内容概要：文章展示了一个用于故障检测的深度学习项目，采用PyTorch构建了一个一维卷积神经网络(CNN)，针对工业故障诊断问题。文中详细地解释了从数据加载、预处理、模型搭建、训练到性能评估的全过程。通过归一化原始数据集，设计多层一维卷积与全局最大池化的网络架构，并应用交叉熵作为损失函数，利用Adam算法进行梯度下降最优化，最终实现了高精度的分类任务。 适用人群：对于机器学习尤其是深度学习领域感兴趣的科研人员或者工程师，特别是那些想要深入了解或实操如何使用深度学习技术解决实际问题如工业设备状态监测的研究者和技术开发者。 使用场景及目标：本项目的目的是为了提高机械设备运行状态监控系统的效率与准确性，可以应用于制造业、电力等行业，帮助实时监控设备健康状况，及时发现潜在故障点，从而减少非计划停机时间和维修成本。 其他说明：除了提供了一套完整的解决方案之外，本文还展示了如何计算模型的参数量，以便于控制模型复杂度。此外，文中也包含了模型训练过程中每轮迭代的耗时记录，这对于大规模数据集下优化算法选择具有重要参考价值。

六轴机械臂粒子群轨迹规划与关节动态特性展示：包含多种智能算法的时间最优轨迹规划研究,六轴机械臂353粒子群轨迹规划代码 复现居鹤华lunwen 可输出关节收敛曲线 和关节位置 速度 加速度曲线 还有六自由度机械臂混沌映射粒子群5次多项式时间最优轨迹规划 3次多项式 3次b样条 5次b样条 算法可根据需求成其他智能算法 ,核心关键词：六轴机械臂；粒子群轨迹规划；代码复现；居鹤华lunwen；关节收敛曲线；关节位置；速度；加速度曲线；六自由度机械臂；混沌映射；时间最优轨迹规划；多项式轨迹规划；b样条轨迹规划；智能算法。 关键词以分号分隔：六轴机械臂; 粒子群轨迹规划; 代码复现; 居鹤华lunwen; 关节收敛曲线; 关节位置; 速度; 加速度曲线; 六自由度机械臂; 混沌映射; 时间最优轨迹规划; 多项式轨迹规划; b样条轨迹规划; 智能算法。,六轴机械臂粒子群轨迹规划代码：智能算法优化与曲线输出

深度学习网络模型 MobileNet系列v1 ~ v3网络详解以及pytorch代码复现 1、DW卷积与普通卷积计算量对比 DW与PW计算量 普通卷积计算量 计算量对比 2、MobileNet V1 MobileNet V1网络结构 MobileNet V1网络结构代码 3、MobileNet V2 倒残差结构模块 倒残差模块代码 MobileNet V2详细网络结构 MobileNet V2网络结构代码 4、MobileNet V3 创新点 MobileNet V3详细网络结构 注意力机制SE模块代码 InvertedResidual模块代码 整体代码

nlp之中机器翻译的最新论文的代码复现nlp-master.zip

常用的语义分割架构结构综述以及代码复现 常用的语义分割架构结构综述以及代码复现

《电力系统碳排放流的计算方法初探_周天睿》文章复现，原创代码，基于matlab实现，注释清晰，结构完整，结果和原文完全一致。双碳目标最近在电力系统领域还是挺火的，碳排放流的计算也是比较热门的话题，这篇论文可以说是最基础的模型，被引次数也是很高的，这个代码复现了这篇论文的结果，采用极坐标系下的牛顿拉夫逊法计算电力系统潮流，朋友们有需要的可以参考。

基于自适应Sigmoid型函数图像增强代码复现

神经网络期末作业（包括原文，翻译，文献解读，代码复现） 可以当作课程论文。 时空图卷积网络：一个用于交通预测的深度学习框架 摘要 及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性。本文提出了一种新的深度学习框架时空图卷积网络（STGCN）来解决交通领域的时间序列预测问题。我们不使用正则卷积和递归单元，而是在图上构造问题，并建立具有完全卷积结构的模型，实验表明，该模型通过对多尺度交通网络的建模，有效地捕获了复杂的时空相关性，在各种真实交通数据集上的性能均优于现有的方法。

    该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。

《Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices》移动端超分辨率论文复现，该论文方案为CVPR举办的Mobile AI Challenge 2021比赛的冠军方案，实现了在移动设备上的实时推理，模型符合超轻量级（模型大小0.02M）。复现内容包括训练、推理、unit8量化。压缩包中包括：论文及其复现代码（pytorch）。