- 综合排序
- 最热优先
- 最新优先
- 来自专栏blackheart的专栏
4-可空类型、静态类
可空类型 值类型是不可以为null的[即不可为空值]， 假如我们想让它为null呢[比如它对映这数据库中的某个表的某个字段，但是这个字段是null]。 System.Nullable<T>泛型类原型： 1 [Serializable]//表示了序列化 2 public struct Nullable<T> where T : struct 3 { 4
1.1K50发布于 2018-01-19 - 来自专栏磐创AI技术团队的专栏
可交互的 Attention 可视化工具！我的Transformer可解释性有救了？
乔治亚理工最近提出了DODRIO，一种可交互的Attention可视化工具，从句法和寓意层面总结了不同注意力头的信息。Transformer的可解释性终于有救啦？ 一些结论 本文的可视化方法再一次验证了一些之前BERT可解释性文章的结论。例如：BERT的中间层更关注句法信息，以及BERT最后1-2层是分类的关键等。
8.2K40发布于 2021-05-11 - 来自专栏学习
机器学习——解释性AI与可解释性机器学习
本文将深入探讨解释性AI与可解释性机器学习的概念、方法和代码实现，帮助读者全面理解这一重要主题。 1. 为什么需要解释性AI？ 解释性AI的分类 可解释性可以从多个维度来考虑： 可解释性 vs 可理解性：可解释性通常指通过后处理方法使复杂模型变得可解释，而可理解性更侧重于构建本身就易于解释的模型。 可解释性机器学习的方法 3.1 模型本身具有可解释性 一些简单的模型具有天然的可解释性，例如： 线性回归：通过模型系数可以直接理解特征对预测的影响。 4. 可解释性机器学习的具体应用 4.1 医疗应用 在医疗领域中，模型的解释性至关重要，因为它关系到患者的生命安全。 构建具有可解释性的模型 并不是所有机器学习任务都需要深度模型，对于一些需要高可解释性的任务，我们可以选择一些本身就具有良好可解释性的模型。
1.1K10编辑于 2024-10-19 - 来自专栏CSDNToQQCode
解释性AI（XAI）
解释性AI（XAI）是什么 解释性AI，也称为XAI（Extended AI），是一种综合了多种AI技术的智能系统或工具，旨在帮助人们理解和解释数据、信息和知识，以辅助决策制定。 可解释性模型：XAI系统可以使用可解释性模型来解释机器学习模型的工作原理和决策过程，帮助用户理解模型的预测结果。 在安全领域，可解释性AI可以帮助识别和解释潜在的安全威胁，从而提高安全性。 四、可解释性AI的评估与度量 评估和度量AI的可解释性是一个重要的问题。 五、可解释性AI的未来发展 可解释性AI有很大的发展潜力，未来的发展趋势包括算法改进、数据标准化和自动化解释方法等。随着技术的发展，我们可能会看到更多的自动化工具和平台用于评估和改进AI的可解释性。 六、可解释性AI的实践经验与案例分析 在实际应用可解释性AI的过程中，一些实践经验包括使用可视化技术来展示AI决策过程、使用人类判断法来评估AI的可解释性以及使用决策树分析法来理解模型决策等。
1.1K10编辑于 2024-02-01 - 来自专栏AI
模型可解释性
模型可解释性：LIME与SHAP等可解释工具随着深度学习和复杂机器学习模型的普及，模型的可解释性（Model Interpretability）成为了一个日益重要的议题。 模型可解释性的背景模型可解释性主要是指能够清晰地理解和解释机器学习模型的预测依据。传统的机器学习模型，如线性回归、决策树等，相对易于理解，用户可以直观地看到模型是如何做出预测的。 因此，模型可解释性成为了研究人员和实践者必须解决的核心问题。2. 4. LIME与SHAP的比较LIME和SHAP都是强大的模型可解释工具，但它们的侧重点和工作原理有所不同：LIME：侧重于局部可解释性，适用于任何黑箱模型。 ，详细介绍了如何通过不同的方法提高机器学习模型的可解释性。
1.2K10编辑于 2025-02-02 - 来自专栏我的小碗汤
2022 年 Kubernetes 的 4 种可替代方案
Docker：这几乎不是第一个容器平台[3]，但却是第一个流行起来的平台，它使基于容器的计算成为主流，于 2014[4]年开始开发一种编排工具 Swarm 。 几乎不是第一个容器平台: https://www.itprotoday.com/containers/history-container-technology-offers-lessons-future [4] suse-completes-rancher-acquisition/ [8] 创建了一个编排平台: https://github.com/spotify/helios [9] 原因: https://www.itprotoday.com/hybrid-cloud/4-
3.1K40编辑于 2023-03-19 - 来自专栏宜达数字
VR开发--SteamVR框架工具（4）：可交互对象+抓取交互对象+使用可交互对象+自动抓取可交互对象
1、VRTK_InteractableObject：可交互对象 （1）定义： 可交互对象脚本被添加到需要用（如控制器）来交互的任何游戏对象上。 ? ? （2）参数： ? 3、如果有效可交互对象是可抓取的，按下控制器上所设置的抓取按钮（默认是Trigger按钮）将抓取和对齐对象到控制器上，并且直到抓取按钮松开才会被释放。 4、当控制器抓取按钮松开时，如果可交互对象是可抓取的，它将会被按一定速率沿着控制器松开时的方向进行推动，这就模拟了对象投掷 5、可交互对象需要碰撞体用来激活触发和一个刚体用来拾取它们并在游戏世界中四处移动它们 ControllerGrabInteractableObject: 当有效对象被抓取时发出 · ControllerUngrabInteractableObject: 当有效对象从抓取到放开时发出 4、 控制器对象也需要添加VRTK_InteractTouch脚本来决定何时可交互对象被触碰。只有有效的触碰对象才能被使用。
2.9K10发布于 2020-06-02 - 来自专栏山行AI
GPT4All——可本地布署的AI助理
本篇介绍的GPT4All项目，是开源的助手风格大型语言模型，可以在你的CPU上本地运行。 本篇主要将GPT4All的github介绍部分和GPT4All的文档部分整理在一起，方便需要的同学查看。 GPT4All网站[1] GPT4All文档[2] Discord[3] ️ 官方Langchain后端[4] GPT4All得以实现，多亏了我们的计算合作伙伴Paperspace。 GPT4All聊天客户端 GPT4All聊天客户端 GPT4All Chat Client[22]让你可以轻松地与任何本地大型语言模型进行交互。 import gpt4all gptj = gpt4all.GPT4All("ggml-gpt4all-j-v1.3-groovy") messages = [{"role": "user", "content 源代码在gpt4all/gpt4all.py GPT4All with Modal Labs 在Modal Labs[32]基础设施上可以轻松查询任何GPT4All模型。
5.9K21编辑于 2023-06-26 - 来自专栏PPV课数据科学社区
python多线程编程(4): 死锁和可重入锁
resB Thread-3 got resB Thread-3 got resA Thread-5 got resA Thread-5 got resB Thread-5 got resB Thread-4 可重入锁 更简单的死锁情况是一个线程“迭代”请求同一个资源，直接就会造成死锁： import threading import time class MyThread(threading.Thread t = MyThread() t.start() if __name__ == '__main__': test() 为了支持在同一线程中多次请求同一资源，python提供了“可重入锁 test() 执行结果： Thread-1 set num to 1 Thread-3 set num to 2 Thread-2 set num to 3 Thread-5 set num to 4 Thread-4 set num to 5
1.1K130发布于 2018-04-23 - 来自专栏我和未来有约会
建立可扩展的silverlight 应用框架 step-4
使其更加的合理和具有可扩展性。 我的目的是，在左侧的导航栏目里点击按钮，相应的右侧的主体部分显示不同的内容。这些内容都是来自外部加载进来的xap文件。我可以上传管理自己的xap文件。
89750发布于 2018-01-16 - 来自专栏计算机视觉工坊
人脸识别的可解释性
作者丨孙裕道 编辑丨极市平台 导读 人脸识别的可解释性是深度学习领域中的一个很大挑战，当前的方法通常缺乏网络比较和量化可解释结果的真相。 自然深度学习中的很重要领域人脸识别的可解释性也是一个很大的挑战，当前在这方面探索的方法有网络注意力、网络解剖或综合语言解释，然而，缺乏网络比较和量化可解释结果的真相，尤其是在人脸识别中近亲或近亲之间的差异很微妙 论文贡献 该论文的贡献可以归结为如下三点，分别如下所示 XFR baseline：作者基于五种网络注意力算法为XFR（人脸识别的可解释性）提供了baseline，并在三个用于人脸识别的公开深度卷积网络上进行了评估 模型介绍 人脸识别的可解释性(XFR) 该论文的创新点可能是从Facenet中得到一定的灵感。XFR的目的是解释人脸图像之间的匹配的内在关系。
2.9K20发布于 2020-11-11 腾讯云数字安全治理框架与4+N产品体系：构建可感知、可掌控、可增长的安全体系
构建云安全治理框架与4+N产品体系 云安全治理框架 基于“持续性对抗”“假设损失”原则，腾讯云提出1个云安全治理框架，核心包括：资产分类分级优先投入必要业务、战略对齐建立安全与业务协同流程、全员安全责任制 4+N产品体系 针对共性（等保合规、批量攻击、爬虫勒索）与行业个性安全需求，推出4道防线+N行业方案： 4道防线：数据安全（分类分级、加密脱敏）、主机安全（漏洞/病毒防护）、Web应用防火墙（防篡改防刷 方案：4道防线（云防火墙、WAF、主机安全、数据安全）+云安全中心一体化管控。 价值：满足等保合规需求，建立云上防护体系，解决批量攻击与复杂攻击问题（数据来源：案例原文）。 选择腾讯云的核心优势 技术确定性：云原生安全体系（IDC研究证实有效性）、4道防线纵深防御、AI智能化运营（检出率+3.4%）。 可量化价值：聚焦系统稳定性（如茶百道访问成功率99%）、运维成本（零信任简化客户端）、开发效率（云安全助手AI值守），以数据驱动安全ROI最大化（腾讯云安全治理框架核心原则）。
15310编辑于 2026-04-27- 来自专栏前端一会
编写可维护代码4：不轻易修改对象方法
编写可维护的代码规则第4篇。 本篇主要讲下对象的属性与方法的修改问题。由于js中修改对象的属性和方法简直容易至极，所以任何人都可以更改js中的具有可访问可修改权限的对象。
45620发布于 2019-08-29 - 来自专栏工程师看海
干货分享，强大的4开关升降压BOB电源，可升可降、能大能小
一. 4开关拓扑 4开关BOB电源全称是BUCK or BOOST升降压电源，顾名思义，既可以降压，又可以升压，兼容BUCK和BOOST电源的功能。 下图是4开关BOB电源的拓扑示意图，4个开关带一个电感，通过控制开关的导通、断开的不同状态来衍生出不同的电源架构。 二. 下图就是BOOST的结构，有S3、S4两个工作管子，有两种工作周期，1：S3闭合、S4断开，对电感L1充电，见下图蓝色曲线；2：S3断开、S4闭合，电感对负载放电，见下图绿色曲线。 同样地，也可以把S4代替为二极管，依然实现升压结构。 总而言之，4开关架构电源，通过对开关进行配置，可以自由工作在降压或者是升压的模式。 以上就是4开关电源的工作原理，你学废了吗？
5.2K21编辑于 2022-06-23 - 来自专栏编程随想曲
代码重构之引入解释性变量
意图 临时变量可以帮助你将表达式分解为比较容易管理的形式 在较长的算法中，可以运用临时变量来解释每一步运算的意义 示例 /** * 引入解释性变量之前 * Created by luo on 2017 /4/23. */ public class IntroduceExplainingVariableBefore { private String platform; private something } } private boolean wasInitialized() { return false; } } /** * 引入解释性变量之后 * Created by luo on 2017/4/23. */ public class IntroduceExplainingVariableAfter { private String
39420编辑于 2022-04-21 - 来自专栏曲奇的博客
机器学习模型的可解释性
可解释性的范围 全局可解释 这个层级的可解释性指的是，模型如何基于整个特征空间和模型结构、参数等作出决策的。什么特征是重要的，特征交互会发生什么。 模型的全局可解释性可以帮助理解，针对不同特征，目标变量的分布是什么。 局部可解释 局部可解释性更加关注单条样本或一组样本。这种情况下我们可以将模型看做是一个黑盒，不再考虑模型的复杂情况。 因此局部可解释性可能相比全局可解释，更加准确点。 1.3 可解释的模型 最简单的机器学习可解释性就是直接使用可解释模型，比如逻辑回归、线性模型、决策树。 然后使用新的可解析的特征和prediction作为label来训练新的简单模型（例如LR），然后使用简单模型的权重作为这些特征的重要性作为输出。 就是选择一个样本以及样本附近的点，然后训练一个简单模型来拟合，虽然简单模型不能在完整数据集上有效，但至少在这个点附近都是有效的，这个简单模型的特征是人类可解析的，而训练出的权重也可以表示特征重要性。
2.4K20编辑于 2021-12-14 - 来自专栏CSDN小华
机器学习模型的可解释性
机器学习模型的可解释性 机器学习模型的可解释性是指人类能够理解并理解决策原因的程度，这在业务应用中尤为重要。高可解释性的模型不仅有助于开发人员在建模阶段理解模型，还能在必要时进行优化调整。 可解释性的重要性体现在多个方面： 辅助决策：可解释性使人们更容易理解为什么模型做出了某些决定或预测，从而提高对模型的信任度和接受度。 最新的机器学习模型可解释性技术和方法有哪些？ 最新的机器学习模型可解释性技术和方法主要包括以下几种： 局部可解释性工具：这类工具旨在解释模型在特定输入上的行为。 解释性工具的应用：利用各种解释性工具和技术，如局部可解释模型不可解释性（LIME）、集成梯度（IG）等，帮助理解模型的预测过程和结果。 近年来，学术界已经开发出许多可解释性工具和方法，如局部可解释性、规则可解释性和概念可解释性等。未来，这些工具和方法将不断完善，并在实际应用中得到更广泛的应用。
82610编辑于 2024-10-16 - 来自专栏腾讯云TI平台
【技术分享】机器学习模型可解释性
对于模型按预期工作的关键利益相关者而言，这应该是可证明且易于理解的。这确保了模型的透明度。 PDP分析步骤如下： 训练一个Xgboost模型（假设F1 … F4是我们的特征，Y是目标变量，假设F1是最重要的特征）。 我们有兴趣探索Y和F1的直接关系。 在他的论文中，他还讨论了PD图的局限性，并提供了有关如何为大数据生成可缩放图的建议。 然后使用新的可解析的特征和prediction作为label来训练新的简单模型（例如LR），然后使用简单模型的权重作为这些特征的重要性作为输出。 Step4：根据以上两步生成的attentionweight，生成context vector。Ci表示病人第i次visit。 Step5：根据Context Vector生成预测结果。
4.3K54编辑于 2021-12-22 - 来自专栏大数据文摘
6个机器学习可解释性框架！
可解释性旨在帮助人们理解： 如何学习的? 学到了什么? 针对一个特定输入为什么会做出如此决策? 决策是否可靠? with condaconda install -c conda-forge shapbr 使用Shap库构建瀑布图 使用Shap库构建Beeswarm图 使用Shap库构建部分依赖图 LIME 在可解释性领域 与外形/石灰解释性有关。它可以使用SHAP/Lime作为后端，也就是说它只提供了更好看的图表。 InterpretML展示了两种类型的可解释性：glassbox模型——为可解释性设计的机器学习模型（如：线性模型、规则列表、广义可加模型）和黑箱可解释性技术——用于解释现有系统（如：部分依赖，LIME 使用统一的API并封装多种方法，拥有内置的、可扩展的可视化平台，该包使研究人员能够轻松地比较可解释性算法。
2.6K40编辑于 2022-10-10 - 来自专栏全栈程序员必看
iphone4装android,iPhone4可安装Android实现双系统启动.pdf
iPhone 4 可安装 Android 实现双系统启动iPhone 4 可安装 Android 实现双系统启动 苹果的 iOS 以其封闭性而著称 相比 Android 这种开放性系统 iOS 很难移植到其他设备上 需要注意的是 Bootlace 2 1 仅仅适用于以下版本的 iOS 1 iPhone 2G 上的 iOS 3 1 2 和 3 1 3 2 iPhone 3G 上的 iOS 3 1 2 3 1 3 4 0 4 0 1 4 0 2 和 4 1 其次 Bootlace 2 1 支持的越狱工具有 PwnageTool Redsn0w Blackra1n 如果你满足以上的条件 那么就可以使用下面的方法进行安装 今天下载最新的iPhoDroid R13j 3G 成功 运行正常 拿来跟大家分享一下 有的图借的两位前辈的 望海量 最后是自己机器安装成功后的展示图 本人机型iPhone 3g 有锁版 系统是大神伪 4 与电脑连接 iphone重启中 会短暂进入DFU模式 不要着急 稍微等会 然后进入下面界面 按 下音量键 选中左下角的install选定 按home键确认 然后又是等待 安装正在进行中 意大利大神的伪 4
1.6K30编辑于 2022-09-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号