- 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 # 通道剪枝（示例参数） prune_ratio = 0.28 for m in model.model.modules(): if isinstance(m, torch.nn.Conv2d ：每周收集教师反馈样本（如“举手但未发言”的特殊场景），通过增量训练更新LSTM参数（实验室数据显示迭代3次后误报率降至2.7%）； 低侵入部署：相机隐蔽安装于教室后方，不干扰教学，支持POE供电（功耗 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。
51110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。 维度对比大模型 (LLM)小模型 (SLM)对参数量的影响隐藏层维度 (dmodeld_{model}dmodel)12288 (GPT-3/4)2048 (Phi-3) / 1024 (TinyLLaMA
48421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。
99210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 - 来自专栏全栈程序员必看
流量分析入门
前言 个人一直对CTF比赛中MISC中流量分析这一块感兴趣…但好像之前参加的培训没有涉及到。 正好看到了一些相关书籍资料，自己向前辈们学习以后整理一些资料来总结一下（本人是个很菜…还没入门的pwn手） 互联网五层模型 在计算机网络这门课中介绍了OSI模型及互联网五层模型： 在我们使用抓包软件进行流量分析的时候 在虚拟机中运行（注意给的病毒啥的最好在虚拟机里运行），然后看是一个helloworld的程序 打开wireshark进行分析，搜索字符串flag{ 得到flag： 结语 这是一篇偏向入门的流量分析总结
73110编辑于 2022-08-14 - 来自专栏全栈程序员必看
NetFlow流量分析
NetFlow是基于流的流量分析技术，其中每条流主要包含以下字段：源IP地址、目的IP地址、源端口号、目的端口号、IP协议号、服务类型、TCP标记、字节数、接口号等。 NetFlow是一个轻量级的分析工具，他只读取了报文中的一些重要字段不包含原始数据，并不属于全流量分析。 NetFlow网络异常流量分析 NetFlow流记录的主要信息和功能： who：源IP地址 when：开始时间、结束时间 where：源IP地址、源端口号、目标IP地址、目标端口号（访问路径） what
1.4K10编辑于 2022-08-23 - 来自专栏红蓝对抗
哥斯拉流量分析
这是webshell流量分析哥斯拉篇 朋友们现在只对常读和星标的公众号才展示大图推送，建议大家把“亿人安全“设为星标”，否则可能就看不到了啦 原文链接:先知 https://xz.aliyun.com 解码器 当点击测试连接他会发送返回三组包 第一个包 第二个包 第三个包 其实第一个特征已经出来了，不难看出在PHP_EVAL_XOR_BASE64这个加密器的情况下，哥斯拉会将他的完整shell通过密码参数传入服务器 客户端设置 $payloadName='payload'; // 载荷参数名 $key='3c6e0b8a9c15224a'; // 加密密钥 if (isset($_POST[$pass])){ / / 检查 POST 请求中是否包含了密钥参数 kay $data=encode(base64_decode($_POST[$pass]),$key); // 解码并加密传入的数据 if 将传入的参数做分割 提取字符 等待后续 // 如果会话变量中存在 "bypass_open_basedir"，并且值为 true，则尝试绕过 open_basedir 限制 if (
1.3K10编辑于 2024-05-06 - 来自专栏一己之见安全团队
浅尝流量分析
流量分析是安服仔们必备的一个技能，up其实接触的全流量设备不多，也就用过科莱的，产品级的全流量设备最大的特征就是简化了很多查询语句和查询条件，以及优化了界面、逻辑等，这次虽然是用小鲨鱼来展示，就不具体到查询语句上了 以上两个例子简单的给出一点思考空间而已，毕竟只是初入流量分析，更重要的是学会怎么使用设备，以下就大致给出流量分析的步骤供各位师傅参考。 大总结： 总的来说全流量分析设备确实是个好东西，初入浅尝流量分析基本是以健全的安全拓扑为前提，综合利用而已，主要为掌握攻击行为的具体数据流向和特征，这里小师傅们想深度联系的推荐去各大靶场找流量分析的包打一打
38310编辑于 2024-05-17 - 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。
84210编辑于 2023-08-22 - 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 - 来自专栏全栈程序员必看
wireshark流量分析实战
下面是在网上找的数据包资源，来自2018的铁人三项流量分析题目，一共有二十题，共有六个数据包，本人习惯一题一题来，不过可能是个很不好的习惯 1.黑客的IP是多少 很明显这也是我们平常干的事情phpinfo
1.9K32编辑于 2022-08-12 - 来自专栏zhangdd.com
流量分析常见指标
流量分析常见指标 1)基础分析（PV,IP,UV） Ø 趋势分析：根据选定的时段，提供网站流量数据，通过流量趋势变化形态，为您分析网站访客的访问规律、网站发展状况提供参考。
1.1K10发布于 2018-08-01 BUUCTF 流量分析 1
密文： 下载附件解压，得到流量分析.pcap和流量分析.txt 解题思路： 1、先看流量分析.txt，看hint二去pcap包里找“KEY”。 流量分析 200pt 提示一：若感觉在中间某个容易出错的步骤，若有需要检验是否正确时，可以比较MD5: 90c490781f9c320cd1ba671fcb112d1c 提示二：注意补齐私钥格式 --
1.4K10编辑于 2025-10-14- 来自专栏全栈程序员必看
产品流量分析
这次和大家分享一下最近对流量分析的一些理解。 流量是产品获得用户的第一步，没有流量就没有转化与营收。对于流量的分析在产品日常运营效果监控中有着非常重要意义。 对于SEM流量，可通过链接的配置参数来区分，由于SEM为付费推广，广告投放人员需要对投放的链接配置参数进而跟踪效果，Google提供了5个参数（source、medium、campaign、term、content 站内方面指本企业的日志数据、业务数据等记录用户在本平台上的数据，由于投放链接带有跟踪参数可以追踪到点击链接用户的访问时间、省份、城市、以及后续访问、下单情况，同时根据跟踪参数可以追踪到是哪个关键词带来的访问 通过解析来源页链接（链接中带跟踪参数和投放关键词）与投放关键词进行匹配，从而将站内数据和站外数据打通，便于分析投放关键词带来的转化成交情况。 对于上面的文字描述，这里通过一个例子来说明。 如果某用户访问过该链接后进行了下单付费，可以将该带来订单链接对应的投放参数与投放后台的投放关键词匹配后找到投放关键词的曝光、点击、投放该关键词的付费情况，细化分析每个投放关键词的ROI。
98030编辑于 2022-09-05 - 来自专栏生信小驿站
R 数据质量分析①
数据质量分析 数据质量分析是数据挖掘中数据准备的最重要一环，是数据处理的前体。数据质量分分析主要任务是识别脏数据。
1.4K10发布于 2018-08-27 - 来自专栏乐沙弥的世界
Oracle 索引质量分析
下面给出了演示以及索引创建的基本指导原则，最后给出了索引质量分析脚本。 该列是否经常使用“ = ”作为常用查询条件 列上的离散度 组合列经常按何种顺序排序 哪些列会作为附件性列被添加 3、索引质量分析脚本
96710发布于 2018-08-13 - 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 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）。 我们首先调用默认的必须的参数进测试， 然后通过curl来进行实现。 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。
99810编辑于 2024-05-31 - 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
24210编辑于 2024-01-09 - 来自专栏自然语言处理
模型融合与超参数优化
对于正确率低的模型给予更低的权重，而正确率更高的模型给予更高的权重。 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 application_train) X = application_train.drop('TARGET', axis=1) y = application_train.TARGET # 第一步：设置需要优化的参数 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
导读 本文将对超参数进行简要的解释，并推荐一本利用Python进行超参数调整的书籍，其中包含了许多超参数调整的方法，对于刚刚学习深度学习的小伙伴来说，是一个不错的选择。 2. 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。
62330编辑于 2023-02-27
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