项目简介 本项目是针对EMAG Zerbst展会展台开发的控制系统。通过结合Arduino、HTML、Python、Node - Red多种编程语言，以及Raspberry Pi 3b+和Arduino Mega硬件设备，实现对展会展台上相关机械装置的控制。 项目的主要特性和功能 多语言与硬件协同：
项目简介 本项目是基于PyTorch框架开发的依存句法分析树库系统，用于自然语言处理领域的依存句法分析任务。系统定义了双向树LSTM模型，具备解析器、训练、评估和解码等功能。 项目的主要特性和功能 双向树LSTM模型：能同时考虑节点的子节点和父节点信息。 解析器：可处理依存句法分析任务，包含创建字典
项目简介 本项目构建了一个外部知识增强的多模态命名实体识别系统。该系统以大型语言模型作为动态外部知识源，融合文本和图像数据，提升了多模态场景下实体识别的准确性与效率，可应用于社交媒体、新闻报道等领域。 项目的主要特性和功能 多模态数据处理：支持处理文本与图像等多模态数据，实现跨模态的命名实体识别。
项目简介 本项目是一个Wall - E机器人复刻系统，涵盖机器人和控制器代码。Arduino代码用于控制机器人的电机和舵机，实现速度控制、远程控制等功能；Raspberry Pi Web Server基于Python的Flask框架搭建，提供网页界面，用户可通过该界面远程控制机器人运动、播放声音、设
项目简介 本项目名为GPTTranslator，是基于Python开发的工具。它借助GPT相关语言模型，可实现中英文Markdown文件的翻译和润色，为用户处理Markdown文件提供便利。 项目的主要特性和功能 智能翻译：自动判断文件语言（中文或英文）并进行相应翻译。 润色功能：在翻译过程中对文本
项目简介 本项目是基于Python构建的NLP多任务处理系统，可处理分类、命名实体识别、情感分类、文本相似度等多个NLP任务。运用BERT等预训练模型，结合K折数据处理、模型融合等策略，实现高效且准确的NLP任务处理。 项目的主要特性和功能 多任务支持：涵盖分类、命名实体识别、情感分类、文本相似度等
项目简介 本项目实现了经优化的Efficient_YOLOv4目标检测网络。借助一系列优化手段，在保障检测精度的同时，降低了模型计算量与体积，提升了检测速度，可实现实时检测。 项目的主要特性和功能 构建Efficient_YOLOv4目标检测网络结构。 支持对自定义数据集开展锚框聚类。 能够进行网络
项目简介 这是一个基于Python和Django框架的全栈项目，涵盖爬虫、数据分析、后端服务器以及部署四个核心部分，主要功能是爬取Bilibili视频相关数据，并通过网页形式展示给用户。 项目的主要特性和功能 利用爬虫程序抓取Bilibili视频数据，获取视频ID、标题、封面等关键信息。 对抓取数据
项目简介 本项目聚焦于医学影像领域的自然语言处理（NLP），是中国人工智能学会举办比赛的相关项目。核心功能是根据医生对CT影像的文本描述，自动生成对应的诊断报告文本。 项目的主要特性和功能 数据脱敏处理：对脱敏的原始数据，采用不分词策略将原始文本作为模型输入，避免分词歧义。 动态掩码策略：选用Spa
项目简介 本项目是一个基于人工智能的作业系统，主要借助神经网络模型处理图像数据，从而完成相关的分类任务。系统具备数据处理、模型构建、模型训练和模型评估等核心功能。 项目的主要特性和功能 图像数据处理：提供图像数据预处理功能，包括图像加载、图像向量化以及数据集的划分。 神经网络模型构建：包含多层感知器
%20(2).svg)
