ZJU-AI-course

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #typescript #llm #go #golang #android #machine-learning #rust #deep-learning #linux

★ 9 Open GitHub ↗

浙江大学软件学院-人工智能算法与系统-2025秋-智海mo平台-三个实训作业-【金融异常检测】【手写数字识别与垃圾分类】【中医辨证系统实现】-思路与代码参考仓库

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# ZJU-AI-course
# 浙江大学软件学院 - 人工智能算法与系统 (2025秋) 实训作业仓库

本仓库包含浙江大学软件学院《人工智能算法与系统》课程（2025秋）三个实训作业的完整代码与解决方案。本项目采用了“本地训练 + 平台推理”的策略，在本地高性能计算环境中训练模型，并将最优权重上传至智海 Mo 平台进行评测。

## 本地开发环境

本项目在以下本地环境中进行开发与训练：

* **GPU**: NVIDIA RTX 50 Series (16GB VRAM)
* **CUDA**: 13.0
* **Python**: 3.11+
* **PyTorch**: 2.9.1 (配合 CUDA 13.0)
* **其他依赖**: `torch-geometric`, `opencv-python`, `openai`, `numpy`, `pandas`

## 整体工作流

为了克服在线平台算力限制并利用本地显存优势，所有实验均遵循以下流程：

1.  **本地训练**: 使用 `train.py` (或对应文件夹下的训练脚本) 在本地 GPU 上进行模型训练。
2.  **结果保存**: 训练好的最佳模型权重（`.pt` 或 `.pth`）保存至 `results/` 目录。
3.  **上传部署**: 将模型权重文件上传至智海 Mo 平台对应的 `results` 文件夹。
4.  **在线推理**: 将仓库中的推理脚本（如 `main.py`）复制到平台，加载上传的权重进行最终预测。

---

## 实验一：金融异常检测 (Financial Anomaly Detection)

基于 DGraphFin 动态图数据集，识别欺诈用户节点。

### 文件结构
* `1/train.py`: 本地训练脚本。
* `1/main.py`: 平台推理脚本（提交用）。
* `1/results/model.pt`: 训练好的 GraphSAGE 模型权重。

### 核心算法与优化
* **模型选择**: 使用 **GraphSAGE** 模型，相比 MLP 能更好地捕捉图结构信息（邻居节点的聚合特征）。
* **数据预处理**:
    * **无向图转换**: 使用 `T.ToUndirected()` 增强信息流动。
    * **特征归一化**: 对节点特征进行标准化处理，加速收敛。
* **训练策略**:
    * **混合精度训练 (AMP)**: 使用 `torch.amp.autocast` 和 `GradScaler`，显著降低显存占用（约减少 50%），同时加快训练速度。
    * **参数调优**: 将隐藏层维度设为 **128**，Dropout 设为 **0.5**，在防止过拟合与保留特征之间取得平衡。
    * **类别平衡**: 针对金融欺诈数据的类别不平衡问题，在 Loss 计算中引入了类别权重。

---

## 实验二：垃圾分类 (Garbage Classification)

基于图像数据的 26 分类任务。

### 文件结构
* `2/2train_local.py`: 本地训练脚本（包含 Mixup 等增强）。
* `2/2main.py`: 平台推理脚本（包含 TTA）。
* `2/results/efficientnet_b3_fixed.pth`: 训练好的模型权重。

### 核心算法与优化
* **模型架构**: 放弃了 Baseline 的 MobileNetV2，采用 **EfficientNet-B3**。该模型在 ImageNet 上有更高的准确率，且参数量适中，适合 16GB 显存微调。
* **数据增强 (Data Augmentation)**:
    * **Mixup**: 在训练过程中混合两张图片及其标签，强制模型学习线性插值特征，极大提升了模型的鲁棒性。
    * **常规增强**: 随机裁剪、旋转、水平翻转、颜色抖动等。
* **推理优化 (Test-Time Augmentation, TTA)**:
    * 在预测阶段，不仅仅预测原图，而是对图片进行 **“中心+四角裁剪”** 以及 **“水平翻转”**，共计 **10 张子图** 进行预测。
    * 对 10 次预测结果取平均（Soft Voting），并引入**温度缩放 (Temperature Scaling)** 平滑概率分布，显著提升了泛化能力。

---

## 实验三：中医辨证系统 (TCM Diagnosis System)

基于患者症状文本，输出“证型”与“治法”。

### 文件结构
* `3/main.py`: 平台推理脚本（集成 RAG 与 LLM）。

### 核心算法与优化
本实验未使用传统的微调，而是采用了 **RAG (检索增强生成) + 规则约束** 的方案，以极低的成本获得了极高的语义相似度分数。

1.  **强力清洗 (Data Cleaning)**:
    * 针对性去除“患者男性，身高...”等与病情无关的噪音，只提取“**现症见**”或“**主诉**”后的核心症状文本。
2.  **知识库构建 (Knowledge Base)**:
    * 预加载训练集 `result.csv`，建立**绝对映射表**：`证型 -> 最标准治法`。确保只要证型判断正确，治法输出与标准答案一字不差。
3.  **多级推理策略**:
    * **Level 1 (清洗文本检索)**: 计算输入症状与知识库的相似度（基于 `difflib`）。如果相似度 > 0.5，直接通过查表返回结果（RAG）。
    * **Level 2 (KNN 投票)**: 选取最相似的 Top-3 案例，如果其中有两个案例证型一致，则采用该证型。
    * **Level 3 (LLM 兜底)**: 调用 **Qwen2.5-7B-Instruct** (通过 SiliconFlow API)，利用 Few-Shot Prompting 让大模型进行判断。
4.  **强制一致性**: 无论 LLM 输出什么治法，最终输出均强制替换为知识库中的标准治法，避免因“同义词”导致的扣分。

---

## 实验结果与评分

三个实验成绩如下：

### 实验一：金融异常检测 AUC=0.79
![实验一分数](https://i.postimg.cc/j2tRD4dH/1.png)

### 实验二：垃圾分类=98
![实验二分数](https://i.postimg.cc/yxs7DyYF/2.png)

### 实验三：中医辨证系统=95
![实验三分数](https://i.postimg.cc/gjmGxHk3/3.png)

---

## 本仓库代码仅供学习参考，请遵守学术诚信原则。

ZJU-AI-course

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README