AI-Intro-Assignment

“人工智能导论”课程实验的源代码。

项目概述

该项目包含了“人工智能导论”课程的实验解决方案，涉及将各种人工智能技术应用于实际问题的解决，如图像识别、图像分类和使用遗传算法进行优化。

实验内容

实验 1: 手写数字识别

• 目标: 构建一个模型，用于识别手写数字。
• 使用模型:
  • MLP（多层感知器）
  • CNN（卷积神经网络）

实验 2: 基于CIFAR-100数据集的图像分类

• 目标: 使用GPU训练VGG13模型，将CIFAR-100数据集中的图像分类到100个类别中。
• 使用模型:
  • VGG（视觉几何组网络）
  • ResNet（残差网络）
  • DenseNet（密集连接卷积网络）

实验 3：使用U-net进行医学图像分割

• 目标: 使用U-net模型对肝脏图像数据集执行分割任务
• 使用模型：
  • U-net

实验 4：图神经网络（GNN）应用于图数据分类 - Cora 数据集

• 目标：使用Cora数据集，基于节点的特征和图结构进行分类。
• 使用模型：
  • GCN
  • GAT
  • SplineGCN
  • ChebNet

实验 5: 使用遗传算法（GA）解决旅行商问题（TSP）

• 目标: 使用遗传算法解决TSP优化问题，最小化一组城市的总旅行成本。
• 关键特性:
  • 使用遗传算法解决TSP问题
  • 实现多种变异、交叉和选择方法
  • 提供UI界面用于交互式的参数调整和结果可视化

环境要求

• Python 3.8 或更高版本

• 依赖：

  • PyQt5
  • Matplotlib
  • Geopandas
  • Scikit-learn
  • PyTorch
  • Torch_geometric

  详细请看requirements.txt

如何运行

1. 克隆该仓库：

   git clone https://github.com/Saury997/AI-Intro-Assignment.git
   

2. 实验代码以exp*.py格式命名

如果你觉得这个项目有用，请点个star！