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

实验二：垃圾分类=98

实验三：中医辨证系统=95

---

本仓库代码仅供学习参考，请遵守学术诚信原则。