并且提供前几次诊断的特征数据并绘制成图表进行对比来辅助医生诊断。

人工智能-项目实践-图像识别-用3DVnet开发的医学图像分割

人工智能-项目实践-图像识别-基于深度学习的图像超分辨率重建及其在医学影像上的应用 前言 介绍图像超分辨率问题、研究现状、前景，介绍在医学图像上进行超分辨率的重要性。 自然图像上的超分辨率研究 在 DIV2K 数据集（800 train + 100 val）进行实验。选取 baseline 模型为 ESPCN、DWSR、EDSR。针对这些模型的不足之处，提出改进：使用小波 + U-Net + 感知损失多任务学习的 LU-MWCNN模型，达到超越 baseline 的效果。 医学图像上的超分辨率应用 在 DeepLesion 数据集（CT 图像）的 Key_slices 上进行实验，同样与 baseline 模型进行对比。提出 CT-LPIPS，利用一个类 VGG 网络训练。 医学图像超分辨率平台开发 以 CT 图像为例，搭建 Web 服务，借助 Cornerstone.js 库，医生可预览 DICOM，或将图像发送至后端重建服务，以获得超分辨完成的结果。后端采用 Flask + PyTorch 进行部署和实时推理。 总结