- 博客(104)
- 收藏
- 关注
RSS订阅原创 基于物联网的梨园现存智慧信息系统设计方案
李朝霞 夏少芳邢台学院本文提出了一套梨园综合数据采集、传输、云端管理的无人值守解决方案。能够在全天候下不间断准确采集农业气候（大气温度、大气湿度、大气压、光照强度、降水量、蒸发量等），土壤墒情（土壤温度、土壤湿度、土壤电导率、土壤 PH 值等），灌溉水质（水温、PH值、铬、铜、铅重金属离子浓度）以及苗情虫情视频图像监测的实时数据，并及时传输到云端平台，形成数据报表，全面直观的呈现各个监站点的农业综合数据及其变化情况，稳定、准确、可靠地实现区域性智慧农业数据监测。
2024-05-13 16:48:06
894
原创 农作物病虫害预警策略研究
其中，农作物病虫害预警的研究旨在及时发现病虫害的发生趋势和可能性，提前预防和控制病虫害，降低农业生产风险，保障农作物的健康生长和高产高质。其中专家系统和知识图谱需要利用专家经验，实现起来并不简单而且主观因素较大，而遥感技术和无人机检测以及智能传感器网络技术等需要有专门的硬件设施投入和相关网络建设，因此实现代价比较高，而基于数据驱动的方法课利用相关数据模型对历史数据进行挖掘和分析，因此投入小、代价低但决策准确率高，因此是一种在农作物病虫害预警研究中的常用方法。这些数据将作为输入特征，构建决策树模型。
2024-05-10 11:07:09
966
原创 如何信任机器学习模型的预测结果？
也就是说，我们最多只分析 5 个对预测结果产生影响的变量。可以解释为：基于输入数据预测出的汽车燃油效率，主要依次考虑了汽车的重量（Weight）、汽车的动力（Horsepower）、汽车汽缸数量（Cylinders）。首先构建使用 lime 函数构建一个 LIME，简单的解释模型选择决策树，同时 lime 中也指明了原始回归模型的训练样本的第 4 和第 5 列是分类变量。训练一个随机森林回归模型，预测变量是表 tblX 中的变量，响应变量是 MPG，并指明第 4 和第 5 列是分类变量。
2024-01-07 23:10:08
1158
原创 机器学习模型可解释性的结果分析
模型的可解释性是机器学习领域的一个重要分支，随着 AI 应用范围的不断扩大，人们越来越不满足于模型的黑盒特性，与此同时，金融、自动驾驶等领域的法律法规也对模型的可解释性提出了更高的要求，在一文中我们已经了解到模型可解释性发展的相关背景以及目前较为成熟的技术方法，本文通过一个具体实例来了解下在 MATLAB 中是如何使用这些方法的，以及在得到解释的数据之后我们该如何理解分析结果。我们以一个经典的人体姿态识别为例，该模型的目标是通过训练来从传感器数据中检测人体活动。
2024-01-07 23:06:49
1366
原创 深度学习之全面了解预训练模型
在本专栏中，我们将讨论。有很多模型可供选择，因此也有很多考虑事项。这次的专栏与以往稍有不同。我要回答的问题全部源于 MathWorks 社区论坛（）的问题。可供选择的模型非常多，而且只会越来越多。这当然带来很多便利，但也有些令人望而生畏：我们该如何挑选，又如何确定是否作出了正确的选择？与其把所有预训练模型放在一起考虑，我们不妨将它们分成几类。这些模型架构简单，可以轻松上手。这些模型通常层数较少，支持预处理和训练选项的快速迭代。一旦掌握了训练模型的方法，就可以开始尝试改善结果。
2024-01-07 23:04:27
1248
原创 机器学习模型可解释性的结果分析
模型的可解释性是机器学习领域的一个重要分支，随着 AI 应用范围的不断扩大，人们越来越不满足于模型的黑盒特性，与此同时，金融、自动驾驶等领域的法律法规也对模型的可解释性提出了更高的要求，在一文中我们已经了解到模型可解释性发展的相关背景以及目前较为成熟的技术方法，本文通过一个具体实例来了解下在 MATLAB 中是如何使用这些方法的，以及在得到解释的数据之后我们该如何理解分析结果。我们以一个经典的人体姿态识别为例，该模型的目标是通过训练来从传感器数据中检测人体活动。
2023-12-29 17:37:52
1489
原创 关于神经网络，你不得不知的三大要点
神经网络是一个具有相连节点层的计算模型，其分层结构与大脑中的神经元网络结构相似。神经网络可通过数据进行学习，因此，可训练其识别模式、对数据分类和预测未来事件。神经网络将您的输入细分为多个抽象层。比如，可通过大量示例训练其识别模式为语音还是图像，就像人类大脑的行为一样。神经网络的行为由其各个元素的连接方式以及这些连接的强度或权重确定。在训练期间，系统会根据指定的学习规则自动调整相关权重，直到神经网络正常执行所需任务为止。
2023-12-29 17:34:14
867
原创 如何信任机器学习模型的预测结果？
在本篇中，我将通过一个例子。我使用数据集 carbig（MATLAB 自带的数据集）训练一个回归模型，用于预测汽车的燃油效率。数据集 carbig 是 70 年代到 80 年代生产的汽车的一些数据，包括：其中：MPG 为响应变量（预测结果），其它变量为预测变量（数据特征），训练一个回归模型 f，该回归模型可以通过汽车的气缸数量、排量、生产年份等信息预测汽车的燃油效率，数学表达如下:利用 LIME 技术对回归模型 f 的预测结果进行解释，查看是那些特征对预测结果产生影响。具体的实现过程如下。
2023-12-29 17:31:18
1011
原创 如何信任机器学习模型的预测结果？
最直接的想法就是获取全部训练样本的可信性，也就是获取每个训练集样本的影响较大的预测变量，综合所有的结果取得对模型影响比较大的预测变量，并根据先验知识判断模型整体的可信性。，我们可以利用训练数据集的概率分布进行抽样，获取抽样数据预测结果影响较大的预测变量，综合所有的结果取得对模型影响比较大的预测变量，并根据先验知识判断模型整体的可信性。对比两个机器学习模型预测结果以及解释结果。对于相同的预测数据，从预测结果和预测结果的解释两个角度，对比分析随机森林模型和支持向量机模型，结果如下表所示（标准化后的数据）：，
2023-12-24 23:41:26
935
原创 深度学习之全面了解 GPU
假设您已经成功地训练了网络，使用 CPU 就能很好地进行推断。与 GPU 相比，速度差异更为可控，而且我们还改进了这些网络基于 CPU 的推断性能。
2023-12-24 23:36:49
1007
原创 工业 4.0 | 数字孪生入门指南
工业 4.0 在多年热议后悄然落地，如今，制造、能源和运输企业正在越来越多地从中受益。而工程和设计团队之所以能够帮助企业迈入工业 4.0，正是得益于数字孪生的出现。
2023-12-24 23:34:07
1043
原创 如何信任机器学习模型的预测结果？
在本篇中，我将通过一个例子。我使用数据集 carbig（MATLAB 自带的数据集）训练一个回归模型，用于预测汽车的燃油效率。数据集 carbig 是 70 年代到 80 年代生产的汽车的一些数据，包括：其中：MPG 为响应变量（预测结果），其它变量为预测变量（数据特征），训练一个回归模型 f，该回归模型可以通过汽车的气缸数量、排量、生产年份等信息预测汽车的燃油效率，数学表达如下:利用 LIME 技术对回归模型 f 的预测结果进行解释，查看是那些特征对预测结果产生影响。具体的实现过程如下。
2023-12-24 23:27:42
961
原创 如何信任机器学习模型的预测结果？
机器学习已经在企业中得到了广泛应用。最近在与不同企业的交流中发现，机器学习模型预测结果的可信性得到越来越多的关注。关于这个问题，我将通过两个篇幅向大家介绍机器学习模型的可信性，即机器学习预测结果的解释，以及 MATLAB 如何支持对机器学习模型预测结果的解释，并通过一个例子说明在 MATLAB 中的实现过程。首先介绍机器学习模型预测结果的解释及 MATLAB 的支持情况。机器学习的目的是在，并且这个最优模型对未知数据有很好的（即模型具有很好的泛化能力）。
2023-12-23 18:55:00
1130
原创 什么是人工智能（AI）？—— 你需要知道的三件事
人工智能 (AI) 是对人类智慧行为的仿真。它通常是设计用来感知环境、了解行为并采取行动的一台计算机或一个系统。想想自动驾驶汽车：此类 AI 驱动系统将机器学习和深度学习等 AI 算法集成到支持自动化技术的复杂环境。据麦肯锡预计，到 2030 年，AI 的全球经济价值将高达 13 万亿美元。这是因为在 AI 浪潮的影响下，几乎各行各业乃至每一个应用领域的工程环节都在转型。除了自动驾驶以外，AI 还广泛应用于以下领域：机器故障预测模型，告知何时需要进行机器保养；健康和传感器分析，如病患监护系统；
2023-12-23 18:52:54
2955
原创 懂机器学习？先来回答这三个问题 ＞＞
机器学习算法使用计算方法直接从数据中“学习”信息，而不依赖于预定方程作为模型。随着可用于学习的样本数量的增加，算法也会相应地提高性能。
2023-12-23 18:50:53
852
原创 深度学习之全面了解预训练模型
实际上，您也可以将一个预训练模型的权重应用于您的模型，这样不经训练也能创建一个“经过训练的”网络。只需重复灰度图像的单个层，就可以创建网络所期望的输入结构，原理如下图所示。假设您的图像是 1000×1000 像素，您的模型接受 10×10 像素大小的图像。只要模型的准确度能满足给定任务的需求，就是一个可接受的模型。这是一张色彩非常丰富的图像，可以看到，三个 RGB 平面看起来就像三张灰度图像，它们组合在一起形成一张彩色图像。最后，说到权重，对于类分布不平衡的分类问题，可以使用加权分类输出层。
2023-12-10 10:03:56
1548
原创 深度学习之全面了解网络架构
网络的权重和偏置会根据输入数据进行调整，因此面对新任务时，可以较快地重新训练网络。这种方法的重点在于，在将信号传送到网络之前，先要将信号转换成图像。对于这个问题，我认为无论数据集大小如何，您都可以使用任何您认为合适的网络，但可以考虑使用预训练网络来减少所需的输入数据量，或考虑采用一些方法来增强数据集。这种方法不要求手动识别特征，毕竟在多传感器的情况下，手动识别特征会是相当艰巨的任务。在这篇文章中，我们将和大家探讨“深度学习中的网络架构”这个主题，解释相关背景知识，并就一些问题进行解答。
2023-12-09 16:10:07
1148
原创 工业 4.0 | 数字孪生入门指南
如图所示，在一个典型的智能连接系统拓扑结构中，可以根据应用所需的响应时间，在智能资产、边缘或 IT/OT 层执行数字孪生。借助运营中的实物资产的最贴近表示，工程和设计团队可以挖掘数据背后的意义，从而推动优化、改进效率、实现自动化和评估未来性能，最终节约成本、缩短开发时。例如，石油公司可以流式传输持续运转的海上石油钻塔的传感器数据，而数字孪生模型会寻找运行行为中的异常现象，以标记潜在的设备损坏。借助数字孪生，公司能够监控整个车队，仿真未来场景并进行比较，以找出提高效率、改进运营规划的方法。
2023-12-09 16:04:42
988
原创 AI 赋能 | 智能制造的 AI 算法开发和工程实现
深度神经网络是一个黑盒模型，使用训练好的模型对新图像进行分类，可直接输出对应的标签，但是怎样解释预测结果，神经网络的推断是否有合理依据，却难以评估，此外，简单分类也无法反映缺陷的位置和形状。采集足够多的样本后，通过对带有真值标注的数据进行监督式机器学习，是常用的构建预测模型进行分类的方法。如果您的实际应用场景较为复杂，可考虑加强对外部环境的控制，例如光照条件、摄像头角度等，此外，在前处理的过程中，结合更多图像处理和计算机视觉技术，例如相机校准、图像增强和降噪等方法，以获得更高质量的样本数据。
2023-12-09 16:02:11
1349
原创 实用案例 | 用 Binning Explorer 小程序创建评分卡题
这个案例展示如何运用 MATLAB 中自带的 Binning Explorer 小程序来创建信用评级中的评分卡。用 Binning Explorer 对样本进行分箱操作, 创建图表来展示分箱信息，并将创建的对象”creditscorecard”导出。然后利用 creditscorecard 对象，结合 Financial Toolbox™ 中的函数来对逻辑回归模型进行拟合, 为样本进行评分并计算违约概率(PD)，然后用三个不同的指标对评分卡模型进行验证。
2023-12-09 11:28:16
1106
原创 金融专题 | 对复杂的金融工具进行设计、定价和对冲分析
使用各种定价方法和模型，计算固定收益证券、掉期、远期掉期以及基于期权/嵌入式期权和共同利率期权（包括债券期权、浮动利率票据期权、利率顶、利率底和掉期期权）的固定收益工具的价格和敏感度。对于固定收益建模，您可以计算几种类型的证券和衍生品的价格、收益率、价差和敏感度值，包括可转换债券、抵押贷款支持证券、国库券、债券、掉期交易、利率顶、利率底和浮动利率票据。计算信用和抵押贷款工具（例如信用违约掉期 (CDS)、抵押贷款支持证券 (MBS) 和抵押担保债券 (CMO)）的价格和敏感度。
2023-12-09 11:10:15
1227
原创 人工智能，不止于模型：四步实现完整工作流
工程师越来越多地致力于将人工智能 (AI) 集成到自己的项目和应用中，同时不断着力提升自己的 AI 技能。面对 AI 问题，工程师首先要了解什么是 AI，以及如何将它纳入当前工作流，这看似简单，实则未必容易。在 Google 中搜索“什么是 AI？”会得到数百万条结果，包括不同程度的技术和相关信息。那么，对工程师而言，AI 意味着什么？人们对 AI 的关注主要集中在 AI 模型上，受此影响，工程师会迅速投入 AI 建模的研究。
2023-12-09 11:06:46
1808
原创 机器学习之全面了解模型验证
如果我们用于训练和测试的数据集不是随机的，只包含周末的能源消耗数据（通常低于工作日），那么当我们将该模型应用于新数据（例如新月份）时，它会是不准确的，因为它只代表周末。简单的解释是，超参数调整中需要使用验证集，以查看调整是否有效，换句话说，能否在完整模型上进行迭代。要测试您的模型在新数据上的表现，可以使用模型验证，方法是对数据集进行划分，然后使用一个子集训练算法，使用其余数据测试算法。这意味着根据我们为超参数选择的值，我们可以得到完全不同的模型，并且，通过更改超参数的值，我们可以找到不同的、更好的模型。
2023-12-08 07:33:56
1851
原创 机器学习之全面了解回归学习器
如果您已知数据特别适合用某一类模型处理，或者某一类模型的训练速度太慢，则可以在 App 中选中该类型或取消选中，而不必对所有类型进行训练。如果您对数据使用留出法验证或交叉验证，则此图特别有用，因为图中显示的预测值对应的是留出的观测值，模型未在这部分数据上进行训练。例如，您可以使用回归模型来预测电力负荷或预测暴风雨造成的损失，与在其他机器学习 App 中一样，在该 App 中使用时序数据之前，必须对数据进行预处理和清理。RMSE 衡量每个模型的预测值与观测值之间的距离，因此它衡量的是这些残差的扩散程度。
2023-12-08 07:32:31
2142
原创 深度学习之全面了解 GPU
每一年，GPU 制造商都在不断推出更新、更快的 GPU，于是，老型号吸引力随之减退，也不再那么昂贵。最后一点，和 CPU 一样，GPU 总是一代比一代更快。和一般的计算机硬件一样，GPU 也会更新换代，因此您会希望训练模型所用的 GPU 与同行当前所用的保持一致。正如上一个问题，这同样取决于您的实际需求，但我们在此忽略技术细节，只是假设您有一定的时间压力，从而将此问题转化为“我如何确定我需要什么样的 GPU？在刚刚过去的十年中，以 NVIDIA® GPU 为首，GPU 的运用有力助推了深度学习的大潮。
2023-12-08 07:31:25
969
原创 机器学习应用 | 使用 MATLAB 进行异常检测（下）
马氏距离可以理解为是对欧式距离的一种修正，假设，下图中蓝色点和黄色点离样本均值的欧式距离相近，但是由于样本整体分布沿 f(x)=x 的方向分布（变量之间具有相关性），蓝色点更有可能是数据集中的点，对应的马氏距离更小，而黄色点更有可能是离群值，对应马氏距离也更大。综上，各个方法的适用范围不一，或是有特定的使用条件，在使用时需要多加留意，例如马氏距离适合符合正态分布假设的数据集，孤立森林适用于处理正常样本和异常样本差异较大的情况，各个算法计算复杂度有些许区别，可以根据实际情况选择合适的方法。
2023-12-07 09:50:12
2291
原创 机器学习应用 | 使用 MATLAB 进行异常检测（上）
在全天候运行的工业设备中，故障停机意味着产能的降低，因此设备运营阶段往往采取预防性维护的策略，这意味着异常数据稀缺，并且采集到数据全部或大多是正常数据，异常数据的占比往往较低（获取难度大风险高，或是无法描述异常模式），这也是为什么异常检测任务多被处理为无监督学习问题，仅仅通过正样本（正常数据）训练算法实现任务，或根据数据的隐藏特性筛选出其中的异常样本。在设备预测性维护应用中，针对传感器信号中的异常检测，多用生成式模型，学习正常数据的特征，并尝试重建数据，再利用重建误差作为判定是否异常的指标，如图。
2023-12-07 09:44:28
3429
1
原创 2023 年工程师不可错过的 AI 主要发展趋势
在 ROM 和其他基于物理信息的应用中，AI 将促进模型计算收敛，同时由于引入规则的算法，可提高模型的可解释性。GitHub 是获得即时可用的最新研究模型的首选平台。如果需要更新、内存占用更大的模型，量化和剪枝技术则提供了压缩模型的方法，可在对准确度影响最小的情况下降低模型大小。此外，可解释性方法也被用于更复杂的模型，以解释模型的决策，从而提高输出的置信度。基于物理信息的 AI 其核心是对仿真的需求：这些复杂的模型可以配置为仿真中的变体，使工程师能够在模型之间快速切换，以获得最佳且最准确的计算结果。
2023-12-07 09:41:36
934
原创 基于机理和模型的特征提取与预测性维护
随着数据科学的发展，越来越多的领域工程师希望将人工智能算法用于预测性维护，例如使用机器学习或深度学习算法训练模型，用于状态监控，异常检测或寿命预测。通常我们寄希望于通过传感器能够直接计算得到一些统计和信号特征作为健康指标，用于模型训练。本文将通过如下三个示例，试图提供一些思路，可以结合机理模型进行特征提取来用于健康诊断。简单示例离心泵示例无级变速箱示例为了方便理解，我们先看个简单的示例。例如我们有两类加速度数据，分别是正常数据和故障数据。
2023-12-03 11:41:15
660
原创 昆虫大脑完胜机器学习
生命体一直以来都是技术灵感的来源：鸟类仿生学帮助人类设计出首个飞行器，而带刺的种子则被 Velcro 魔术贴仿用。当前，仿生学正用于机器人和计算机视觉等各种尖端技术。事实证明，由于生物的不断进化，即使是相对简单的生命体大脑在遇到事关生存的任务时，也会变得非常智慧。对于蛾子来说，这意味着嗅觉。即使蛾子的大脑只有针头大小，却可高效地习得新气味。蛾子通过嗅觉捕食和求偶，这是关乎物种生存的两项关键任务。
2023-12-03 11:38:36
971
原创 懂机器学习？先来回答这三个问题
机器学习算法使用计算方法直接从数据中“学习”信息，而不依赖于预定方程作为模型。随着可用于学习的样本数量的增加，算法也会相应地提高性能。
2023-12-03 11:35:58
83
原创 数学建模 | MATLAB数据建模方法--机器学习方法
近年来，全国赛的题目中，多多少少都有些数据，而且数据量总体来说呈不断增加的趋势， 这是由于在科研界和工业界已积累了比较丰富的数据，伴随大数据概念的兴起及机器学习技术的发展， 这些数据需要转化成更有意义的知识或模型。所以在建模比赛中， 只要数据量还比较大， 就有机器学习的用武之地。机器学习 ( Machine Learning ) 是一门多领域交叉学科，它涉及到概率论、统计学、计算机科学以及软件工程。
2023-12-02 10:11:22
2797
原创 AI与控制（二）从优化到最优控制，从动态规划到强化学习--1
优化问题，尤其静态优化问题，在控制系统设计中随处可见，例如基于燃油经济性和驾驶体验的多目标优化的汽车发动机 MAP 标定，基于性能指标优化的飞行器结构设计参数优化，以实验数据与模型输出匹配为目标的电池 RC 等效电路模型标定等等，他们都是通过构建目标函数（某个值的性能最大，或者某两个值之间的差距最小），然后调用优化算法实现设计变量寻优。
2023-12-02 09:33:29
1559
原创 优化问题，详解静态优化
在控制系统设计中随处可见，例如基于燃油经济性和驾驶体验的多目标优化的汽车发动机 MAP 标定，基于性能指标优化的飞行器结构设计参数优化，以实验数据与模型输出匹配为目标的电池 RC 等效电路模型标定等等，他们都是通过构建目标函数（某个值的性能最大，或者某两个值之间的差距最小），然后调用优化算法实现设计变量寻优。
2023-12-02 09:23:37
1203
原创 机器学习挑战：如何避免机器学习模型过拟合？
分类是机器学习最常见的应用之一。分类技术可预测离散的响应 — 例如，电子邮件是不是垃圾邮件，肿瘤是恶性还是良性的。分类模型可将输入数据划分成不同类别。
2023-12-01 09:06:50
980
原创 多层数据管理方案解决 AUTOSAR CP Composition 级别共享代码生成问题
至此，我们就实现了 Controller 模型和 Monitor 模型的数据解耦，且数据的定义各自生成到各自的子目录中，此方式的另一个好处就是无论Monitor_Shared.sldd 中的数据如何变化，无需再对Controller 模型生成代码，仅需要对 Monitor 模型重新生成代码，即可更新所需的定义文件（.c）和slprj/autosar/_sharedutils 中的声明文件（.h），大大节省了重复生成代码的时间。
2023-12-01 09:02:32
1113
原创 聚焦 6G 无线技术——目标和需求
从 3G 到 5G 乃至之后的每一种无线标准，都在设计时加入了推动行业发展的具体目标。例如，4G 专注于以 IP 为中心的灵活语音、数据和视频通信，而 5G 则在此基础上进行了改进。6G 的目标是提供更加无处不在、更高效、更身临其境的无线连接。6G 系统的研发正在逐步前进，我们也开始对无线行业将会经历的技术进步有了清晰的了解。下面将深入探讨无线工程师在当前和未来项目中应该予以考虑的赋能技术。使用 7-24 GHz 范围和亚太赫兹范围（大于 100 GHz）中的新频率很可能成为 6G 通信系统的一部分。
2023-11-29 22:59:05
1068
原创 网络安全 | 使用人工智能阻止网络攻击
在容量耗尽攻击中，网络一次涌入大量流量，致使网络过载，就像汽车拥堵会导致城市道路过载一样。恶意软件可以隐藏请求的来源，使得攻击难以抵挡。有些服务还会提供雇佣攻击服务，使得攻击更加容易使用。这些服务的发起方通常是心怀不满的员工、激进分子、市场竞争对手和国家。Karpowicz 指出，在疫情居家期间，NASK 在网课开始时检测到来自学生网络发起的攻击，其目的是试图让在线测试无法进行。但最近 Karpowicz 开发了数学方法来检测这种恶意请求，以对其进行阻止或重定向。
2023-11-29 22:56:22
1046
原创 关于图像识别，你不得不知的三大要点
图像识别不仅可以加速处理繁琐的任务，而且还可以比人工图像检查更快速或更准确地处理图像。：在制造过程中识别零部件是否有缺陷，可以快速检查装配线上的数千个零部件。：根据图像内容对图像进行分类。这在电子商务领域的图像检索和推荐系统等应用中特别有用。：识别图像中的停车标志或行人的能力对于自动驾驶应用至关重要。：机器人可以利用图像识别来识别目标，并通过识别路径上的位置或目标来增强自主导航。图像识别在零部件缺陷视觉检查中的应用。图像识别是支持这些应用的核心技术。
2023-11-29 22:52:13
1319
原创 关于神经网络，你不得不知的三大要点
神经网络是一个具有相连节点层的计算模型，其分层结构与大脑中的神经元网络结构相似。神经网络可通过数据进行学习，因此，可训练其识别模式、对数据分类和预测未来事件。神经网络将您的输入细分为多个抽象层。比如，可通过大量示例训练其识别模式为语音还是图像，就像人类大脑的行为一样。神经网络的行为由其各个元素的连接方式以及这些连接的强度或权重确定。在训练期间，系统会根据指定的学习规则自动调整相关权重，直到神经网络正常执行所需任务为止。
2023-11-29 12:56:39
1024
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人