深度学习败于“捷径”

深度学习模型训练注意事项 1.收敛速度慢 解决: 设置合理的初始化权重w和偏置b 模型训练本质上就是调整w和b的过程,好的开始是成功的一半。(为什么不0初始化?哪三种常用的初始化方法?https://blog.youkuaiyun.com/weixin_43167121/article/details/88176101) 优化学习率 学习率太小,会增加迭代次数,加大训练时间。但学习率太大,容易越过局部最优点,降低准确率。 所以应当一... 阅读详情

编译 | 蒋宝尚、陈大鑫

涞源 | AI科技评论

编辑 | 丛末

深度学习的未来在哪里?

这一话题已经有过了无数讨论,大部分讨论都承认当前的深度学习还不是真正的智能,必须转向理解、常识。

但是只看当前AI成功的案例,似乎还无法窥探理解。近日,来自多伦多大学和图宾根大学的研究人员合作了一篇文章《Shortcut Learning in Deep Neural Networks》,他们将当前深度学习的一些失败案例归因为:捷径,即深度学习在处理任务的时候往往会采用“捷径”策略,模型在训练的时侯往往会面临多个解决方案,而深度学习模型的选择往往并不是最有效的那个,而是最简单的那个。

虽然采用“捷径”策略在表面上是成功的,但是情况稍微改变一下,深度学习就会失败。这也是通常提到的模型泛化能力差。

除此之外,在论文中,作者还举了一些采用“捷径策略”的例子,试图从“捷径学习”中找到让AI模型转向“理解”的方向。

最后,基于论文内容,作者在网站The Gradient 发布了一篇文章,详细阐述了“捷径策略”对深度学习的影响,AI科技评论对其进行了不改变原意的编译,请欣赏。

人工智能会取代放射科医生么?

有研究人员训练了一个神经网络用来乳腺癌分类,其准确率达到了85%。随后,研究人员又综合了另外三个神经网络,这时,模型的准确率达到了惊人的99%,足以匹敌有多年经验的“老”放射科医师。

只不过,这里有个小反转:研究人员用的不是人工智能神经网络,而是“全自然”神经网络,更准确地说,研究人员训练了四只鸽子来诊断乳腺癌☺。

一群非常聪明的神经网络?

对于医学而言,我们从来没有将未来寄希望于鸽子身上,各大公司也从来没有投资几亿美元建造鸽子场。显然,与我们对深度神经网络的期望相比,我们对鸽子的期望有些相形见绌。

诚然,在许多方面,深度学习确实没有辜负“炒作”和希望,毕竟,它们在社会、行业和科学领域做出的贡献是不可否认的,新的AI突破仍然时不时的出现在“媒体头条”。但是,一些看似互不关联的失败案例,一直在缓慢而稳定地出现。

例如,深度学习虽然在物体识别方面取得了超人的表现,但是识别物体中的一些微小的变化(例如背景)有可能导致识别失败;深度学习可以为一张图片生成看似合理的标题,但是在它不“看”图片的情况下,生成的标题也非常合理;深度学习可以准确地识别人脸,但是对于某些少数群体的人脸,模型识别的错误率却比较高;深度学习可以根据简历做出招聘决定,但是算法的决定往往偏向于选择男性。

那么?如何看待AI超人的表现和令人震惊的失败之间的差距呢?其实,这些失败案例并不是独立的现象,它们在某种意义上是相互关联的:即深度学习在处理任务的时候往往会采用“捷径”策略。虽然采用策略表面上是成功的,但是情况稍微改变一下,深度学习就会失败。

更为准确一些,采用“捷径”的结果可能表现为:模型在标准的基准上表现良好,但是却无法转移到具有挑战性的任务中。这样的例子有很多,如下图所示:

1

什么是捷径?

总的来讲,“捷径”策略并不是什么新鲜东西,它有许多变体名字,例如covariate shift、反因果学习、数据集偏差、聪明汉斯效应等等。

注:聪明的汉斯是一匹懂得算术和各种惊奇技能的马,但是它其实并不是真的懂算术,而是靠着训练员与观察者无意识下给予的训练。

具体而言,在机器学习中,训练模型可能受到数据、模型架构、优化器和目标函数的约束。然而,这些约束所决定的“解决方案”往往不止一个。而用捷径策略所选择的正是那些在典型测试集上表现良好,但在其他情况下失败的解决方案。

举个例子,当在一个简单的恒星和月亮的数据集上进行模型训练时,一个标准的三层全连接的神经网络可以很容易对新的示例进行分类,当然,这些示例的数据集在概率上服从独立同分布。

但是,如果在与训练集具有不同概率分布的数据集上进行测试时,训练好的神经网络仍然用在训练集中学到的策略对星星进行分类。也即:星星总是显示在图像的右上方或在左下方,月亮总是在左上方或者右下方。

此捷径策略或许在训练集上可行,但是在测试集上却不存在。所以,这里暴露的问题是:在训练模型对星星进行分类时,位置和形状都是有效的识别方案,显然模型选择了使用位置,而不是物体的形状来进行分类。

上面这些例子虽然被归纳为对抗性示例、有偏见的机器学习、缺乏领域泛化等等,其实都可以理解为:捷径学习。

翻译到这儿,小编想到了清华大学高等研究院双聘教授沈向洋博士,他曾经在多次演讲中举到过的哈士奇的例子:用已经训练好的神经网络检测图片中的动物是狼还是哈士奇。在上面6张照片中,左下角的一张被识别错了。识别错的原因是:深度神经网络并非像我们理解的那样通过动物的外形来辨别的,而是在观察图像中有没有雪,如果有雪,那就是狼。当时沈博士举这个例子是想说明模型可解释性的重要性,与今天作者提到的“捷径”有异曲同工之意。

再例如,研究人员开发了一种机器学习分类器,能够从X光扫描图片中检测肺炎,此分类器在训练集上表现良好,但是在识别新医院的病例时,其性能却出人意料的低。究其原因,该分类器聪明地学会了“从医院的类型看肺炎”,如上图所示,通过识别医院的特定token,然后综合该医院的肺炎患病率,模型就能够有很高的预测准确率。显然,此分类器没有“理解”肺炎,而是选择了最简单的解决方案,只查看医院token的类型。

2

捷径学习超越深度学习

通常这样的失败被归为机器学习算法不可信的例子。然而,生物学学习者也有同样的境遇:在牛津大学的一个实验室里,研究人员观察到老鼠能够在复杂的迷宫中找到出路。研究人员非常惊讶,因为老鼠的视网膜非常简单,只有一些“粗糙”的色觉功能。于是,研究人员进行了深度调查,结果发现老鼠欺骗了研究人员:老鼠们在实验中根本不使用视觉系统,而是使用气味识别,即简单地通过闻迷宫墙壁上彩色涂料的气味进行分辨。一旦气味被控制住,老鼠显著的辨色能力就消失了。

我们从这个实验得到的结论是:动物在面对实验任务的时候,采用的并不是人类以为的那种方式。而这种“反人类直觉”的方式正是人类难以想象的地方。

其实,对于动物这种“反人类”的方式还是在研究人员的考虑范围内的,因为在上述实验中,小鼠和人类在视觉神经方面的不同,人类早已预料到。

但是在算法层面,人类往往界定人类的性能为算法上限。也就是说,即使人工神经网络的神经元与生物神经元尽管不同,如果DNN成功地识别出物体,那么就可以很自然地假设它们能像人类一样感觉到物体形状。

因此,在将“物体识别”和“语言理解”这样的高级能力归于机器之前,要非常谨慎。因为它们还有一种解释:捷径。

3

捷径学习改变我们衡量进步的方式

从历史的角度看,一些机器学习的研究主要由基准测试驱动,而基准测试是通过在任务和数据集的固定组合上对算法进行评估,目的是使算法具有可比性。这种基准推动的模式在很短的时间内使机器学习领域取得了巨大的进步。

但这并非没有缺点,这种模式虽然为研究人员创造了强大的激励,使他们更专注于开发新的算法,改进现有的基准,但是在激励他们“理解”当前的算法或基准方面尚有欠缺。这种对理解的忽视也是为什么“捷径学习”是深度学习中普遍存在的问题的原因之一。

让我们看一个比较著名的例子:ImageNet挑战赛。此挑战赛于2009年创建,由于它的多样性和大规模,ImageNet为当前的深度学习革命铺平了道路。ImageNet数据集和大规模视觉识别挑战赛的贡献证明了具有学习权值的深度神经网络是唯一适合处理这种复杂性的方法(与当时流行的使用手工特征进行图像分析的方法不同)。在那段时间,ImageNet成为了进步的推动力,模型在ImageNet基准上的表现也成为了计算机视觉领域进步的代名词。

直到最近几年,当越来越多的DNN失败案例出现时,这种情况才开始慢慢改变。所有这些失败案例背后的一个主要原因是,尽管ImageNet数据集包含很大的规模和种类,但它并不需要真正意义上的目标识别。

因为在许多情况下,目标的背景,纹理或其他对人类不太明显的“捷径”可以很好地被识别。所以如果当识别背景效果比识别场景中的主要目标更容易时,神经网络通常会学习利用背景用于分类。这种行为往往导致模型泛化能力太差。

例如下图,在左侧有几个人类希望模型能够泛化的目标。对人类而言,无论是手绘黑白的5还是彩色照片上的门牌号5,5都是5。同样,姿势、纹理或背景的轻微变形或变化也不会影响到人类对图像中主要目标的预测。相比之下,神经网络却很容易被愚弄。

但是这并不意味着神经网络完全不能泛化:事实上它们可以很好地泛化,尽管泛化的方向对人类几乎没有意义。下图右侧显示了一些示例,从某种程度上可理解→扰乱图像只保留其纹理→完全不知所云。

导致捷径学习和模型泛化失败的关键问题是我们对任务的感知与它实际激励模型学习的东西之间的差异。那么我们该如何减轻这一问题,并提供对捷径学习的其他见解呢?

首先要认识到目前大多数基准测试有一个主要缺点:那就是在训练中,模型只对服从独立同分布的图像数据进行测试(i.i.d测试)。但是这种类型的测试往往导致模型有很弱的泛化能力,然而我们想要的是与人类的直觉大体一致的强大的泛化能力。

为了对泛化能力进行测试,我们需要良好的分布外(out-of-distribution )测试(即o.o.d.测试),这些测试具有明确的分布转移、明确的预期解决方案,并能揭示模型学习的“捷径”。

但是测试并不止于此:随着模型越来越好,它们将学会利用更微妙的捷径,因此我们设想o.o.d.基准也将随着时间的推移朝着越来越强大的测试方向发展。这种类型的“滚动基准”可以确保我们在模型开发过程中不会忘记最初的目标,而是不断地重新集中精力解决我们实际关心的潜在问题,同时增加我们对模型pipeline和捷径学习之间相互作用的理解。

4

如何超越捷径,抵达理解之路?

科学旨在理解。虽然深度学习作为一门工程学科在过去几年里取得了巨大的进步,但作为一门科学学科,深度学习在理解机器如何从数据中提取模式的原理和局限性方面仍然落后。

如何减少捷径学习,从而达到更深入的理解呢?这不仅与机器学习的当前应用领域相关,而且未来可能会有更多与其他学科交叉融合的机会,比如对经济学而言,如何设计管理激励措施才能不会因为奖励无意中的“捷径”行为而危及长期成功?或对法律而言又该如何创造没有“漏洞”捷径机会的法律呢?

然而不幸的是,我们很可能永远无法完全解决捷径学习问题。模型的决策总是建立在信息简化的基础上,因此泛化的失败是可以预料的:通过捷径学习的失败是常态,而不是例外。

为了增加我们对捷径学习的理解,甚至减少这种情况,我们提出以下五点建议:

(1)连接点:捷径学习无处不在

捷径学习无论是对于生物,还是对于人工神经网络来说,似乎都是学习系统中普遍存在的一个特征。许多深度学习的问题都是通过捷径学习联系在一起的,例如模型利用数据集的捷径机会,有可能只选择几个预测特征,而没有仔细考虑所有可用的证据,从而导致意外的泛化失败。但是受影响区域之间的“连接点”可能会促进成功,这些成功可以在不同的应用领域产生非常有价值的影响。

(2)仔细解释结果

在机器学习中发现“捷径”的时候,往往会发现一个看似复杂的数据集存在一个简单的解决方案。所以,在将 "物体识别 "或 "语言理解 "等高级能力归于机器之前,我们需要非常谨慎,因为这背后可能往往有一个简单得多的解释。

(3)测试o.o.d.泛化

与当前大多数基准测试一样,在独立同分布测试数据上评估模型性能是不足以区分预期和非预期(捷径)解决方案,因此,分布外数据集泛化测试将需要成为“惯例”而不是例外。

(4)理解解决方案容易学习的原因

DNN总是学习最简单的解决方案,但是如果要了解哪些解决方案是比较容易的,就需要分清结构(架构)、经验(训练数据)、目标(损失函数)和学习(优化)的影响,以及我们该如何对这些因素之间相互作用进行透彻理解。

(5)询问任务是否应该首先被解决

捷径的存在意味着不管任务是否得到充分证实,DNN通常都会找到解决方案。例如,人们可能会试图找到一条捷径,从敏感的人口统计学(例如肤色或种族)或从性别来评估信用评分。这些歧视和偏见是值得关注的,因为当机器学习应用于定义不清晰或有害的任务时,它可能会强化不正确的假设和有问题的关系。捷径可以让这些有问题的任务看上去完全可以被解决。然而,DNNs以高性能处理任务或基准的能力永远无法证明任务的存在或潜在假设的合理性。因此,在评估一项任务是否可以解决时,我们首先需要问到:它是否应该被解决?如果它真的应该被解决,是否又应该用AI来解决?

捷径学习解释了当前机器学习模型和人类智力之间一些最具显著性的差异,但具有讽刺意味的是,正是这种对“作弊”的偏好让神经网络看起来几乎和人类一样:谁从来没有通过记忆考试内容来偷工减料,而不是花时间在真正理解上?谁从来没有试图在一项法规中寻找漏洞,而不是坚持法律的精神?也许到最后神经网络和懒惰的人类没什么区别......

本文观点基于以下论文:

《Shortcut Learning in Deep Neural Networks》

https://arxiv.org/pdf/2004.07780.pdf

Via:https://thegradient.pub/shortcuts-neural-networks-love-to-cheat/

- end -





在深度学习训练过程中模型为什么会学习到捷径 模型学习到捷径的根本原因是它在优化过程中优先选择了最容易最短路径的特征,而这些特征可能并不代表任务的本质。通过改善数据集、引入正则化和设计更合理的模型结构,可以有效减少模型依赖捷径,进而提高模型的泛化能力。 阅读详情

相关推荐

深度学习模型为何偏爱捷径学习?揭秘训练中的‘偷懒’机制

本文深入探讨了深度学习模型为何偏爱捷径学习,揭示了模型在训练中为最小化损失而选择简单、肤浅模式的‘偷懒’机制。文章分析了数据偏差、模型结构、损失函数等诱因,并通过图像、文本等领域的案例,说明捷径学习如何导致模型泛化能力脆弱。最后,提出了数据增强、正则化、分布外测试等实战策略,以引导模型学习核心特征,提升其真实理解能力。

weixin_29079743的博客 298

[转载] 深度学习的综述的综述 (这是一篇献给新手的深度学习综述)

深度学习的综述的综述 知乎:马东什么 算法工程师 这是一篇献给新手的深度学习综述​www.jiqizhixin.com世界顶级AI大神综述深度学习_ITPUB博客​blog.itpub.net 综述永远是入门新领域的最快捷径之一! 2018年下半年an发的一篇综述类文献,好心的机器之心已经翻译好了,我就直接复制下来修改一下表述的错误和补充,作为宝贵资料另外其它资料补充整合进来。 摘要:深度学习是机器学习和人工智能研究的最新趋势之一。它也是当今最流行的科学研究趋势之一。深度学习方法为计算.

u014546828的博客 2881

研究生研一学习机器学习ML、深度学习DL的规划

研究生学习机器学习DL、深度学习DL的规划 保上研之后也没有很好规划自己的学习路线,看到b站上的一位清华博士讲述他本科也是机械跨考计算机的学习路线,所以记录下来,从现在开始按照规划来一点一点地做好。 掌握python(推荐一周) 1.1 面向对象编程 廖雪峰python网站: https://www.liaoxuefeng.com 1.2 数据分析Numpy numpy 100题: https://www.yanxishe.com/columnDetail/24784 1.3数据分析pandas pan

没有最好,只有更好 3100

深度学习——提升模型泛化能力的方法

泛化能力指对同类型独立分布的新数据的预测结果是否符合我们的预期。我们常常用泛化能力来反应一个模型的好坏,将不同程度的泛化状态分为:欠拟合、拟合和过拟合。提升模型的泛化能力可以从两个方面着手:数据集和网络。

dhy5710的博客 2854

Unity3D 简单水面shader的实现

实现思路 今天来实现一个简单的水面效果。水面的话主要是以下几个效果叠加 1.水面的动态波浪效果,我们这里使用最简单的正弦波加上法线贴图来模拟。如果想要更精确的波动效果可以考虑使用Gerstner波 2.不同水深颜色不同的效果,使用该顶点深度和顶点坐标的差值来计算深度,然后映射到颜色 3.浪涌效果,还是根据顶点深度和顶点坐标的差值来计算深度,然后叠加上一层浪涌 4.折射效果,用grabpass,采样之后进行偏移,最后叠加上去。 代码实现 首先是顶点位移函数,使用正弦函数代入顶点的x坐标和z坐标来算,因为这里写

o83290102o5的博客 1万+

WRF模式学习入门基础(建议收藏!!!)

本文详细介绍了WRF-ARW(Advanced Research WRF)模式的结构组成,重点讲解了前处理系统(WPS)和主模式中的各个关键程序的功能与流程。通过对geogrid、ungrib、metgrid、real和wrf等模块的逐步解析,帮助初学者全面理解数值天气预报模型在初始化和运行过程中所需的关键步骤。

2503_90234341的博客 3084

令人惋惜!深度学习败于“捷径”!道翰天琼认知智能机器人平台API接口大脑为您揭秘。

令人惋惜!深度学习败于“捷径”!道翰天琼认知智能机器人平台API接口大脑为您揭秘。 但是只看当前AI成功的案例,似乎还无法窥探理解。近日,来自多伦多大学和图宾根大学的研究人员合作了一篇文章《Shortcut Learning in Deep Neural Networks》,他们将当前深度学习的一些失败案例归因为:捷径,即深度学习在处理任务的时候往往会采用“捷径”策略,模型在训练的时侯往往会面临多个解决方案,而深度学习模型的选择往往并不是最有效的那个,而是最简单的那个。 虽然采用“捷径”策略在表面.

m0_49523727的博客 174

【PCIe DL_Feature详解】

   Data Link Control and Management State Machine在PCIe Gen4引入了DL_Feature这个状态,该状态主要用来协商PCIe link 两端是否支持新的DL Feature,目前为止DL Feature只引入了Scaled Flow Control 来提高Gen4及以上的效率。   DL_Feature 这个状态是可选的,当 Data Link Feature Extended Capability中Data Link Feature Exchang

sinat_38294441的博客 3234

机器,学习没有捷径

捷径学习中的捷径表示的是一种有缺陷的决策,是机器学习模型在训练过程中,为了最小化预测误差,而采取的一种”捷径”策略。在这种策略下,模型会优先学习和预测目标直接相关,但不一定是本质的特征,导致模型可能在训练集上表现良好,但在测试集和实际应用中表现不佳。

山石网科的博客 1148

【任何电机可使用的七段式s曲线-----包括matlab代码和simulink仿真】

S形加加速(T1)→>匀加速(T2)→减加速(T3)→>匀速(T4 )>加减速(T5)>匀减速(T6)-→>减减速(T7)

weixin_44312889的博客 6314

Mamba实战:如何用Samba框架轻松搞定RGB-D显著性检测(附避坑指南)

本文提供了基于Samba框架进行RGB-D显著性目标检测的实战指南。详细解析了从环境配置、数据预处理到模型推理与可视化的全流程,并重点剖析了多模态数据融合中的常见陷阱与调试技巧,旨在帮助开发者高效部署这一基于Mamba的先进视觉模型,规避工程实践中的典型问题。

dapp9builder的博客 615

真正厉害的 AI,从来不走「捷径」

智源导读:中学考试,往往会出现这种现象:努力学习的学生反而没有整天玩耍的学生考得分数高。这其中的一个原因是,后者掌握了考试窍门,即使某些知识不懂,也可以蒙对。AI和人类一样,也有“考试”...

BAAIBeijing的博客 672

连接参数详解:Connection Interval, Slave Latency, Supervision Timeout 的协同与调优实战

在低功耗蓝牙(BLE)开发与调试中,Connection Interval(连接间隔)、Slave Latency(从机延迟) 和 Supervision Timeout(监督超时) 是三个核心参数。它们不仅直接影响设备的通信性能、功耗表现和连接稳定性,更是各类技术面试与认证考试的高频考点。本文将从基础概念出发,深入剖析三者的协同机制,结合历年真题解析考点与解题思路,并通过实战案例演示调优方法,快速掌握这一核心知识点。

byte轻骑兵的技术小窝 2764

ResNet:深度学习中的“捷径革命”

残差网络的成功不仅仅是一个技术突破,更是一种哲学启示:有时候,最直接的路径——添加一个简单的捷径——比复杂的绕行更有效。在追求更复杂模型的时代,ResNet提醒我们优雅简洁的力量。从2015年至今,残差连接已经从一种创新设计演变为深度学习的基础构件。它的影响远远超出了计算机视觉领域,渗透到人工智能的各个方面。

jeffsonfu的专栏 805

运行openclaw gateway install时出现Gateway install failed: Error: schtasks create failed的解决方案

本文主要介绍了运行openclaw gateway install时出现Gateway install failed: Error: schtasks create failed的解决方案,希望能对学习和使用openclaw的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 11万+

基于ADMM的TV正则化最小化稀疏实现图像重建

ADMM算法是一种求解带有约束条件的优化问题的有效方法,它可以将原问题分解成两个子问题,然后交替求解这两个子问题,直到收敛。为了解决这些问题,研究人员提出了许多图像重建方法,其中一种常用的方法是基于正则化的方法。在图像重建中,TV正则化是一种比较常用的正则化方法,可以有效地降低图像的噪声,并保持图像细节特征。通过本文的介绍和源代码的演示,我们可以看出基于ADMM的TV正则化最小化稀疏实现图像重建的方法是一种简单、高效、有效的图像重建方法,能够在一定程度上提高图像质量,对于实际应用具有一定的参考意义。

学习使你进步。 1762

Nat. Mach. Intell. | 深度神经网络中的捷径学习

今天给大家介绍来自德国蒂宾根大学的Robert Geirhos和加拿大多伦多大学的Claudio Michaelis等人发表在Nature Machine Intelligence的文章“Shortcut learning in deep neural networks”。文章认为有很多种深度学习(DL)案例的失败可以看作是同一个问题——捷径学习(Shortcut Learning)的不同表现。捷径学习是在标准基准上性能良好但是在更具挑战性的测试条件上表现较差的决策规则(decision rule...

DrugOne 2595

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

iOS捷径SW-DLT:如何在iPhone上轻松下载视频和图片?

在iOS设备上高效下载网络视频和图片一直是许多用户的痛点。传统的下载方式要么需要复杂的配置,要么无法支持多种网站格式。现在,SW-DLT作为一款专业的iOS捷径工具,为你提供了完美的解决方案。这款工具巧妙整合了yt-dlp和gallery-dl两大开源下载引擎的核心功能,让你在iPhone或iPad上就能轻松实现多媒体内容的下载与管理。 ## 核心关键词 - **iOS视频下载** - SW-D

gitblog_00292的博客 882

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

深度神经网络中的捷径学习

这篇论文探讨了深度学习中“捷径学习”现象,并认为它是一个问题。作者指出,神经网络可能会学习到数据集中存在的特定模式或捷径,而不是真正理解数据的本质特征。 论文以一个图像分类的例子来说明捷径学习现象。在训练集中,所有星星图像都位于左下角或右上角,而所有月亮图像都位于右下角或左上角。神经网络可能会错误地学习到这种位置关系,而不是真正识别星星和月亮的形状。 当测试集包含不符合这种位置关系的图像时,神经网...

YannicKilcher的博客 400

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: 太赞!639页《深度学习:Deep Learning》硬核课程PPT下载
下一篇: 自己原创的《python自动化办公》和《数据透视表大全》共233页PDF,限时下载!...
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值