图像语义分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。本文提供了一个可进行自定义数据集训练基于pytorch的deeplabv3+图像分割模型的方法，训练了一个动漫人物分割模型，不过数据集较小，仅供学习使用 程序输入：动漫图片 程序输出：分割好的动漫人物图片
程序调用C++的opencv模块，根据拉普拉斯变换计算像素方差来作为图片的模糊程度和遮挡程度的指标值，然后根据参考值构建正态分布，根据3西格玛准则，判断图片是否异常，最终实现了模糊检测和遮挡检测功能。但是本程序使用的数据集为从VOC2007随机选择的图片，对于固定场景，最好选择对应场景的图片集，以及调整正确的参数。
/输出截图1.png)
程序调用Python的opencv模块，根据拉普拉斯变换计算像素方差来作为图片的模糊程度和遮挡程度的指标值，然后根据参考值构建正态分布，根据3西格玛准则，判断图片是否异常，最终实现了模糊检测和遮挡检测功能。但是本程序使用的数据集为从VOC2007随机选择的图片，对于固定场景，最好选择对应场景的图片集，以及调整正确的参数。
/输出截图1.jpg)
程序调用tensorflow.keras搭建了一个简单长短记忆型网络(LSTM)，以上证指数为例，对数据进行标准化处理，输入5天的'收盘价', '最高价', '最低价','开盘价'，输出1天的'收盘价'，利用训练集训练网络后，输出测试集的MAE
——以预测股票收盘价为例/输出截图1.png)
项目以ml-100k电影评分数据集为输入，实现了基于用户的协同过滤算法，最后预测的MAE为0.84，因为经过优化，10万条评分数据运行时间不超过2分钟
——以电影评价数据(ml-100k)为例/输出截图1.png)