- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
96631发布于 2020-07-17 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
89810编辑于 2024-07-04 - 来自专栏用户10122115的专栏
Autodesk 3ds Max2020中文版免费下载安装图文教程
3dmax2020中文版新增14个新的OSL着色器并增加高效的工具箱集成，帮助用户快速生成专业品质的3D动画、渲染和模型工具。 7、3dmax2020可以跟Arnold、V-Ray和Iray等许多渲染器搭配使用，从而创建出更加出色的场景和惊人的视觉效果 8、Chamfer修改器的改进，并且扩展了对OSL着色的支持， 9、3dmax2020倒角Revit和Chamfer Modifier的更新提供了强大的灵活性，不管是处理导入复杂的BIM数据还是创建下一个游戏资产。 1、3dmax2020可以跟Arnold、V-Ray和Iray等许多渲染器搭配使用，从而创建出更加出色的场景和惊人的视觉效果 2、Chamfer修改器的改进，并且扩展了对OSL
2.2K50编辑于 2022-10-20 - 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
62620发布于 2021-10-12 - 来自专栏深度学习和计算机视觉
加速 PyTorch 模型训练的 9 个技巧
[1_CER3v8cok2UOBNsmnBrzPQ](9 Tips For Training Lightning-Fast Neural Networks In Pytorch.assets/1_CER3v8cok2UOBNsmnBrzPQ.gif 将模型的不同部分放在不同的GPU上，batch按顺序移动 有时你的模型可能太大不能完全放到内存中。 9. 多节点GPU训练 每台机器上的每个GPU都有一个模型的副本。每台机器获得数据的一部分，并且只在那部分上训练。每台机器都能同步梯度。 在.backward()上，所有副本都接收到所有模型的梯度副本。这是模型之间唯一一次的通信。 英文原文：https://towardsdatascience.com/9-tips-for-training-lightning-fast-neural-networks-in-pytorch-8e63a502f565
1.2K20编辑于 2022-02-09 - 来自专栏Ywrby
9-线程概念与多线程模型
因此内核级线程的切换必须在核心态下执行 注意 操作系统只能“看见”内核级线程，因此只有内核级线程才是处理机分配的单位 以下方的多对多模型为例，其由三个用户级线程映射到两个内核级线程上，在用户看来，进程中同时有三个线程并发执行 ，但在操作系统看来，只有两个内核级线程，所以哪怕是在4核处理机的计算机上运行，该进程也最多只能被分配到两个核心，最所只有两个用户进程并行执行 多线程模型 多对一模型 一对一模型 多对多模型
37510编辑于 2022-10-27 winform部署yolov9的onnx模型
C# WinForms 部署 YOLOv9 ONNX 模型简介 在当今的计算机视觉领域，目标检测是不可或缺的一项技术。 ONNX是一个开放的模型表示，使得不同深度学习框架之间可以相互转换和共享模型。这使得YOLOv9模型可以在C#环境中得到高效利用。 用户可以通过界面上传图像，应用程序则利用YOLOv9模型进行目标检测，并在图像上标注出目标物体的位置和类别。 通过C# WinForms部署YOLOv9的ONNX模型，我们可以为用户提供一个功能强大的目标检测工具。 性能逆天~，YOLOv9杀疯了！最新的实时目标检测模型！代码已开源！，一款小工具，让你直连谷歌翻译！
44810编辑于 2025-07-20- 来自专栏单细胞天地
RNAvelocity 9：scVelo应用—动力学模型
动力学模型 在这里，我们使用通用动力学模型来解释完整的转录动态。 这产生了一些额外的见解，如潜在时间和假定驱动基因的识别。 与以前的教程一样，应用胰腺内分泌发育数据集来展示。 我们运行动力学模型来学习剪切动力的完整转录动力学。 [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9] 潜在时间 动力学模型可恢复细胞过程的潜在时间。这个潜伏时间代表细胞的内部时钟，并接近细胞在分化时所经历的实时，分析仅基于其转录动力学。
93910发布于 2021-10-09 使用python部署yolov9的onnx模型
【框架地址】 https://github.com/WongKinYiu/yolov9 【yolov9简介】 在目标检测领域，YOLOv9 实现了一代更比一代强，利用新架构和方法让传统卷积在参数利用率方面胜过了深度卷积 自 2015 年 Joseph Redmon、Ali Farhadi 等人提出初代模型以来，领域内的研究者们已经对 YOLO 进行了多次更新迭代，模型性能越来越强大。 ，从而使得模型的预测结果能够最接近真实情况。 该架构证实了 PGI 可以在轻量级模型上取得优异的结果。 研究者在基于 MS COCO 数据集的目标检测任务上验证所提出的 GELAN 和 PGI。 对于 PGI 而言，它的适用性很强，可用于从轻型到大型的各种模型。我们可以用它来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。
27000编辑于 2025-07-20- 来自专栏数据科学与人工智能
数据挖掘模型的9条经验总结
“预测”已经成为数据挖掘模型可以做什么的可接受的描述，即我们常说的“预测模型”和“预测分析”。这是因为许多流行的数据挖掘模型经常使用“预测最可能的结果”（或者解释可能的结果如何有可能）。 这种方法是分类和回归模型的典型应用。 但是，其他类型的数据挖掘模型，比如聚类和关联模型也有“预测”的特征。这是一个含义比较模糊的术语。 体现预测模型价值的有两种方式：一种是用模型的预测结果来改善或影响行为，另一种是模型能够传递导致改变策略的见解（或新知识）。 如果不适合业务问题，高准确度并不能提高模型 的价值。 模型稳定性同样如此，虽然稳定性是预测模型的有趣的度量，稳定性不能代替模型提供业务理解的能力或解决业务问题，其它技术手段也是如此。 总之，预测模型的价值不是由技术指标决定的。数据挖掘者应该在模型不损害业务理解和适应业务问题的情况下关注预测准确度、模型稳定性以及其它的技术度量。 第九，变化律：所有的模式因业务变化而变化。
78360发布于 2018-02-26 - 来自专栏机器人课程与技术
mobot模型-ROS2Gazebo9附2
mobot.gazebo <?xml version="1.0"?> <robot> <gazebo> <plu
53831发布于 2020-02-19 - 来自专栏数据科学（冷冻工厂）
提高CV模型训练性能的9个技巧
长话短说： 训练模型尺寸：小 保存权重并在更大的图像尺寸上重新训练模型 再次保存权重并重新训练最终图像大小 这个过程将会获得更快的收敛和更好的性能。 6. 学习率 在模型训练期间更改 learning_rate： 慢的 lr 需要太长的时间，而快的 lr 可能无法帮助你的模型收敛，使用这个逻辑，我们应该使用动态学习率。 热身 从论文 Bag of Tricks[9]中，使用 LR 预热是亮点之一： 当你开始训练一个模型时，它具有更多的“随机性”，因为它刚刚开始学习特征，因此首先从较小的 learning_rate 开始允许它选择细节 9. 图像增强 NNs 受益于更多数据。图像中的微小变化确实可以帮助模型提高对图像内部特征的理解。使用正确的图像增强可以真正帮助您的模型。 how-to-modify-a-conv2d-to-depthwise-separable-convolution/15843/4 [8] 学习率: https://forums.fast.ai/t/fine-tune-vs-fit-one-cycle/66029 [9]
71920编辑于 2023-02-27 - 来自专栏数据科学（冷冻工厂）
提高CV模型训练性能的 9 个技巧
分辨率从较小的分辨率开始：前两个技巧侧重于实现更快的模型——您尝试的想法越多，获得更好结果的机会就越大。 数据集从数据子集开始：您应该从少量的数据集或示例开始，并在那里验证您的训练模型。 长话短说：训练模型尺寸：小保存权重并在更大的图像尺寸上重新训练模型再次保存权重并重新训练最终图像大小这个过程将会获得更快的收敛和更好的性能。6. 学习率在模型训练期间更改 learning_rate：慢的 lr 需要太长的时间，而快的 lr 可能无法帮助你的模型收敛，使用这个逻辑，我们应该使用动态学习率。 9. 图像增强NNs 受益于更多数据。图像中的微小变化确实可以帮助模型提高对图像内部特征的理解。使用正确的图像增强可以真正帮助您的模型。此外，在训练模型时可视化结果，以确保它们了解的是特征而不是背景！
82320编辑于 2023-01-19 - 来自专栏PPV课数据科学社区
数据挖掘模型的9条经验总结
这是因为许多流行的数据挖掘模型经常使用“预测最可能的结果”(或者解释可能的结果如何有可能)。这种方法是分类和回归模型的典型应用。 但是，其他类型的数据挖掘模型，比如聚类和关联模型也有“预测”的特征。 第八，价值律：数据挖掘的结果的价值不取决于模型的稳定性或预测的准确性 准确性和稳定性是预测模型常用的两个度量。 体现预测模型价值的有两种方式：一种是用模型的预测结果来改善或影响行为，另一种是模型能够传递导致改变策略的见解(或新知识)。 如果不适合业务问题，高准确度并不能提高模型 的价值。 模型稳定性同样如此，虽然稳定性是预测模型的有趣的度量，稳定性不能代替模型提供业务理解的能力或解决业务问题，其它技术手段也是如此。 总之，预测模型的价值不是由技术指标决定的。数据挖掘者应该在模型不损害业务理解和适应业务问题的情况下关注预测准确度、模型稳定性以及其它的技术度量。
60260发布于 2018-04-25 - 来自专栏CSDNToQQCode
使用xxmix9realistic_v40.safetensors模型
xxmix9realistic_v40.safetensors适合生成什么样的图片 xxmix9realistic_v40.safetensors是一种适用于生成高质量、逼真且具有艺术感的图片的技术。 模型相对较小，还是很方便操作的。 3对正反向提示词 正面提示词： Radiant Skin (容光焕发的肌肤): 这个提示词可以帮助模型生成具有健康、光滑肌肤的美女图片，强调肌肤的质感和光泽。 Graceful Pose (优雅的姿态): 通过这个提示词，可以指导模型生成具有优雅、流畅姿态的美女图片，展现出女性的优雅和魅力。 反向提示词： Avoid Blemishes (避免瑕疵): 这个反向提示词可以帮助模型在生成美女图片时减少肌肤瑕疵的出现，保持肌肤的完美无瑕。 Minimize Wrinkles (最小化皱纹): 通过这个反向提示词，可以指导模型在生成美女图片时减少皱纹的出现，使肌肤看起来更加年轻和光滑。
1.1K10编辑于 2023-12-03 - 来自专栏DeepHub IMBA
9月大型语言模型研究论文总结
大型语言模型(llm)在今年发展迅速，随着新一代模型不断地被开发，研究人员和工程师了解最新进展变得非常重要。本文总结9-10月期间发布了一些重要的LLM论文。 这些论文涵盖了一系列语言模型的主题，从模型优化和缩放到推理、基准测试和增强性能。最后部分讨论了有关安全训练并确保其行为保持有益的论文。 这种方法产生了MathCoder模型，这是一组能够生成基于代码的解决方案的模型，用于解决具有挑战性的数学问题。 现有的问答基准(如ToMi)会向模型提问，以推断故事中人物的信念，但不会测试模型是否可以使用这些推断来指导它们的行动。 SmartPlay中的每个游戏都独特地挑战了智能LLM代理的9个重要功能的子集，包括对象依赖性推理，提前计划，空间推理，从历史中学习和理解随机性。
76521编辑于 2023-10-23 - 来自专栏百味科研芝士
肿瘤微环境分层模型如何再创9分+SCI
本研究从转录组数据着手鉴定到NSCLC患者的三个TME亚型并构建TME相关模型可以对患者进行分层。 构建TMEsig打分模型并研究其临床和分子相关性 作者构建了TMEsig打分模型，该模型基于与预后相关的TME特征基因，量化NSCLC的TME免疫浸润水平。 作者构建的TMEsig打分模型量化了单个肿瘤的TME免疫浸润情况，可以促进未来的个体化癌症免疫治疗。本研究的局限性在于还需要一定的分子实验验证本研究的结果。
67810编辑于 2022-12-12 架构师的“9域43项”能力模型
1 腾讯云社区的【架构能力模型】文章汇总 2 架构岗位的层次&能力模型 3 产品架构师能力模型（9域43项） 4 产品架构师成长阶梯（从后备到专家，共5级） 5 英雄帖：邀您扩充模型AI相关能力组、能力项 1 腾讯云社区的【架构能力模型】文章汇总 cloud.tencent.com/developer/ask/2160601 zhuanlan.zhihu.com/p/1904810287162458696 我后面能力模型有块分解、链分解等，算是部分呼应 文3：从【业务】到【管理】到【技术】共六组能力 2 架构岗位的层次&能力模型 细说的话，架构师能力不止一个模型，看岗位。 图片 图片 3 产品架构师能力模型（9域43项） 软能力：思维力、文档力、沟通力 支撑组：技术力、设计力、工程力 高级组：经验力、督导力、创造力 4 产品架构师成长阶梯（从后备到专家，共5级） 图片 图片 图片 图片 图片 ---- 5 英雄帖：邀您扩充模型AI相关能力组、能力项 GenAI时代架构能力模型必变化，欢迎朋友们补充，发文章到社区（https://cloud.tencent.com/developer
25.5K73编辑于 2025-05-11- 来自专栏paddle深度学习
paddle深度学习9 搭建模型nn.Layer
本节将介绍如何使用 Paddle 内置的 Layer 搭建模型。 尤其是大型的复杂模型，基本都要使用自定义模型来实现自定义 Layer 也需要继承 paddle.nn.Layer 类，并实现 __init__ 和 forward 方法import paddleclass forward函数则定义了一个张量进入模型的整个计算过程，及时拿到一个比较复杂的模型，只要看懂了forward，就看懂了模型的构建过程在今后的学习复杂模型时，可以使用打印shape的方法进行学习和调试import output = model(input_data)【模型保存】训练好的模型可以保存下来，以便后续使用或部署。 paddle.save(model.state_dict(), 'model.pdparams')本地将生成一个名为model.pdparams的文件，它保存着模型当前的权重信息【加载模型】# 加载模型参数
29310编辑于 2025-01-15 - 来自专栏贾志刚-OpenCV学堂
YOLOv9 官方模型推理性能实测
今天我就斗胆稍微扒一扒YOLOv9的模型跟推理。 工程文件与模型下载 官方的库在这里 https://github.com/WongKinYiu/yolov9 我直接下载了，第一次我下载Tag下面的，发现跑不起来，只能从Master下面直接下载了，然后我看到了官方的模型列表与 mAP指标如下： 我尝试下载YOLOv9-T、YOLOv9-S、YOLOv9-M三种模型均以失败而告终，只能下载YOLOv9-C这个模型，此外YOLOv9-E也可以下载，下载以后发现YOLOv9-C大小为 其实对CNN网络来说只要你把模型搞大点，精度肯定会上升，这个是常识，这能算创新吗？然后居然还有个XX的人发了一个视频说YOLOv9杀疯了，我觉得是他自己疯了。 我看这个结构跟YOLOv8一致，直接简单粗暴的把这个导出YOLOv9 ONNX模型用我以前写给YOLOv8部署的C++代码运行了，然后奇迹又出现了，一行代码都不用改，直接运行成功，我晕倒，这兼容性史无前例的强悍
1K10编辑于 2024-03-22
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