PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料PCA算法学习资料

使用C#实现人工智能中的八数码问题，有界面效果，可以得到结果，也可以逐步求解。是个很好的学习人工智能的案例代码。

AI大作业报告1

人工智能大作业二手房房产市场分析项目源码+文档资料.zip数据收集、说明及处理 （1）数据源选择 通过在网上对几个主流的房产信息网站的二手房价格的比较(如图)， 安居客二手房房价信息 房天下二手房房价信息 链家二手房房价信息 可以看到，其实各个房产网站展示的二手房的房价信息差别不大，另外根据百度上查到链家网的房价与实际的房价差距较小，所以就把链家网的房价数据作为数据源，以供爬虫爬取信息。 本文采用上海市二手房作为数据集的主要原因在于：目前上海市的新房房源数量较少。链家网上上海市的新房房源信息只有约400套，数据集过小，不适合进行训练和挖掘，所以选择了二手房信息作为数据集进行训练与挖掘。在链家网上，上海二手房数据有几万套，可以进行数据挖掘从而得到有用的信息。 （2）数据说明 （3）数据收集 使用爬虫从链家网上爬取房价信息的数据，爬虫使用python编写，并存入mongoDB数据库，以备之后的训练，共计爬取二手房房源37460条。（爬虫代码见附录，画红线的为爬取的二手房房源的总计，详细数据可见电子版的人工智能大作业二手房房产市场分析项目源码+资料.zip

人工智能大作业玩转黑白棋项目源码.zip 人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.zip人工智能大作业玩转黑白棋项目源码.z

基于TensorFlow实现的花卉识别项目代码+使用说明.zip打开项目 选择TFLClassify/build.gradle生成整个项目。项目包含两个module：finish 和 start，finish模块是已经完成的项目，start是本项目实践的模块。 第一次编译项目时，弹出“Gradle Sync”，下载相应的gradle wrapper。 手机连接电脑，设置开发者模式，开发相关权限。 输入图片说明 向应用中添加TensorFlow Lite 1.选择“start”模块，右键“start”模块，或者选择File，然后New>Other>TensorFlow Lite Model 输入图片说明 2.选择已经下载的自定义的训练模型。本教程模型训练任务以后完成，这里选择finish模块中ml文件下的FlowerModel.tflite。 输入图片说明 3.导入成功后，查看摘要信息 输入图片说明 检查代码中的TODO项 默认情况下了列出项目所有的TODO项，进一步按照模块分组（Group By） 查看视图： 输入图片说明 添加代码使APP运行成功 定位“sta

MegEngine 是一个快速、可拓展、易于使用且支持自动求导的深度学习框架，具备训练推理一体、超低硬件门槛和全平台高效推理 3 大核心优势，可帮助企业与开发者大幅节省产品从实验室原型到工业部署的流程，真正实现小时级的转化能力。作为旷视新一代 AI 生产力平台 Brain++的最核心组件，MegEngine 在 2020 年 3月正式向全球开发者开源。

AKG(Auto Kernel Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。AKG与MindSpore的图算融合功能协同工作，可提升在不同硬件后端上运行网络的性能。AKG由三个基本的优化模块组成：规范化、自动调度和后端优化。规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算公式IR进行规范化。规范化模块中的优化主要包括自动运算符inline、自动循环融合和公共子表达式优化等。自动调度： 自动调度模块基于polyhedral技术，主要包括自动向量化、自动切分、thread/block映射、依赖分析和数据搬移等。后端优化： 后端优化模块的优化主要包括TensorCore使能、双缓冲区、内存展开和同步指令插入等。

Ascend CANN Parser（简称parser）配合TF_Adapter、 ATC工具、IR构图等使用，开发者通过以上工具，借助parser能方便地将第三方框架的算法表示转换成Ascend IR，充分利用昇腾AI处理器卓越的运算能力。

X2Paddle支持将其余深度学习框架训练得到的模型，转换至PaddlePaddle模型。X2Paddle是飞桨生态下的模型转换工具，致力于帮助其它深度学习框架用户快速迁移至飞桨框架。目前支持推理模型的框架转换与PyTorch训练代码迁移，我们还提供了详细的不同框架间API对比文档，降低开发者上手飞桨核心的学习成本。目前已经支持Caffe/TensorFlow/ONNX/PyTorch四大框架的预测模型的转换，PyTorch训练项目的转换，涵盖了目前市面主流深度学习框架。支持的模型丰富丰富，在主流的CV和NLP模型上均支持转换，涵盖了19+个Caffe预测模型转换、27+个TensorFlow预测模型转换、32+个ONNX预测模型转换、27+个PyTorch预测模型转换、2+个PyTorch训练项目转换