- 综合排序
- 最热优先
- 最新优先
- 来自专栏学习笔记持续记录中...
处理模型数据（7）
Spring MVC提供了以下几种途径输出模型数据： ModelAndView 控制器处理方法的返回值是ModelAndView，则其既包含视图信息，也包含模型数据信息 // success.jsp 返回的目标页面 ; return modelAndView; } } Map&Model Spring MVC 在内部使用了一个org.springframework.ui.Model接口存储模型数据 ，具体步骤： 1）SpringMVC在调用方法前会创建一个隐含的数据模型，作为模型数据的存储容器， 成为”隐含模型” 2）如果方法的入参类型为Map或Model，会将隐含模型的引用传递给这些入参。 3）在方法体内，可以通过这个入参对象访问到模型中的所有数据，也可以向模型中添加新的属性数据 Spring Web MVC 提供Model、Map或ModelMap让我们能去暴露渲染视图需要的模型数据。 @SessionAttributes 除了可以通过属性名指定需要放到会话中的属性处，还可以通过模型属性的对象类型指定哪些模型属性需要放到会话中 @SessionAttributes(types=User.class
52600发布于 2020-03-18 - 来自专栏机器学习算法与Python学习
Torch7模型训练
Torch7搭建卷积神经网络详细教程已经详细的介绍啦Module模块，这里再次基础上再给出一些上Container、 Transfer Functions Layers和 Simple Layers模块的理解 并在后面给出一些简单的模型训练方法。下述程序在itorch qtconsole下运行。 上一篇博文讲到Module主要有四个函数(详细见Torch7搭建卷积神经网络详细教程)，但是注意以下几点：forward函数的input必须和backward的函数的input一致，否则梯度更新会有问题 上述函数的具体使用方法可以看Torch7的官方API以及帮助文档。接下来仅介绍一些模型训练所需要的关键函数。 将image包导入当前运行环境，随机生成一张1通道32x32的彩色图像，如下 ?
1K130发布于 2018-04-08 - 来自专栏python3
django-7-django模型系统
<<<常用的模型字段类型>>> https://docs.djangoproject.com/en/2.1/ref/models/fields/#field-types InterField CharFiled 2.1/ref/models/fields/#field-options primary_key auto_dreated unique指定是否为唯一 auto_now <<<常用查询>>> 通过模型类上的管理器来构造 模型类上的管理器(class.objects) queryset （惰性，，没有操作数据库）表示数据库中对象的集合，等同于select 语句 query 获取mysql 语句 first()
1.2K10发布于 2020-01-17 - 来自专栏科技记者
第7章 模型评估 笔记
7.2 k折交叉验证模型性能 这个方法可以解决过度适应的问题， library(modeldata) library(e1071) data(mlc_churn) churnTrain <- mlc_churn 7.5 caret包对变量重要程度排序 得到监督学习模型后，可以改变输入值，比较给定模型输出效果的变化敏感程度来评估不同特征对模型的重要性。 ='churn'][,-c(5,6,7)], trainset[,'churn'],sizes = c(1:18), rfeControl = ldaControl) 通常会基于曲线下面积AUC来衡量模型的分类性能。 install.packages("ROCR") library(ROCR) svmfit <- svm(churn~. 7.13 caret包比较模型性能差异 # 模型重采样 cv.values <- resamples(list(glm=glm.model, svm=svm.model, rpart = rpart.model
1K20编辑于 2022-03-04 - 来自专栏黑泽君的专栏
7层OSI网络模型概述
7层OSI网络模型 7层OSI网络模型概述： 7.应用层： 主要是一些终端的应用，比如说FTP(各种文件下载)、WEB(IE浏览)、QQ之类的(可以把它理解成我们在电脑屏幕上可以看到的东西 网络参考模型图 ? 网络模型举例 ?
53820发布于 2018-10-11 - 来自专栏数据派THU
详解：7大经典回归模型
来源：csdn 深度学习爱好者本文约2900字，建议阅读5分钟本文给大家介绍机器学习建模中7大经典的回归分析模型。 什么是回归分析？ 7.如果因变量是多类的话，则称它为多元逻辑回归。 3. Polynomial Regression多项式回归 对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。 7. ElasticNet回归 ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。 除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。 如何正确选择回归模型？ 当你只知道一个或两个技术时，生活往往很简单。 这个主要是通过将模型与所有可能的子模型进行对比（或谨慎选择他们），检查在你的模型中可能出现的偏差。 3.交叉验证是评估预测模型最好额方法。在这里，将你的数据集分成两份（一份做训练和一份做验证）。
1.7K41编辑于 2023-04-18 - 来自专栏CSDN社区搬运
试试号称最好的7B模型
概述 Mistral 7B 是一个新型的具有 7.3 万亿参数的大语言模型。其性能甚至优于13万亿参数的 Liama2。 Mistral 7B 在所有测试基准中都优于之前最佳的 13B 模型（Llama 2），并在数学和代码生成方面超越了最佳的 34B 模型（LLaMa 34B）。 此外，SWA 旨在以较低的计算成本更有效地处理更长的序列，从而缓解了LLM（大型语言模型）的常见限制。这些注意力机制共同促进了 Mistral 7B 的增强性能和效率。 模型论文可见Mistral 7B。 论文原理 Mistral 7B 基于 transformer 架构，下图将展示该架构的主要参数。 推理 在此处下载模型，解压到 7b-v0.1-hf/1。 运行 infer.py，输入你想使用的prompt,即可得到模型的回复。推理部分可在 Windows 下进行，速度稍慢些但可以正常走完。
81110编辑于 2024-12-07 构建可靠AI模型的7项技术
在AI模型训练中，数据集是现实世界的代理。模型在一个数据集上训练，在另一个数据集上测试，如果结果相似，则预期模型功能可迁移到运行环境中。在实验室中有效的方法应在现实世界中持续有效，但能持续多久？ 部署和管理AI的人员必须权衡：不断变化的现实世界数据如何导致模型准确性随时间下降。在“模型漂移”现象中，AI工具的预测准确性随着影响模型的基础变量发生变化而降低。曾经可信的信号和数据源可能变得不可靠。 一个平均性能良好的模型仍可能偶尔产生具有重大后果的输出，从而损害可靠性。如果一个AI工具80%的时间是准确的，它是一个可信赖的模型吗？ 当模型输出或预测偏离预期时，将数据编目以供分析和调查。此类分析中常用的数据类型包括：事件时间（模型偏离前的时间）、退化数据（关于模型如何退化的信息）以及重复事件数据（发生多次的错误）。 检查模型鲁棒性和准确性的频率应取决于模型的优先级以及模型更新的频率。高风险、频繁更新的模型最好每天检查一次（由人工验证输出）。
11910编辑于 2026-05-07- 来自专栏红色石头的机器学习之路
你应该掌握的 7 种回归模型！
而了解更多的学者会知道它们是所有回归模型的主要两种形式。 事实是有很多种回归形式，每种回归都有其特定的适用场合。在这篇文章中，我将以简单的形式介绍 7 中最常见的回归模型。 7) 弹性回归（ElasticNet Regression） 弹性回归是岭回归和套索回归的混合技术，它同时使用 L2 和 L1 正则化。当有多个相关的特征时，弹性网络是有用的。 除了这 7 种最常用的回归技术之外，你还可以看看其它模型，如 Bayesian、Ecological 和 Robust 回归。 4. 如何选择合适的回归模型？ 通过将模型与所有可能的子模型进行对比（或小心地选择他们），检查模型可能的偏差。 交叉验证是评价预测模型的最佳方法。你可以将数据集分成两组（训练集和验证集）。 在本文中，我讨论了 7 种类型的回归方法和与每种回归的关键知识点。作为这个行业中的新手，我建议您学习这些技术，并在实际应用中实现这些模型。
2.6K20发布于 2019-05-25 - 来自专栏GiantPandaCV
YOLOv7-Pose尝鲜，基于YOLOv7的关键点模型测评
pose 上个星期，YOLOv7的作者也放出了关于人体关键点检测的模型，该模型基于YOLOv7-w6， 目前作者提供了.pt文件和推理测试的脚本，有兴趣的童靴可以去看看，本文的重点更偏向于对yolov7 【yolov7-pose + onnxruntime】 首先下载好官方的预训练模型，使用提供的脚本进行推理： % weigths = torch.load('weights/yolov7-w6-pose.pt python pose.py 一、yolov7-w6 VS yolov7-w6-pose： 首先看下yolov7-w6使用的检测头 f 表示一共有四组不同尺度的检测头，分别为15×15,30 nkpt表示人体的17个关键点 no=17*3=nkpt*(x+y+obj)=57 二、修改export脚本 如果直接使用export脚本进行onnx的抽取一定报错，在上一节我们已经看到pose.pt模型使用的检测头为 所得到的onnx相比原半精度模型大了将近三倍，后续排查原因 yolov7-w6-pose极度吃显存，推理一张960×960的图像，需要2-4G的显存，训练更难以想象
3.5K10编辑于 2022-09-28 使用易语言部署yolov7-onnx模型
YOLOv7在其前身的基础上，通过引入新的架构和训练策略，进一步优化了模型的性能。 核心特性 YOLOv7具备以下主要特性： 实时性能 YOLOv7继承并增强了YOLO系列算法的实时处理能力，它通过优化的模型架构和算法，可以在保持高帧率的同时进行准确的目标检测。 准确性提升 相比之前的版本，YOLOv7在多个公开的标准数据集上展现出更高的检测准确率，这要归功于其改进的模型结构和训练技巧。 训练策略改进 YOLOv7中使用了新的训练策略，如自适应标签平滑、数据增强、自动学习速率调整等，这些都有助于提高模型的鲁棒性和泛化能力。 (推理结果) YOLO7_释放资源 () 【视频演示】 使用易语言部署yolov7-onnx模型_哔哩哔哩_bilibili测试环境：e5.93opencv4.7.0, 视频播放量 8、弹幕量 0
52210编辑于 2025-07-17- 来自专栏王的机器
信用风险建模 in Python 系列 7 - ASRF 模型
信用组合可视化 信用风险 101 独立模型 - 伯努利模型 独立模型 - 泊松模型 混合模型 - 概述 阈值模型 - 概述 阈值模型 - 校正 简介：渐进单风险因子 (asymptotic single risk-factor, ASRF) 模型是 Gordy 在 2002 年提出来的，它是一个监管模型 (regulatory model)。 本贴就从 Vasicek 1991 提出的高斯阈值模型开始，加上若干假设条件推导出 ASRF 模型下损失率的 CDF 和 PDF，给出 Python 代码实现，最后对比 ASRF 解析解和一般高斯阈值模型蒙特卡洛数值解
1.7K20发布于 2020-09-08 - 来自专栏GiantPandaCV
星辰AI大模型TeleChat-7B评测
前言 受中电信 AI 科技有限公司的邀请，为他们近期开源的TeleChat-7B大模型做一个评测。 本篇文章主要来体验一下这个模型，测试一下笔者比较关心的文学创作以及代码生成方面的效果。 0x1. TeleChat-7B开源亮点 TeleChat-7B最大的亮点在于其开源的全面性。 最后，我们可以从TeleChat-7B开源项目在文创方面展示的例子看到它具有不错的文创能力和一定的代码能力，可以作为开发者来使用的一个不错的基础大模型。 总结 总的来说，TeleChat-7B具有一定的文创能力和代码能力，对于本次测试的大多数prompt可以生成较为合理的答案。但模型本身也存在大模型幻觉，指令跟随能力一般以及回答有概率重复的问题。 此外，TeleChat-7B在开源方面是相当有诚意的，将清洗之后的训练数据进行开源是在之前的大模型开源中比较难见到的，如果想了解更多的数据清洗细节以及模型训练的细节可以阅读官方放出的技术报告：https
70120编辑于 2024-02-22 大模型下半场：7个趋势判断
推理模型能力的持续提升，推动大模型迎来“可用”到“好用”的拐点。推理强化和应用拓展启动了大模型下半场的新赛程。个人智能体潜力初步显现，行业应用渐次走深，开源开放日益成为大模型的核心竞争力组成。 但这并未颠覆大模型需要大算力的底层逻辑，实际上，该模型单次训练成本相当于国外同类模型成本的八分之一左右，尚未有数量级的差别，其意义是以更集约化的方式复现已有模型效果的工程创新。 虽然去年以来，我国AI高端芯片企业数量和能力均有提升，华为、燧原科技、摩尔线程、海光、壁仞等多家企业已设计出对标英伟达A100单卡性能的国产芯片，但由于台积电暂停7nm产能供应及HBM禁令等限制，国产高端芯片的制造仍面临挑战 受DeepSeek效应刺激，国内外大模型公司正加速推出下一代大模型，如OpenAI的基础大模型GPT-4.5，推理模型o3；Anthropic整合了深度思考和快速输出的混合推理模型Claude 3.7； 如，混元文生图模型是业内首个中文原生的DiT架构文生图开源模型；文生视频大模型是当前最大的视频开源模型，且全面开源，包含模型权重、推理代码、模型算法等完整模型。
62620编辑于 2025-04-02- 来自专栏机器之心
7 Papers & Radios | LeCun世界模型首次尝试；Meta开源文本音乐生成模型
机器之心 & ArXiv Weekly 参与：楚航、罗若天、梅洪源 本周重要论文包括图灵奖得主 Yann LeCun 世界模型的首项研究，以及 Meta 开源的文本生成音乐模型 MusicGen。 图灵奖得主 Yann LeCun 曾提出自监督 + 世界模型的解决方案，如今终于有了第一个实实在在的视觉模型 ——I-JEPA。 研究者在下表 3 中提供了开源指令模型的整体概述。 推荐：四年了，基础开源模型没有真正进步，指令调优大模型评估惊人发现。 (from Timothy Baldwin) 7. Modality Adaption or Regularization? (from Alan Yuille) 7.
41540编辑于 2023-08-07 - 来自专栏机器学习之禅
7 | PyTorch构建模型、损失函数、广播机制
前面都在学一些PyTorch的基本操作，从这一节开始，真正进入到模型训练的环节了。原作者很贴心的一步步教我们实现训练步骤，并且还从一个最简单的例子出发，讲了优化方案。 在构建训练的时候，我们需要先预设一个模型，假定通过这个模型能够得到我们想要的结果。 把训练集数据输入到模型里面（称为forward前向传播），然后观察模型输出的结果跟我们预先已知的结果（称为ground truth）进行对比，得到预测结果和实际结果的差距（称为loss），然后分析如何改变我们的模型权重 再说到下面的一小撮验证集，这些数据也用模型去进行运算，但是对它们的运算结果并不进行反向传播，从而不会影响模型的训练，只是用来检测模型在未知数据上的效果，这里就会有过拟合和欠拟合的概念。 不过关于自动化的进行运算和模型优化我们先留到下次介绍，这里先来理解一下广播机制。
69130编辑于 2022-07-11 - 来自专栏磐创AI技术团队的专栏
7种监测大型语言模型行为的方法
如果您正在寻找更多监控内容的示例，这里有三篇论文，它们为本文的撰写提供了灵感：语言模型的整体评估，ChatLog：记录和分析ChatGPT跨时间，以及超越准确性：使用CheckList对NLP模型进行行为测试 大多数指标将借助外部库来计算，比如rouge、textstat和huggingface模型，其中大部分都封装在LangKit库中，LangKit是一个用于监测语言模型的开源文本度量工具包。 这种方法基于以下论文：ChatLog：记录和分析ChatGPT跨时间 性别偏见 社会偏见是公平和负责任的AI讨论的中心话题[2],[7]，它可以被定义为“语言选择的系统性不对称性”[8]。 语义相似性 要考虑的另一个重要方面是模型提供的无关或离题回应的程度，以及随时间的推移如何演变。这将帮助我们验证模型输出与预期上下文的密切程度。 结论 由于具备多样的能力，跟踪大型语言模型的行为可以是一项复杂的任务。在本博客文章中，我们使用了一组固定的提示来评估模型的行为随时间的变化。
70010编辑于 2024-03-12 - 来自专栏机器之心
7 Papers & Radios | 扩散模型只用文字PS照片；MIT泊松流生成模型击败扩散模型
机器之心 & ArXiv Weekly Radiostation 参与：杜伟、楚航、罗若天 本周重要论文包括只用文字就能 PS 照片的扩散模型以及 MIT 击败扩散模型的泊松流生成模型。 MIT 泊松流生成模型击败扩散模型，兼顾质量与速度。 (from Gerhard Weikum) 7. (from Pascal Fua) 7. Two-level Data Augmentation for Calibrated Multi-view Detection. (from Torsten Hothorn) 7.
64510编辑于 2022-12-15 - 来自专栏大模型应用
大模型应用：大模型参数调优：结合本地模型对比多种组合探索差异.7
引言 在大模型的应用中，参数调优是连接模型潜力与实际效能的关键桥梁。与传统的软件参数不同，大模型的生成参数更像是一组精密的调控旋钮，它们不改变模型的基础知识，而是影响模型如何思考和表达。 理解这些参数的本质，不仅能够提升模型输出的质量，更是将大模型从玩具转变为工具的关键一步。 今天我们将从理论基础到实践应用，全面解析大模型的核心参数体系，详细的介绍大模型推理中常用的参数项，并通过本地模型示例展示参数调整对模型效能的影响。常见参数项：max_length：生成文本的最大长度。 通过多层神经网络的相互连接，可以构建一个复杂的模型，该模型可以学习到输入数据的复杂表示。2. 层次化：深度学习模型通常由多个层级组成，每个层级都包含多个隐藏层。隐藏层接收输入层的特征，并对输入进行转换以满足特定的模型任务。
76932编辑于 2026-02-04 - 来自专栏SimpleAI
【DL笔记7】他山之玉——窥探CNN经典模型
它总共7层，分别有2个CONV层，2个POOL层，3个FC层。当然，它的输入规模很小，是32×32大小的单通道图片。 但我们也应该清楚，一味地增加层数、增加通道数（filters越多，输出图像的通道数就越多），会让我们的计算量急剧增加，模型变得过于复杂，从而更容易过拟合，这样反而会让模型的性能下降。 所以训练出的模型不仅效果好，而且更快。 ---- 以上就是今天要介绍的主要的CNN模型了。当然，经典的CNN模型还有更多，就留给读者自己去探索了，日后有时间也许我也会介绍其他的CNN。 有时候我们了解这些模型之后，会觉得压力山大，因为觉得这些模型一个比一个复杂，这让人怎么去实现啊？而且，这么深的网络，让我们去训练，简直要命。
49840发布于 2018-10-25
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