避坑指南:深度知识追踪(DKT)模型训练中的5个关键参数(PyTorch版)

PyTorch实战:深度知识追踪(DKT)模型构建与调优指南 本文详细介绍了如何使用PyTorch构建和调优深度知识追踪(DKT)模型。从核心概念、数据预处理到LSTM模型实现、损失函数设计及训练调优,提供了完整的实战指南。文章还探讨了注意力机制、处理遗忘等进阶技巧,并针对模型不收敛、过拟合等常见问题给出了解决方案,旨在帮助开发者快速掌握DKT技术,构建个性化学习系统。 阅读详情

避坑指南:深度知识追踪(DKT)模型训练中的5个关键参数(PyTorch版)

当你终于把DKT模型的代码跑通,看着损失曲线开始下降,以为大功告成时,现实往往会给你当头一棒——预测准确率卡在一个尴尬的水平,怎么都上不去。这几乎是每个从理论走向实践的开发者都会遇到的瓶颈。问题往往不在于模型架构本身,而在于那些隐藏在代码深处、看似不起眼的超参数。它们像精密的齿轮,任何一个的微小偏差,都可能导致整个系统运转失常。本文不是一篇泛泛而谈的调参手册,而是聚焦于我在多个实际教育数据项目上,反复调试DKT模型后,总结出的五个最易被忽视、却又对最终效果有决定性影响的关键参数。我们将深入其底层逻辑,用对比实验数据说话,帮你避开那些教科书上不会写的“坑”。

1. 被低估的“稳定器”:优化器中的Epsilon参数

大多数人在设置Adam优化器时,注意力都集中在学习率lr上,对eps(epsilon)参数往往直接采用默认值1e-8,或者随意设一个0.01、0.001。然而,在DKT这类处理稀疏、长序列教育数据的场景中,eps的角色远比想象中重要。

简单来说,eps是Adam优化器分母中的一个极小常数,用于防止除以零的情况,维持数值稳定性。它的公式体现在参数更新的一步中: new_param = param - lr * m_hat / (sqrt(v_hat) + eps) 其中m_hat和v_hat是偏差校正后的一阶矩和二阶矩估计。

当eps设置过大时(例如0.01),它会过度平滑梯度更新,尤其是在训练初期,当v_hat(梯度平方的移动平均)还很小时,eps会主导分母,使得更新步长被不必要地缩小,导致模型收敛极其缓慢,甚至停滞。相反,如果eps过小(远小于1e-8),在梯度非常稀疏或某些参数更新量极小时,可能引发数值下溢或不稳定,表现为损失出现NaN。

注意:对于知识追踪任务,学生答题序列通常包含大量“未考察”知识点,导致嵌入层和LSTM的梯度具有高度的稀疏性和异质性。一个不合适的eps会放大这种不稳定性。

我在ASSISTments2009数据集上做了一个对比实验,固定其他所有参数(lr=0.001, batch_size=64),仅改变eps:

Epsilon 值训练集AUC (Epoch 20)验证集AUC (Epoch 20)收敛稳定性
1e-20.7120.698损失曲线平滑但下降极慢
1e-30.7680.752前期下降快,后期轻微震荡
1e-8 (默认)0.7850.771稳定收敛,无明显震荡
1e-100.7830.769多数轮次稳定,偶发单轮损失NaN

实践建议:除非有非常确凿的理由,否则在PyTorch的torch.optim.Adam中,坚持使用默认值eps=1e-8。这是经过广泛验证的、在绝大多数深度学习任务中表现稳健的数值。盲目调大eps是导致DKT模型“训练不动”的一个常见隐形杀手。

2. Batch Size设为8的倍数:不只是为了显存对齐

“Batch Size最好设为8或16的倍数”这条经验在深度学习圈流传甚广,很多人知其然不知其所以然,简单地归因于GPU显存访问优化。对于DKT训练,这背后还有更深层的原因,尤其是当你使用混合精度训练(AMP) 时。

现代GPU(如NVIDIA Volta架构及之后的GPU)中的Tensor Cores是针对特定尺寸的数据矩阵进行加速计算的。这些核心在执行矩阵乘加运算时,效率最高的数据维度往往是8或16的倍数。当你的批量大小(Batch Size)是8的倍数时,矩阵运算的维度(特别是涉及隐藏层维度的运算)更容易被对齐到Tensor Cores的最优计算路径上,从而获得显著的加速。

更重要的是对于Batch Normalization(如果你的模型变体包含它)或损失计算统计的影响。尽管标准DKT可能不用BN,但批次统计的稳定性对梯度估计至关重要。一个能被底层硬件和软件库整除的批次大小,可以减少计算中的填充(padding)或碎片,使得梯度均值、标准差的估计更一致,减少训练中的不必要的波动。

让我们看一个具体的性能对比。在单张RTX 3090上,训练序列长度填充至100的DKT模型:

# 测试不同batch size下的平均每轮训练时间
batch_sizes = [60, 64, 100, 128]
# 模拟训练循环
for bs in batch_sizes:
    dataloader = DataLoader(dataset, batch_size=bs, shuffle=True)
    start = time.time()
    for epoch in range(5):
        # ... 训练步骤 ...
        pass
    avg_time = (time.time() - start) / 5
    print(f"Batch Size: {bs:3d}, Avg Epoch Time: {avg_time:.2f}s")

假设输出结果可能类似于:

  • Batch Size: 60, Avg Epoch Time: 42.3s
  • Batch Size: 64, Avg Epoch Time: 38.1s (最优)
  • Batch Size: 100, Avg Epoch Time: 40.8s
  • Batch Size: 128, Avg Epoch Time: 39.5s

可以看到,64不仅比60快,甚至比更大的100还要快。这节省下来的时间,允许你在相同时间内进行更多轮的训练或超参数搜索。

操作指南:在确定批量大小时,先根据显存容量估算一个范围(例如32-128),然后在这个范围内选择8的倍数(32, 40, 48, 56, 64, 72, ...)。通常,64是一个在速度和稳定性上取得良好平衡的起点。你可以围绕它进行微调(如48或80),但尽量避免使用像50、100这样非8倍数的值。

3. 学习率与Dropout的协同舞蹈

学习率(Learning Rate)和Dropout率通常被分开调整,但在DKT的LSTM网络中,它们之间存在微妙的协同效应。Dropout通过在训练中随机“关闭”一部分神经元来防止过拟合,但这同时也改变了网络前向传播和反向传播的有效路径与强度。

一个较高的Dropout率(如0.5以上) 意味着每次迭代只有不到一半的神经元参与计算,这相当于在每次更新时,你都在训练一个更小、更简单的子网络。此时,如果学习率设置得过高,梯度更新对于这个脆弱的子网络来说可能过于“猛烈”,导致训练不稳定,损失剧烈震荡。反之,如果学习率过低,模型收敛速度会变得无法忍受的慢。

相反,一个较低的Dropout率(如0.2以下) 保留了大部分网络容量,模型表达能力强,但也更容易过拟合。这时,你需要一个相对较高的学习率来驱动这个复杂模型快速找到损失下降的方向,同时配合早停(Early Stopping)来防止过拟合。

关键在于找到匹配点。我的策略是采用分阶段调整:

  1. 初期探索(高LR,低Dropout):开始时,设置一个相对较高的学习率(如3e-3)和较低的Dropout(如0.3),让模型快速下降,探索损失曲面的大致轮廓。运行5-10个Epoch。
  2. 中期精调(降低LR,适度Dropout):当验证集损失下降明显放缓时,将学习率降低一个数量级(如到1e-3),同时根据验证集过拟合情况,适当提高Dropout率(如到0.5)。这个阶段是模型学习细节的主要时期。
  3. 后期微调(低LR,高Dropout):在训练末期,使用很小的学习率(如1e-4)和可能更高的Dropout(如0.6)进行“微调”,这有助于模型收敛到一个更平坦的极小值区域,通常意味着更好的泛化能力。

提示:PyTorch的LSTM层和Dropout层中的dropout参数含义不同。nn.LSTM(dropout=0.5)指的是层间Dropout(仅在多层LSTM的层之间使用),而更常见的做法是在LSTM输出后接nn.Dropout()层,这是对输出特征进行Dropout。

下表展示了一个在EdNet小型子集上的协同调整实验片段:

阶段学习率 (LR)Dropout率训练AUC验证AUC观察现象
初始3e-30.3快速升至0.82升至0.78后波动训练快,验证不稳
调整后1e-30.5缓慢升至0.85稳步升至0.81训练验证同步增长
微调5e-40.6微升至0.856微升至0.815过拟合得到抑制

4. 隐藏层维度与序列长度的隐式关联

在原始DKT论文和许多实现中,隐藏层维度(hidden_size)常常被设置为一个固定的值(如200)。然而,这个选择与你处理的数据的平均序列长度密切相关,却极少被讨论。

LSTM的核心是维护一个细胞状态(cell state)来传递长程依赖信息。对于知识追踪任务,序列中的每一步代表一次答题交互。hidden_size决定了模型在每一步能“记住”和“理解”多少关于学生知识状态的信息。

  • 序列长,隐藏层小:如果平均答题序列很长(例如超过100),而hidden_size很小(如50),那么模型的“记忆容量”可能不足以编码从序列开头积累的复杂知识状态变化,导致模型对长期依赖建模能力弱,更像一个“短视”的模型。
  • 序列短,隐藏层大:如果序列平均很短(如20),却使用很大的hidden_size(如512),不仅会造成大量的计算浪费和过拟合风险,而且多余的网络容量可能会去学习数据中的噪声,而非真正的知识状态转移规律。

一个实用的启发式规则是:将hidden_size设置为平均序列长度的1到2倍之间,同时确保它是2的幂次方(如64, 128, 256)以优化计算。当然,这需要与模型复杂度(参数量)和可用数据量进行权衡。

例如,分析你的数据集:

import numpy as np
# 假设seq_lengths是一个包含所有学生答题序列长度的列表
seq_lengths = [len(seq) for seq in dataset]
avg_length = np.mean(seq_lengths)
median_length = np.median(seq_lengths)
print(f"平均序列长度: {avg_length:.1f}, 中位数长度: {median_length}")

# 根据平均长度建议隐藏层维度
if avg_length <= 30:
    suggested_hidden = 64
elif avg_length <= 100:
    suggested_hidden = 128
else:
    suggested_hidden = 256
print(f"建议的隐藏层维度起始点: {suggested_hidden}")

此外,hidden_size与输入嵌入维度(input_size)的关系也值得关注。通常,input_size等于知识点数量(num_skills)的嵌入维度。一个常见的做法是让hidden_size略大于或等于input_size,为信息在RNN中的变换提供足够的空间。

5. 梯度裁剪的阈值:防止“梯度爆炸”的保险丝

在训练RNN家族模型(包括LSTM)时,梯度爆炸(Exploding Gradients)是一个经典问题,尤其在处理长序列时。DKT模型由于要建模整个学习历史,序列往往不短,因此风险依然存在。表现就是训练过程中损失突然变成NaN,或者出现剧烈的、不规则的峰值。

梯度裁剪(Gradient Clipping)是解决此问题的标准技术。它设定一个阈值,当梯度的范数超过这个阈值时,就将梯度按比例缩小。在PyTorch中,这通常通过torch.nn.utils.clip_grad_norm_实现。

optimizer.zero_grad()
loss.backward()
# 在optimizer.step()之前进行梯度裁剪
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)
optimizer.step()

关键就在于这个max_norm(阈值)的选择。设得太小(如0.1),会过度限制梯度,严重阻碍模型学习,收敛变慢。设得太大(如100),则几乎起不到保护作用。

经过多次实验,我发现对于DKT模型,一个介于0.5到2.0之间的阈值通常效果良好。你可以从1.0开始。一个更动态的策略是监控梯度范数:

total_norm = 0.0
for p in model.parameters():
    if p.grad is not None:
        param_norm = p.grad.data.norm(2) # L2范数
        total_norm += param_norm.item() ** 2
total_norm = total_norm ** 0.5
print(f"梯度范数: {total_norm:.4f}")
# 如果发现total_norm经常大于10,说明梯度爆炸风险高,需降低阈值或检查模型初始化。

一个高级技巧是结合学习率调度器使用。当使用ReduceLROnPlateau调度器在验证损失停滞时降低学习率时,也可以考虑同时略微调低梯度裁剪的阈值。因为更小的学习率意味着每次更新步长更小,对梯度的“容忍度”也可以相应降低,使用更严格的裁剪(如从1.0调到0.7)可以帮助模型在更平坦的区域找到更精确的极小点。

最后,别忘了随机种子。在对比不同参数组合的效果时,务必固定所有随机种子(PyTorch、NumPy、Python内置随机),否则实验结果的差异可能完全来自于随机性,而非参数调整本身。这是我早期踩过的一个大坑,花了大量时间分析的“规律”后来发现只是随机波动。

def set_seed(seed=42):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.deterministic = True
    torch.backends.cudnn.benchmark = False
set_seed()

调参更像一门艺术而非纯科学,它需要耐心、系统的实验和细致的观察。上面这五个关键点,每一个都曾让我在项目进度上卡壳数日。希望这份聚焦于“坑”的指南,能让你在优化自己的DKT模型时,少走些弯路,更快地让模型产出符合预期的、有意义的预测结果。记住,最好的参数组合永远在你的具体数据和任务上,这些原则是帮你缩小搜索范围的罗盘,而不是终点。

深度知识追踪(DKT)实现pytorch(及常见问题) 参考代码GitHub - dxywill/deepknowledgetracing: Pytorch implementation for Deep Knowledge tracing 论文 其他方面改进 阅读详情

相关推荐

知识追踪实战:用EdNet数据集快速搭建DKT模型(PyTorch版)

本文详细介绍了如何基于EdNet数据集使用PyTorch快速搭建深度知识追踪(DKT)模型。通过解析EdNet数据结构、优化模型架构及训练技巧,实现高效处理大规模教育行为数据,提升个性化学习推荐效果。文章还提供了工业级部署方案和前沿扩展方向,助力教育AI应用落地。

weixin_29219189的博客 444

深度知识追踪(DKT)模型调参指南:如何避免PyTorch实现中的常见坑

本文提供了深度知识追踪(DKT)模型在PyTorch实现中的详细调参指南,重点解析了学习率、批次大小、优化器参数等关键超参数对模型性能的影响,并分享了避免常见问题的实战技巧,帮助开发者提升模型训练稳定性与预测准确率。

weixin_29084231的博客 194

深度知识追踪(DKT)模型调参指南:从学习率到batch size的优化策略

本文详细解析了深度知识追踪(DKT)模型的调参策略,从学习率、batch size到优化器参数的精细调整,提供了完整的优化方法论和实战指南。通过PyTorch实现示例和参数协同优化技巧,帮助开发者解决模型训练中的常见问题,显著提升预测准确率。

weixin_29034963的博客 402

DKT学习

《知识追踪综述》 《Deep Knowledge Tracing》 DKT模型 DKT是Deep Knowledge Tracing的缩写,即深度知识追踪,论文中采用了两种模型,一种是带有sigmoid单位的普通RNN模型,另一种是长-短期记忆(LSTM)模型。 0.什么是知识追踪 知识追踪的任务是根据学生的历史学习轨迹来自动追踪学生的知识水平随时间的变化过程,以便能够准确地预测学生在未来学习中的表现。通常,知识追踪的任务可以形式化为:给定一个学生在特定学习任务上的历史学习交互序列Xi=(x1,x2,x3,

qq_40282662的博客 6078

PyTorch实战:手把手教你搭建深度知识追踪(DKT)模型(附数据集处理技巧)

本文提供了一份详细的PyTorch实战指南,手把手教你搭建深度知识追踪(DKT)模型。内容涵盖从原始数据预处理、模型架构构建到训练循环与调优的全过程,并分享了数据集处理技巧和训练中常见问题的解决方案,旨在帮助开发者快速实现并应用DKT模型于教育技术场景。

weixin_29103191的博客 230

5个实战项目带你玩转知识追踪:从DKT到SAKT模型保姆级代码解析

本文通过5个实战项目,系统解析了从经典DKT到前沿SAKT等知识追踪模型的保姆级代码实现。文章基于ASSISTments和Junyi Academy真实数据集,手把手指导数据预处理、模型构建、训练调试与性能评估全流程,并重点剖析了处理超长序列、内存优化等工程难题与超参数调优技巧,帮助开发者将论文模型转化为可复现的扎实项目。

weixin_28358083的博客 231

知识追踪入门系列-论文资料汇总

Paper : 知识追踪相关论文 下载论文和代码见reference第一个链接 Deep Knowledge Tracing: 首次提出将RNN用于知识追踪,并能够基于复杂的知识联系进行建模(如构建知识图谱) Deep Knowledge Tracing and Dynamic Student Classification for Knowledge Tracing(DKT-DSC) 跟第一篇论文比较相似,都用到了 LSTM,不同的是这篇论文还考虑了将学生进行分类,在进行预测的时候也有不同, ...

sereasuesue的博客 3705

深度知识追踪(DKT)实战:从论文解读到教育场景应用

本文深入解读深度知识追踪(DKT)技术,从核心概念、模型机制到教育场景实战应用。DKT利用深度学习模型分析学生答题序列,动态追踪其知识状态,实现个性化题目推荐与学习路径规划。文章还提供了基于PyTorch的DKT模型搭建实战代码,帮助开发者快速上手这一智能教育技术。

weixin_29082143的博客 386

深度知识追踪DKT:从原理到PyTorch实战,构建个性化学习引擎

知识追踪是教育技术领域的核心问题,旨在通过学生连续的学习行为序列,动态评估其知识掌握状态。其基本原理是将学习过程建模为状态空间模型,利用序列数据推断隐性的认知变化。传统方法如贝叶斯知识追踪虽具可解释性,但难以处理大规模、高维且存在复杂关联的数据。深度学习技术,特别是循环神经网络和长短期记忆网络,通过端到端训练和高维隐藏状态,实现了对知识状态更精细、连续的建模,显著提升了预测性能。这种技术在教育大数据场景下价值凸显,能够为自适应学习系统、个性化推荐和学情诊断提供核心动力。本文以深度知识追踪模型为例,结合PyT

weixin_30785593的博客 410

天线学习笔记——串馈网络设计

工程中通常更倾向于使用50Ω、70.7Ω、100Ω的固定阻抗的带宽,实际中可以分别使用固定阻抗的带宽和计算得到的带宽进行仿真,观察二者的性能,取性能更优者即可。本系列是一个记录天线设计的笔记,分享出来也希望能够帮助到大家,后续本系列文章还会不定期更新,如有需要可关注,任何问题均可在评论区或私信提出,看到必回。如果对大家有帮助可进行打赏哦~

Ethan的博客 7884

VSCode终端打不开?3分钟搞定Windows下Terminal配置(附最新JSON设置方法)

本文针对Windows系统下VSCode终端无法启动的常见问题,提供了详细的诊断与解决方案。核心在于更新已弃用的旧配置,采用最新的JSON设置方法,通过定义`terminal.integrated.profiles.windows`和指定`terminal.integrated.defaultProfile.windows`,快速修复并优化终端配置,实现三分钟内恢复正常使用。

flower的专栏 744

DKT学习(一)

DKT基于Pytorch的实现

m0_48148247的博客 2313

京瓷扫描驱动安装_京瓷喷头拆解和供墨原理剖析

在工业喷头打印领域,京瓷喷头作为主流喷头广泛应用于喷墨行业,目前京瓷喷头市面上销售主要有两个系列:KJ4A和KJ4B。其中KJ4A系列设计是用于油性墨水,例如UV墨水,主要用在广告领域;而KJ4B设计用于水性墨水,例如活性、分散墨水等,主要用在数码印花领域。最近我们团队对京瓷喷头进行了拆解分析,本期和大家分享一下我们对京瓷喷头拆解和喷头供墨原理的研究。京瓷喷头介绍1. KJ4A系列(油性)如下图所...

weixin_39883906的博客 1678

从理论到实践:深度解析DKT模型及其在教育场景中的应用

本文深度解析DKT模型(深度知识追踪)及其在教育场景中的应用。从核心原理到关键技术实现,详细介绍了DKT如何通过LSTM架构精准预测学生知识掌握程度,并结合实际案例展示其在自适应学习系统和个性化作业布置中的显著效果。文章还分享了优化经验和常见问题排查方法,为教育技术开发者提供实用指导。

weixin_33742618的博客 542

验证码接收平台搭建教程(含源代码)

在很多注册流程中,我们常常需要通过短信验证码验证用户的身份。本教程将手把手教你搭建一个验证码接收平台,用于自动接收并展示来自短信网关或短信转发器的验证码。⚠️ 本教程仅供学习使用,请勿用于任何非法用途!本教程展示了一个简单的验证码接收平台的搭建流程,从后端到前端完整实现。你可以将其用于学习 Web 开发、数据库操作以及 Flask 项目部署。访问我的优快云主页。

weixin_52548902的博客 4088

告别手动复制粘贴!用R语言脚本批量抓取TCMSP中药靶点基因(附完整代码)

本文介绍如何使用R语言脚本自动化抓取TCMSP数据库中的中药靶点基因数据,告别手动复制粘贴的低效操作。通过详细的代码示例和参数设置,帮助研究人员快速获取并过滤符合药代动力学标准的中药成分及其靶点基因,大幅提升研究效率。特别适合生物信息学和中药现代化研究领域的从业者。

weixin_26950847的博客 270

深度学习使用Pytorch训练模型步骤

torch.utils.data.Dataset 是一个抽象类,允许你自己的数据源中创建数据集。len(self):返回数据集中的样本数量。getitem(self, idx):通过索引返回一个样本。import os# 调用预处理self.num_u = self.u_list.shape[0] # 用户总数self.num_q = self.q_list.shape[0] # 题目总数# 数据加载与清洗# 生成序列数据# 返回结果损失函数用于衡量预测值与真实值之间的差异。

vvvdg的博客 1064

手把手教你学Simulink--四翼无人机滑模控制器设计与仿真

四翼无人机(Quadcopter)滑模控制(Sliding Mode Control, SMC)是一种鲁棒性很强的非线性控制方法,特别适用于存在模型不确定性和外部扰动的情况。滑模控制器通过强制系统状态进入并保持在一个预定义的滑模面上,从而实现对期望轨迹或姿态的精确跟踪。在这个教程中,我们将使用MATLAB和Simulink来设计并仿真一个基于滑模控制策略的四翼无人机系统。

MHD0815的博客 185

用PyTorch复现DKT模型:从Assistment数据集处理到LSTM训练全流程(附完整代码)

本文详细介绍了如何使用PyTorch复现深度知识追踪(DKT)模型,从Assistment数据集处理到LSTM训练的全流程。通过模块化代码和实战指南,帮助开发者掌握DKT模型的关键技术,包括数据预处理、LSTM网络构建、训练优化及生产环境部署建议,适用于自适应学习系统和在线教育平台。

weixin_30546189的博客 419

【OpenClaw企业级智能体实战】第09篇:OpenClaw金融投研实战:17个场景+完整代码,打造专属数字研究员

金融投研面临信息过载、流程重复、数据安全合规三大核心痛点,OpenClaw作为本地部署的新一代AI智能体,凭借“长期记忆+主动执行+数据不出域”的优势,成为券商分析师集体追捧的效率工具。本文基于8家头部券商公开研报,拆解OpenClaw在金融投研的17个核心应用场景(信息处理、研报撰写、量化策略、流程自动化),详解原理、技术选型、实操流程,并提供可直接运行的完整代码与执行结果。文章兼顾新手入门与进阶提升,强调安全隔离部署与幻觉防范,读者可按步骤搭建专属投研智能体,将信息处理、数据整理等重复工作效率提升80%

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 679

pyKT:深度学习知识追踪的利器

在教育科技领域,知识追踪(Knowledge Tracing, KT)是一个至关重要的研究方向,旨在通过分析学生的学习行为来预测其对特定知识点的掌握程度。**pyKT** 是一个基于 PyTorch 构建的 Python 库,专门用于训练深度学习知识追踪模型。该库不仅集成了标准化的数据预处理流程,还支持多种流行的数据集和预测场景,为研究人员和开发者提供了一个强大且灵活的工具。 ## 项目技术分析

gitblog_00060的博客 865

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

知识追踪终极指南:用pykt-toolkit轻松构建个性化学习系统

在当今数字化教育时代,如何准确评估学生的学习状态并提供个性化指导,成为教育技术领域的重要挑战。知识追踪技术能够通过分析学生的答题记录,预测其对知识概念的掌握程度,从而为每个学生量身定制学习路径。 pykt-toolkit是一个基于PyTorch构建的Python库,专门用于训练深度知识追踪模型。它提供了一套标准化的数据处理流程,支持超过7个流行数据集,并内置了10多种经典预测模型,让知识追踪变得

gitblog_00939的博客 450

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

上一篇: SwiftUI Charts 入门指南:5分钟搞定BarMark和PointMark的基础用法
下一篇: 知网研学Word插件引文样式切换全攻略:从国标到期刊定制
cloud
博客等级 码龄27年 61粉丝 1276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  | 博主筛选后可见
 
 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