用python写一个代码,生成100个文件,文件名为testchi01,testchi02...的一mb大小文件,并将文件路径存储到一个csv文件中
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
YOLO26算法矿区采矿卡车目标检测+训练好的模型+246张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[采矿卡车(Mining Truck), 轻型越野车(UTE), 水罐车(Water Truck)] · 训练集:216 张 · 验证集:20 张 · 测试集:10 张 · 总计:246 张 该数据集聚焦于矿区作业环境,精准标注了采矿卡车、轻型越野车及水罐车等核心目标,为矿区智能化监控与调度系统提供了高质量的视觉基础,极大提升了现场作业的安全性与管理效率。 数据集采用216张训练图、20张验证图和10张测试图的划分方案,比例合理且覆盖全面,能够有效支撑模型在不同场景下的泛化能力与稳定性能表现。 所有标注均严格遵循实际物体边界,定位精准,类别划分清晰,确保了模型训练过程中的高精度学习与最... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 82 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.7373** mAP50-95 | 0.4816 Precision | 0.8984 Recall | 0.6278 train/box_loss | 1.1139 train/cls_loss | 0.7094 val/box_loss | 1.2007 val/cls_loss | 1.0867 【训练过程分析】 训练了 82 个 epoch 之后,模型的表现达到了 mAP50 为 0.7373 的水平。这虽然不是特别惊艳的结果,但也意味着我们已经看到... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。
YOLO26算法野外赤狐目标检测+训练好的模型+235张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[赤狐(animal redfox 2022 11 17 4 51pm)] · 训练集:164 张 · 验证集:47 张 · 测试集:24 张 · 总计:235 张 该数据集专注于野外自然环境中赤狐的检测,为野生动物保护和生态研究提供了高质量的视觉数据支持,具有重要的科研和应用价值。该数据集的训练集、验证集和测试集分别为164张、47张和24张,分布合理,确保了模型训练的充分性和评估的可靠性。该数据集的标注工作精准规范,边界框准确覆盖目标物体,标注信息清晰一致,体现了高标准的标注质量。该数据集可广泛应用于野生动物监测、自然保护区管理、生态研究等领域,为相关行业... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 44 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.7631** mAP50-95 | 0.4482 Precision | 0.8114 Recall | 0.6863 train/box_loss | 1.0489 train/cls_loss | 1.0398 val/box_loss | 1.4420 val/cls_loss | 1.5778 【训练过程分析】 这轮训练过程总体来说挺反复的,前期和中期的表现都挺纠结,后期收敛倒是不错,但也有些过拟合的味道。从一开始,loss 曲线就挺起伏不定,训练开始的几轮,loss 下降很... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。
基于三次谐波注入法的Z源升压逆变器仿真、更优升压能力【有参考文献】
内容概要:本文系统探讨了基于三次谐波注入法的Z源升压逆变器仿真技术,旨在通过注入三次谐波信号有效提升Z源逆变器的升压能力。文章详细阐述了Z源逆变器的基本结构与工作原理,指出传统升压控制在电压增益方面的局限性,并引入三次谐波注入调制策略以增加直通占空比,从而显著提高输出电压增益和系统整体效率。结合Matlab/Simulink仿真平台,构建了完整的控制系统模型,验证了该方法在改善升压性能方面的优越性,同时配有参考文献支持理论分析与仿真结果的可靠性。此外,文档还整合了多种相关电力电子系统仿真资源,涵盖下垂控制、虚拟同步发电机(VSG)、LCL滤波、MPPT优化等关键技术方向,形成面向新能源发电与微电网应用的综合性仿真研究体系。; 适合人群:电力电子、电气工程及其自动化等相关专业的高校研究生、科研人员,以及从事新能源发电、微电网控制、逆变器拓扑与调制策略设计的工程技术人员。; 使用场景及目标:①用于深入理解Z源逆变器中三次谐波注入对调制波形及直通零矢量生成的影响机制;②为高增益逆变器的优化设计提供仿真依据与技术路径;③支撑科研论文复现、新型控制策略开发及教学示范应用; 阅读建议:建议结合所提供的Simulink仿真模型与参考文献同步研习,重点关注三次谐波注入如何重构调制波、扩展直通时间并提升电压增益的作用机理,注重理论推导、仿真验证与实际性能评估的有机结合。
基于三电平ANPC-VSG(虚拟同步发电机)构网型逆变器控制+双闭环+中点电位平衡控制【参考文献+仿真】
内容概要:本文系统研究了基于三电平ANPC-VSG(虚拟同步发电机)的构网型逆变器控制技术,聚焦于双闭环控制策略与中点电位平衡控制方法的设计与实现,并通过Simulink仿真平台验证其有效性。详细阐述了VSG技术在提升逆变器并网稳定性、增强系统惯性和频率支撑能力方面的核心优势,针对三电平ANPC拓扑中存在的中点电位波动问题,提出了有效的平衡控制策略。系统整合了SVPWM/SPWM调制、正负序分离、电网前馈补偿、虚拟阻抗及有源阻尼等多项关键技术,显著提升了逆变器在弱电网环境下的鲁棒性与动态响应性能。文档配套提供了完整的参考文献、仿真模型和设计说明,覆盖风光储多能互补系统、微电网运行、孤岛检测、低电压穿越等多种典型应用场景,兼具科研复现与工程实践价值; 适合人群:电力电子、电气工程及其自动化等相关专业的高校研究生、科研人员以及从事新能源并网逆变器研发的工程技术人员,尤其适合具备MATLAB/Simulink仿真能力和电力系统控制理论基础的专业人士; 使用场景及目标:①用于科研工作中对构网型逆变器控制策略的建模、仿真与性能评估;②支撑高水平学术论文(如SCI期刊)的研究复现与创新改进;③指导实际工程项目中三电平VSG逆变器的控制算法开发与优化设计; 阅读建议:建议结合所提供的仿真模型与参考文献进行系统学习,重点剖析双闭环架构的控制逻辑与中点电位平衡的实现机制,通过动手仿真实验深入理解VSG在不同工况下的动态特性、稳定性表现及关键参数的影响规律。
网络药理学,里面有三种草药的吧
网络药理学
chrome-win32-158.0.8117.2(Dev).zip
chrome-win32-158.0.8117.2(Dev).zip
chrome-headless-shell-win32-158.0.8127.2(Beta).zip
chrome-headless-shell-win32-158.0.8127.2(Beta).zip
人工智能基于LoRA/QLoRA的大模型微调与部署技术:垂直领域指令优化及vLLM/TGI推理加速系统设计
「AI大模型」大模型微调与部署实战项目保姆级文档 内容概要:本文档系统讲解了大语言模型(LLM)的微调与部署全流程,涵盖LoRA/QLoRA原理、指令数据集构建、DPO偏好对齐、模型评估、量化压缩及vLLM/TGI推理加速部署等核心技术。通过医疗问诊助手的实战案例,详细演示了基于LLaMA-Factory和Unsloth框架的微调项目实施步骤,包括环境配置、数据清洗、QLoRA微调、DPO对齐、模型合并与评估,并介绍了vLLM、TGI和llama.cpp等多种部署方案,助力开发者将模型落地至云端或端侧设备。; 适合人群:具备Python编程基础、熟悉PyTorch与深度学习基本概念,且有Linux命令行操作经验的工程师与研究者,尤其适合希望在垂直领域构建专属大模型的研发人员;初学者需先掌握Hugging Face生态系统基础;; 使用场景及目标:①掌握如何在有限算力下通过QLoRA高效微调7B-70B级大模型;②学习构建高质量指令数据集与偏好对齐数据的方法;③实现模型量化(AWQ/GGUF)与高性能推理部署(vLLM/TGI);④将大模型应用于医疗、法律、金融等专业领域的实际落地; 阅读建议:建议按照“原理→实战→部署→优化”的路径线性学习,边读边在本地或云GPU环境中动手实操,重点关注数据质量、显存优化与推理性能调优,遇到问题可参考文档提供的排查指南,并结合开源社区资源持续跟进最新进展。
emqx-5.8.9-docker-amd64.tar.gz
emqx-5.8.9-docker-amd64.tar
chromedriver-linux64-159.0.8133.0(Canary).zip
chromedriver-linux64-159.0.8133.0(Canary).zip
w64devkit-x64-2.11.0.7z
w64devkit-x64-2.11.0.7z
OpenStreetMap iD‑editor v1.9.2
iD‑editor v1.9.2:2016 年发布,大量老二次开发项目的基线版本。ES5语法。
chrome-headless-shell-mac-arm64-158.0.8117.2(Dev).zip
chrome-headless-shell-mac-arm64-158.0.8117.2(Dev).zip
MNIST手写数字识别画板实战
这是一套用 PyTorch 在 CPU 上训练 CNN 识别手写数字并配 Tkinter 画板实时预测的完整实战项目。交付物含教程正文(MD/HTML/PDF)、配套 PPT、src 下九个 Python 源文件、预训练权重 mnist_cnn.pth(约 215KB)、十张示例手写数字、训练曲线与运行截图。 五条主线:MNIST 训练一条命令启动,5 个 epoch 测试集准确率实测 98.91%,自动保存最优权重与收敛曲线;Tkinter 画板鼠标写数字,抬笔即出结果与置信度;十类置信度条形图把每类概率可视化,模型犹豫时一眼看出;模型存为 .pth,画板与命令行共用同一份;CLI 对单张或整目录批量推理,打印 Top-3 并可选导出概率图。 硬点:模型只有 54,314 个参数,CPU 单 epoch 约 13 秒,全程 1.1 分钟出结果,无 GPU 要求;包里直接带训练好的权重,装完依赖不训练也能先开画板玩,再自己训一个对比;四个依赖版本全部锁死;Tkinter 是 Python 标准库,装完就有,不引网页框架。 适合刚接触深度学习的学生走通数据、模型、训练、推理、界面全链路,也适合专科毕设用手写数字这个熟悉题目现场演示。会装 Python、看得懂基础语法即可,不需要 ML 背景。 用法:解压进入 src 目录,pip install -r requirements.txt 装依赖,跑 py main.py download --demo 下载数据并导出示例图,再跑 py main.py gui 启动画板;想自己训练就跑 py main.py train。
电力系统风储联合一次调频仿真模型(Simulink仿真实现)
内容概要:本文详细介绍了“电力系统风储联合一次调频仿真模型”的Simulink仿真实现方法,聚焦于风力发电与储能系统协同参与电网一次频率调节的控制策略与建模技术。模型采用三电平ANPC并网逆变器为核心拓扑,结合DPWMA调制控制、正负序分离与电网前馈控制等先进控制手段,并引入虚拟同步发电机(VSG)控制策略,实现构网型逆变器的双闭环控制及中点电位平衡。仿真涵盖了风储系统在频率波动、孤岛检测、无功扰动、低电压穿越等多种典型工况下的动态响应特性,验证其快速调频能力与系统鲁棒性,具备完整的电磁暂态仿真结构与较高的工程应用价值。; 适合人群:电力系统自动化、新能源并网技术、电力电子与电力传动等相关领域的研究生、科研人员,以及从事风电储能系统开发、并网逆变器控制设计的工程技术人员。; 使用场景及目标:①深入研究风储联合系统参与电网一次调频的控制机理与仿真建模方法;②掌握三电平ANPC逆变器在复杂电网环境下的高级控制技术,如中点电位平衡、正负序电流调控与前馈补偿;③复现高水平科研论文中的VSG控制与调频响应案例,支撑课题研究、项目开发或学术论文撰写; 阅读建议:建议结合文中提及的参考文献与配套Simulink模型同步学习,重点关注各控制模块的架构设计、参数整定逻辑与信号交互关系,通过分步仿真与工况对比实验,深入理解系统动态行为与控制性能优化路径,全面提升对新型电力系统稳定运行机制的认知与建模能力。
chromedriver-mac-arm64-159.0.8132.0(Canary).zip
chromedriver-mac-arm64-159.0.8132.0(Canary).zip
【半导体技术】基于SOI衬底的背栅结构创新:阈值电压调节与高频器件线性度优化方案
内容概要:本文是对专利CN202110851191.2“一种半导体衬底、半导体器件及其制作方法”的深度解剖报告,聚焦于中芯国际提出的在SOI衬底中插入独立背栅层以调节阈值电压而不影响底部半导体层电阻率的技术方案。报告通过多维度分析指出,该方案虽具备一定工程价值,但本质上属于“结构位置平移”式的伪创新,即将已知的背栅功能从衬底转移至埋氧层上方,未产生非显而易见的技术效果,创造性风险极高,极可能被专利审查驳回。报告系统揭示了此类“结构平移/优化型”专利在新颖性存疑、创造性不足、技术效果可预期等方面的共性缺陷,并结合模块化分析框架(如左链切片、右链归因、双螺旋诊断)提出研发与专利布局的改进建议,强调应转向新型器件物理、材料体系或异质集成等真正高价值创新方向。; 适合人群:半导体领域研发人员、企业IPR/专利负责人、CTO、投资尽调人员及知识产权代理从业者;具备一定技术背景,关注专利质量与创新实质的专业人士。; 使用场景及目标:①识别“结构位置平移”类伪创新专利的风险逻辑;②提升高价值专利撰写与审查应对能力;③指导企业规避低质量专利沉没成本;④辅助投资方评估技术壁垒真实性; 阅读建议:此资源以失败案例为镜鉴,强调从“为什么错”到“如何改进”的思维跃迁,建议结合模块化分析框架(如左链切片、右链归因、双螺旋诊断)进行交叉对照学习,并应用于实际专利预审与研发决策中,强化对“非显而易见性”和“不可预见技术效果”的论证能力。
(电力系统)中性点不接地、经消弧线圈接地发生单相接地故障Simulink仿真
内容概要:本文围绕电力系统中性点不同接地方式下的单相接地故障开展Simulink仿真研究,重点构建并对比了中性点不接地与经消弧线圈接地两种小电流接地系统的仿真模型,深入分析故障发生时的电气量变化特征,包括非故障相电压升高、故障点电流分布、零序电压与电流的动态响应等,系统阐述了两类接地方式在抑制过电压、维持系统连续供电能力及故障选线灵敏性方面的性能差异,揭示了消弧线圈在补偿接地电容电流、降低故障点残流方面的关键作用,有助于深化对配电网接地故障机理的理解与继电保护配置的优化。; 适合人群:电气工程及其自动化相关专业的高年级本科生、研究生,以及从事电力系统运行维护、继电保护设计与配电网故障分析的工程技术人员,尤其适用于具备Matlab/Simulink仿真基础并希望提升故障仿真分析能力的学习者。; 使用场景及目标:①掌握小电流接地系统单相接地故障的基本特征与物理本质;②学习使用Simulink建立典型电力系统故障仿真模型的方法与技巧;③比较不同中性点接地方式的优缺点,为实际工程中消弧线圈参数整定、接地方式选择与故障检测算法开发提供理论依据和仿真支撑。; 阅读建议:建议结合《电力系统分析》《继电保护原理》等相关课程知识进行学习,重点关注模型中元件参数设置、故障触发机制及时域波形解读,鼓励动手复现仿真过程,通过改变线路长度、接地电阻或消弧线圈电感值等方式开展对比实验,以增强对系统动态行为的认知。
YOLO26算法道路监控护栏路牌路灯目标检测+训练好的模型+181张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[护栏(crashbarrier), 路牌(signboard), 路灯(streetlight)] · 训练集:159 张 · 验证集:15 张 · 测试集:7 张 · 总计:181 张 该数据集聚焦于道路监控场景,精准捕捉高速公路及城市道路中的关键基础设施,为智能交通系统提供可靠的数据支持,具有重要的实际应用价值。该数据集的训练集、验证集和测试集分布合理,训练集159张、验证集15张、测试集7张,确保模型训练充分、验证有效、测试独立,符合数据集构建的最佳实践。该数据集的标注质量高,所有目标边界框精准覆盖,类别标识规范清晰,为模型训练提供了高质量的输入数据。该数据集可广泛应用于智能... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 57 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.6057** mAP50-95 | 0.2542 Precision | 0.8506 Recall | 0.5373 train/box_loss | 1.6819 train/cls_loss | 1.3791 val/box_loss | 2.0752 val/cls_loss | 1.8413 【训练过程分析】 回顾这 57 轮训练,从第一轮到中期,我注意到初始的收敛速度相对较快,损失函数值迅速从 2.0752 下降到 1.6819,说明模型在初期确实... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。
YOLO26算法机场交通监控航空标志与汽车品牌目标检测+训练好的模型+196张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[全日空(ana), 中国航空(china air), 长荣航空(eva), 本田(honda), 日本航空(jal), 日产(nissan), 丰田(toyota)] · 训练集:171 张 · 验证集:17 张 · 测试集:8 张 · 总计:196 张 该数据集聚焦机场交通监控场景,通过精准识别航空标志与汽车品牌,为航空运输和地面交通管理提供关键数据支撑,有效提升机场运营效率与安全管理水平,具有显著的行业应用价值。该数据集的训练集、验证集和测试集分布科学合理,训练集171张、验证集17张、测试集8张,比例均衡,充分保障模型训练的充分性与评估的可靠性。该数据集的标注工作严谨规范,所有目标边界框定位精准,类别标签清晰准确,标注质量达到行业高标准要求。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 35 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.4226** mAP50-95 | 0.2020 Precision | 0.6419 Recall | 0.3164 train/box_loss | 1.1307 train/cls_loss | 2.8907 val/box_loss | 1.6080 val/cls_loss | 5.6695 【训练过程分析】 回顾起这次训练,整个过程就像过山车。从第 1 轮到第 10 轮,loss ... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。
最新推荐




