- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
教师教学质量分析评价系统 A教育大模型
本文提出一种基于YOLOv12目标检测、RNN时序分析与情感计算的教师教学质量分析评价系统，通过“多模态感知-时序行为研判-情感-行为关联评价”机制，实现对课堂学生行为（玩手机、举手、睡觉等6类）、表情 人教室（检测距离3-8米），集成偏振滤镜（抑制黑板反光）、自动白平衡（适应不同光照）； 环境补偿模块：搭载光照传感器（量程0-100000lux）、声音传感器（检测课堂噪音＞70dB），动态调整相机曝光参数 ：融合表情识别结果（如“厌恶”表情持续＞5秒）与行为数据（如“趴桌子”频率），通过逻辑回归评估学生对课堂内容的情绪接受度（积极/中性/消极）。 四、系统工作流程与核心优势 （一）全流程闭环评价机制 实时监测：相机每33ms采集一帧图像，边缘节点并行执行YOLOv12检测、LSTM专注度评估、情感-行为关联分析； 动态反馈：每5分钟生成一次课堂简报 教师教学质量分析评价系统基于YOLOv12+RNN的深度学习算法，教师教学质量分析评价系统精准地检测到学生是否在玩手机、举手、睡觉、交头接耳、趴桌子、行走运动等行为。
54910编辑于 2025-12-31 大模型、小模型、参数量
## 几个概念总参数量 = 词嵌入层参数 + 解码器层参数小模型 就是在参数量上显著小于LLM的模型所有参数 都放在 safttensors 模型文件 中预训练 就是为了 生成合理的 参数值后训练 也是为了 生成合理的 参数值蒸馏、微调、强化学习，都是后训练大模型变成小模型采用"蒸馏+量化+剪枝"的组合策略 一、大模型 GPT-3 参数量详解大模型的参数量是指神经网络中所有可训练权重和偏置的总数，这些参数决定了模型的学习能力和表达能力 模型总参数量（参考）若词嵌入层与输出层共享权重（主流方案）：总参数量 = 词嵌入层参数 + 32层解码器参数=65,660,928+2,684,354,560=2,750,015,488≈27.5 亿= 三、大模型、小模型参数差距的本质大模型的参数量，本质上是用 dmodel2d_{model}^2dmodel2 的代价，换取高维语义空间的表达能力。 层数减半，参数减半。FFN 扩张因子4 (标准)4 (标准) 或更小 (如 SwiGLU 变体)影响常数倍。词表大小5万~10万+3万~5万线性影响，占比不大。
55021编辑于 2026-01-04- 来自专栏啄木鸟软件测试
由人工智能参数讨论基于Bug的软件测试质量分析
上文和大家一起讨论了人工智能样本的评价参数：准确度、精准度、召回率和F1分数。这篇文章，我们结合这些参数来讨论基于Bug的软件测试质量分析。 软件测试质量分析是软件测试工作中非常重要的管理工作，其实在没有了解准确度、精准度、召回率这些概念之前，我们其实已经多多少少使用了这些概念。 接下来我们将缺陷乘以严重等级（严重×5，一般×3 轻微×1），就可以获得混淆矩阵。 上表中客户发现的有效缺陷中严重10中2个是事后发现的；一般24中5个是事后发现的；轻微46中15个是事后发现的。 表5为测试机器人发现的缺陷数据。
99710发布于 2020-06-17 - 来自专栏全栈程序员必看
sklearn输出模型参数_rfm模型算法
总第105篇 最近会开始一个新的系列，sklearn库中各模型的参数解释，本篇主要讲述最基础的LR模型。 模型参数详解 逻辑回归： sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, class_weight:class_weight是很重要的一个参数，是用来调节正负样本比例的，默认是值为None，也就是正负样本的权重是一样的，你可以以dict的形式给模型传入任意你认为合适的权重比， 比如，有一数据集的正负样本绝对数量比为4:6,如果你给参数class_weight赋予balanced值，那么最后模型结果中，正负样本的权重比就会变成6:4。 set_params(**params):为估计器设置参数 你还可以看： 逻辑斯蒂回归模型 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
1K10编辑于 2022-11-04 - 来自专栏张俊红
Sklearn参数详解—LR模型
总第105篇 最近会开始一个新的系列，sklearn库中各模型的参数解释，本篇主要讲述最基础的LR模型。 模型参数详解 逻辑回归： sklearn.linear_model.LogisticRegression(penalty='l2', dual=False, tol=0.0001, class_weight:class_weight是很重要的一个参数，是用来调节正负样本比例的，默认是值为None，也就是正负样本的权重是一样的，你可以以dict的形式给模型传入任意你认为合适的权重比， 比如，有一数据集的正负样本绝对数量比为4:6,如果你给参数class_weight赋予balanced值，那么最后模型结果中，正负样本的权重比就会变成6:4。 模型对象 coef_:返回各特征的系数,绝对值大小可以理解成特征重要性 intercept_:返回模型的截距 n_iter_:模型迭代次数 模型方法 decision_function(X):返回决策函数值
7.8K60发布于 2018-06-11 - 来自专栏深度学习自然语言处理
GLoRA—高效微调模型参数！
这些高度复杂的模型，通常具有数百万甚至数十亿个参数，在计算机视觉、自然语言理解和语音识别等领域表现出了卓越的能力。 本文提出了广义LoRA(GLoRA)，一种通用参数高效微调任务的先进方法。 RepAdapter：RepAdapter将轻量级网络插入到预先训练的模型中，并且在训练后，额外的参数将被重新参数化为附近的投影权重。 它们之间的区别仅在于搜索空间中的LoRA维度，该维度在最大模型中为8和4，在中间模型中为4和2，在最小模型中为2。本文方法中增加的参数灵活性允许在最终模型中进行用户定义的可训练参数计数。 将最先进的参数有效迁移学习提高了2.9%，即使是最小的模型也大大优于所有现有方法。 总结 本文提出了GLoRA，这是一种广义参数高效的微调方法，它成功地证明了增强大规模预训练模型的微调和迁移学习能力的有效性。
85710编辑于 2023-08-22 - 来自专栏自动化、性能测试
FastAPI（5）- 查询参数 Query Parameters
什么是查询参数？ http://127.0.0.1:8000/get?name=xxx&age=18 http://127.0.0.1:8000/get? 后面跟着的一组或多组键值对，就是查询参数 FastAPI 的查询参数 当声明了不属于路径参数以外的其他函数参数时， FastAPI 会自动解析为查询参数 和路径参数不同，查询参数可以是可选非必填的，也可以具有默认值 路径参数+请求参数的栗子 from fastapi import FastAPI import uvicorn app = FastAPI() # 路径参数+请求参数 @app.get("/items +可选参数的栗子 from typing import Optional # 必传参数+可选参数 @app.get("/items") async def read_item(item_id: str ，因为查询参数都是字符串 所以 ["广州","深圳"] 其实是一个字符串 str，并不是 List[str]，那要怎么才能传数组呢？
1.7K40发布于 2021-09-26 - 来自专栏桑先生的专栏
Thinkphp5 分页传递参数
关于TP的paginate用法如下: 1.在只需要参数的前提下直接paginate即可. >assign('dataList', $dataList); return $this->fetch('search'); 每页显示十条数据.简单粗暴我喜欢. 2.在需要携带参数的情况下 .看下paginate的相关参数 手册地址贴上: https://www.kancloud.cn/manual/thinkphp5/154294 paginate用到三个参数， 第一个参数表示每页有多少数据 第二个参数表示的是简洁分页，如果为true，那么分页的就是只有上一页和下一页 第三个参数是一个数组,也就是我们想要携带的参数 这里面直接使用了助手参数 request()->param() $dataList
1.1K20发布于 2019-12-17 - 来自专栏OpenCV与AI深度学习
小模型也可以「分割一切」，Meta改进SAM，参数仅为原版5%
尽管有上述优点，但由于 SAM 中的 ViT-H 图像编码器有 632M 个参数（基于提示的解码器只需要 387M 个参数），因此实际使用 SAM 执行任何分割任务的计算和内存成本都很高，这对实时应用来说具有挑战性 论文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 参数减少了 20 倍，但运行时间快了 20 倍，只与原始 SAM 模型的差距在 2 个百分点以内，大大优于 MobileSAM 表 5 展示了零样本实例分割的 AP、APS、APM 和 APL。 而且，EfficientSAM 比 FastSAM 轻得多，efficientSAM-Ti 的参数为 9.8M，而 FastSAM 的参数为 68M。 图 3、4、5 提供了一些定性结果，以便读者对 EfficientSAMs 的实例分割能力有一个补充性了解。 更多研究细节，可参考原论文。 本文仅做学术分享，如有侵权，请联系删文。 —THE END—
1.3K10编辑于 2023-12-13 - 来自专栏贾志刚-OpenCV学堂
小模型也可以「分割一切」，Meta改进SAM，参数仅为原版5%
尽管有上述优点，但由于 SAM 中的 ViT-H 图像编码器有 632M 个参数（基于提示的解码器只需要 387M 个参数），因此实际使用 SAM 执行任何分割任务的计算和内存成本都很高，这对实时应用来说具有挑战性 论文作者 Yunyang Xiong 表示：本文提出的 EfficientSAM 参数减少了 20 倍，但运行时间快了 20 倍，只与原始 SAM 模型的差距在 2 个百分点以内，大大优于 MobileSAM 表 5 展示了零样本实例分割的 AP、APS、APM 和 APL。 而且，EfficientSAM 比 FastSAM 轻得多，efficientSAM-Ti 的参数为 9.8M，而 FastSAM 的参数为 68M。 图 3、4、5 提供了一些定性结果，以便读者对 EfficientSAMs 的实例分割能力有一个补充性了解。 更多研究细节，可参考原论文。
1.2K10编辑于 2023-12-11 - 来自专栏区块链入门
【DevOps实践】5. Jenkins流水线集成SonarQube做代码质量分析
(4) SonarQube集成golang检测 https://blog.csdn.net/baidu_36943075/article/details/90634160 (5)使用Jenkins流水线集成 SonarQube做代码质量分析 https://blog.csdn.net/nklinsirui/article/details/90518618 (6)GO项目配置 https://docs.sonarqube.org
9.7K21发布于 2021-03-22 - 来自专栏自然语言处理
大模型生成解码参数速查
控制输出长度的参数 控制所使用的生成策略的参数 用于操作模型输出 logits 的参数 定义“generate”输出变量的参数 可以在生成时使用的特殊字符
24610编辑于 2024-01-09 - 来自专栏技术分享
ChatGPT模型请求参数学习
请求响应参数详情： 如果刚开始进行开发， 只用对必须携带的参数进行测试， 等项目熟练了之后再将所有的参数都进行测 查看可用的请求正文 ： curl https://api.openai.com/v1 top_logprobs (integer or null，可选)：在0到5之间的整数，指定在每个令牌位置返回最可能的令牌数量，每个令牌都有一个相关的对数概率。 与GPT-4 Turbo和所有GPT-3.5 Turbo模型兼容。 type 是一个可选的字符串参数，默认值为 text。 如果省略parameters，则定义了一个参数列表为空的函数。 tool_choice (string or object，可选)：控制模型调用的函数（如果有）。 通过创建问答模型的问答请求对象， 然后将上述的Message内容 和 需要的一些其他参数传递进去。
1K10编辑于 2024-05-31 - 来自专栏机器之心
谷歌视觉语言模型PaLI-3问世，参数仅5B，更小、更快、更强
机器之心报道 编辑：杜伟、陈萍 在多模态（视觉语言）大模型领域，拼参数赢性能的同时，追求参数更小、速度更快、性能更强是另一条研究路径。 作为一个多模态大模型，PaLI 的关键结构之一是复用大型单模态基干进行语言和视觉建模，在语言方面复用 13B 参数的 mT5-XXL，在视觉方面复用 2B 参数的 ViT-G 和 4B 参数的 ViT-e 通过一个仅有 5B 参数的预训练基线模型，他们优化了训练方法，并在多个 VLM 基准上实现了有竞争力以及新的 SOTA 结果。 论文地址：https://arxiv.org/pdf/2310.09199.pdf 下图为 5B PaLI-3 模型概览，其中通过对比预训练的 2B SigLIP 视觉模型，图像被单独地编码成了视觉 token 除了 5B PaLI-3 模型之外，研究者还利用最近提出的 SigLIP 方法，构建了一个参数扩展到 2B 的 SOTA 多语言对比视觉模型。
88530编辑于 2023-10-24 - 来自专栏自然语言处理
模型融合与超参数优化
3、对五个模型，分别进行步骤2，我们将获得5个模型，以及五个模型分别通过交叉验证获得的训练集预测结果。即P1、P2、P3、P4、P5。 4、用五个模型分别对测试集进行预测，得到测试集的预测结果：T1、T2、T3、T4、T5。 5、将P15、T15作为下一层的训练集和测试集。在图中分别作为了模型6的训练集和测试集。 超参数优化 推荐两个工具：Optuna和BayesianOptimization 推荐1：Optuna import numpy as np import optuna import lightgbm stratified=True, verbose_eval =200, metrics=['auc']) return max(cv_result['auc-mean']) # 第二步：设置超参数搜索范围 random_state=0) # 第三步：设置优化目标 # lgbBO.maximize(init_points=init_round, n_iter=opt_round) # 第四步：获取最优参数
1.1K10发布于 2021-11-24 - 来自专栏数据科学（冷冻工厂）
Python 模型超参数调优
超参数 在机器学习的上下文中，超参数[1]是在开始学习过程之前设置的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。 超参数的一些示例： 树的数量或树的深度 矩阵分解中潜在因素的数量 学习率（多种模式） 深层神经网络隐藏层数 k均值聚类中的簇数 超参数的调整，对于提升模型的相关性能有一定的作用。 3. 书 封面 超参数是构建有用的机器学习模型的重要元素。本书为 Python 超参数调整方法[2]（机器学习最流行的编码语言之一）。 深入了解 Scikit、Hyperopt、Optuna、NNI 和 DEAP 等顶级框架 掌握可立即应用于机器学习模型的最佳实践 实战 目前该书籍的Github仓库已有70Star，正在持续增长。 参考资料 [1] 超参数: https://baike.baidu.com/item/%E8%B6%85%E5%8F%82%E6%95%B0/3101858 [2] 书: https://www.packtpub.com
62530编辑于 2023-02-27 - 来自专栏机器学习与生成对抗网络
PaLI-3：5B参数视觉语言模型，110体量达到SOTA！谷歌发布
而PaLI-3仅拥有5B的参数量，在定位和文本理解等任务中表现出色，刷新了多个SOTA。 论文地址：https://arxiv.org/abs/2310.09199? ref=emergentmind 该模型利用VIT-G14作为图像编码器，拥有2B参数的多模态对比视觉模型。 Google AI的PaLI-3提供了一种紧凑而强大的替代方案，以其强大的性能和1/10的参数与其他模型正面硬刚，有希望彻底改变视觉语言的发展。 具有20亿参数量多语言对比模型占据了人工智能的中心舞台，在需要空间注意力和视觉文本对齐方面，该模型证明了对比预训练模型的主导地位。 解剖PaLI-3 那么，PaLI-3的内部结构是什么样的呢？ 进而，将视觉和文本的特征合并起来，输入到30亿参数的UL2编码-解码器语言模型中，以实现精确的文本生成，或用于特征任务的查询提升，例如视觉问答（VQA）。
84820编辑于 2023-11-03 - 来自专栏全栈程序员必看
前端参数用MD5加密
今天来讲一下如何用这个MD5来加密 第一步： 两种导入MD5.js 一种你可以到以下这个地址去引入MD5的js路径：https://www.bootcdn.cn/blueimp-md5/ 另一种下面是 core_md5(str2binl(s), s.length * chrsz));} function b64_md5(s){ return binl2b64(core_md5(str2binl(s), function b64_hmac_md5(key, data) { return binl2b64(core_hmac_md5(key, data)); } function calcMD5(s){ ); a = md5_gg(a, b, c, d, x[i+ 5], 5 , -701558691); d = md5_gg(d, a, b, c, x[i+10], 9 , 38016083 ); for(var i = 0; i < 16; i++) { ipad[i] = bkey[i] ^ 0x36363636; opad[i] = bkey[i] ^ 0x5C5C5C5C
2.5K50编辑于 2022-09-14 - 来自专栏网优小兵玩Python
5G-NSA组网参数配置
锚点站基线参数配置 PCC频点配置 ADD PCCFREQCFG: PccDlEarfcn=1300,PreferredPccPriority=1, PccA4RsrpThd=-105, PccA4RsrqThd X2SONSETUPSWITCH=ON,X2SONLINKSETUPTYPE=X2_OVER_S1,INTERFACESETUPPOLICYSW=LTE_NR_X2_SON_SETUP_SW-1; 锚点站优先占用参数配置 锚点和非锚点5G频点添加 ADDNRSCGFREQCONFIG:PCCDLEARFCN=1300,SCGDLARFCN=509004,SCGDLARFCNPRIORITY=7; ? ADDUEINFO:UECAPINDEX=16,ACCESSSTRATUMRELEASE=5; ADDUEINFO:UECAPINDEX=17,ACCESSSTRATUMRELEASE=7; ? 锚点小区参数修改 MODNSADCMGMTCONFIG:LOCALCELLID=131,NSADCALGOSWITCH=NSA_DC_CAPABILITY_SWITCH-1&NSA_PCC_ANCHORING_SWITCH
5.8K42发布于 2019-12-16 Python函数参数传递完全指南 - 掌握5种参数传递方式
来源http://cctv5.hlkjfj.com http://tv3.hlkjfj.com http://tv2.hlkjfj.com http://tv1.hlkjfj.com http return totalprint(sum_numbers(1, 2, 3)) # 输出: 6print(sum_numbers(4, 5, 6, 7)) # 输出: 22**kwargs }, c={c}") print(f"args: {args}") print(f"kwargs: {kwargs}")complex_function(1, 4, 5, 6, c=7, d 不可变对象数字、字符串、元组等不可变对象在函数内修改会创建新对象def modify_number(x): x = x + 10 print("函数内:", x)num = 5modify_number (num)print("函数外:", num) # 输出: 5 (未改变)可变对象列表、字典等可变对象在函数内修改会影响原始对象def modify_list(lst): lst.append(
94610编辑于 2025-08-08
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