开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在R中使用for循环重新评估许多观察值

，可以通过以下步骤实现：

首先，确保已经安装并加载了R语言的基本包。
创建一个包含要重新评估的观察值的数据集。可以使用数据框或矩阵来存储数据。
使用for循环遍历数据集中的每个观察值。
在循环中，对每个观察值进行重新评估的操作。这可以是任何你想要的操作，例如计算新的指标、应用统计模型等。
将重新评估的结果存储在一个新的变量中，或者更新原始数据集中的相应观察值。

以下是一个示例代码，演示了如何使用for循环重新评估许多观察值：

# 创建一个包含观察值的数据集
data <- data.frame(observation = c(1, 2, 3, 4, 5))

# 创建一个新的变量来存储重新评估的结果
reassessed <- numeric(length(data$observation))

# 使用for循环重新评估每个观察值
for (i in 1:length(data$observation)) {
  reassessed[i] <- data$observation[i] * 2  # 以每个观察值乘以2作为重新评估的示例操作
}

# 打印重新评估的结果
print(reassessed)

在这个示例中，我们创建了一个包含5个观察值的数据集。然后，我们使用for循环遍历每个观察值，并将每个观察值乘以2作为重新评估的操作。最后，我们将重新评估的结果存储在一个新的变量中，并打印出来。

请注意，这只是一个简单的示例，你可以根据具体的需求和操作进行相应的修改和扩展。

腾讯云相关产品和产品介绍链接地址：

腾讯云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
腾讯云人工智能（AI）：https://cloud.tencent.com/product/ai
腾讯云物联网（IoT）：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发（移动推送）：https://cloud.tencent.com/product/umeng
腾讯云存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链（BCS）：https://cloud.tencent.com/product/bcs
腾讯云元宇宙（Tencent XR）：https://cloud.tencent.com/product/xr

相关搜索:循环用于识别r中缺少的观察值在R中闪亮:如何正确使用观察？GetDate()是否在事务中的循环内重新评估每次迭代？在r和ggplot2中通过for循环绘制许多函数 updateMatrixInput在R shiny中的观察循环中不工作使用for循环在R中重新排列GLM分析的数据在R中重新计算变量的值在R中重新编码多个值？在R中重新编码循环中的变量在R中按y值重新排序列？在r中绑定两个观察值的频率在R dataframe中跨列检测相同的观察值使用R中列表中的值运行循环使用循环在R中添加列使用循环在R中绘制绘图使用函数在R中编写循环使用R重新分配定向(循环)数据中的位置在Python中使用循环删除该观察值的变量值为0时的观察值如何使用dplyr语法在R中编写循环"for“循环在R中存储循环中的多个值

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

聚类算法，k-means，高斯混合模型(GMM)

理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。...算法分为两个步骤，第一个 for 循环是赋值步骤，即：对于每一个样例?，计算其应该属于的类。第二个 for 循环是聚类中心的移动，即：对于每一个类?，重新计算该类的质心。...K-均值算法也可以很便利地用于将数据分为许多不同组，即使在没有非常明显区分的组群的情况下也可以。...**EM算法是在最大化目标函数时，先固定一个变量使整体函数变为凸优化函数，求导得到最值，然后利用最优参数更新被固定的变量，进入下一个循环。具体到高斯混合模型的求解，EM算法的迭代过程如下。...例如，K均值聚类可以用误差平方和来评估，但是基于密度的数据簇可能不是球形，误差平方和则会失效。在许多情况下，判断聚类算法结果的好坏强烈依赖于主观解释。

5.4K2 0

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测

本文将演示如何在 R 中使用 LSTM 实现时间序列预测。 ---- 简单的介绍时间序列涉及按时间顺序收集的数据。我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。...前五个观察样本数据准备将数据转换为平稳数据这是通过获取系列中两个连续值之间的差异来完成的。这种转换（通常称为差分）会删除数据中与时间相关的成分。...最后，我使用准确性作为评估模型性能的指标。...为了实现这一点，我们在 epoch 上运行一个循环，在每个 epoch 中我们拟合模型并通过参数 _reset_states()_重置状态。...---- 本文摘选《R 语言用RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测》

1.2K3 0

K-Means(K均值)、GMM(高斯混合模型)，通俗易懂，先收藏了！

给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。...第二个 for 循环是聚类中心的移动，即：对于每一个类?，重新计算该类的质心。 K-均值算法也可以很便利地用于将数据分为许多不同组，即使在没有非常明显区分的组群的情况下也可以。...**EM算法是在最大化目标函数时，先固定一个变量使整体函数变为凸优化函数，求导得到最值，然后利用最优参数更新被固定的变量，进入下一个循环。具体到高斯混合模型的求解，EM算法的迭代过程如下。...例如，K均值聚类可以用误差平方和来评估，但是基于密度的数据簇可能不是球形，误差平方和则会失效。在许多情况下，判断聚类算法结果的好坏强烈依赖于主观解释。...在无监督的情况下，我们可以通过考察簇的分离情况和簇的紧凑情况来评估聚类的效果。定义评估指标可以展现面试者实际解决和分析问题的能力。

6.1K1 0

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测|附代码数据

2017 年年中，R 推出了 Keras 包 _，_这是一个在 Tensorflow 之上运行的综合库，具有 CPU 和 GPU 功能本文将演示如何在 R 中使用 LSTM 实现时间序列预测。...我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。时间 t 在 T=Z 的情况下可以是离散的，或者在 T=R 的情况下是连续的。为简化分析，我们将仅考虑离散时间序列。...前五个观察样本 01 02 03 04 数据准备将数据转换为平稳数据这是通过获取系列中两个连续值之间的差异来完成的。这种转换（通常称为差分）会删除数据中与时间相关的成分。...最后，我使用准确性作为评估模型性能的指标。...为了实现这一点，我们在 epoch 上运行一个循环，在每个 epoch 中我们拟合模型并通过参数 _reset_states()_重置状态。

7330 0

通过局部聚集自适应的解开小世界网络的纠结

一种有效的动态算法，保持在边删除下的聚类系数，在O(α(G)m)总时间内运行，其中m是图中的边数，而α(G)是最小的能够覆盖图G边集合的生成森林对我们的方法在许多真实世界和合成网络中的有效性进行了广泛的评估...v∈V，N(v)是v的邻居节点此后，将执行重新附权值。重新调整权值原因是关系(u,v)∈E可能对u和v的重要性是不一样的。...因此，我们使用寝室属性作为分区C，从而用phi值进行评估。当主干结构和聚类系数计算考虑到图的所有顶点时，在计算phi值时则会忽略一个缺失宿舍值的顶点。因此，大量缺失的值可能会将phi值作为评估准则。...过滤值我们可以观察到一个有趣的观察值，当观察到集群系数最大(图8)的四边Simmelian主干的阈值过滤值时，可以清楚地看到facebook100网络组大约有三个不同的阈值值。...强调网络的局部密度和主干布局让我们能够在全局环境中获得关于局部图结构的信息的图。主干显示: 许多强大的社区存在。社区常常是高度重叠的。许多参与者(或顶点)没有很好地集成在强社区内。

1.1K1 0

RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测

本文约1700字，建议阅读5分钟本文将演示如何在 R 中使用 LSTM 实现时间序列预测。全文链接：http://tecdat.cn/?...我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。时间 t 在 T=Z 的情况下可以是离散的，或者在 T=R 的情况下是连续的。为简化分析，我们将仅考虑离散时间序列。...前五个观察样本：数据准备将数据转换为平稳数据这是通过获取系列中两个连续值之间的差异来完成的。这种转换（通常称为差分）会删除数据中与时间相关的成分。...最后，我使用准确性作为评估模型性能的指标。...为了实现这一点，我们在 epoch 上运行一个循环，在每个 epoch 中我们拟合模型并通过参数 _reset_states()_重置状态。

5711 1

华为诺亚 | 发布盘古智能体框架：Pangu-Agent，让Agent学会结构化推理

该函数通常是参数化神经网络，根据环境观察生成动作。经典的强化学习方法使用单个映射函数来定义策略 π，但在复杂的环境中通常被证明是不够的，这与通用智能体在多个随机环境中交互、适应和学习的目标相矛盾。...使用者也可以轻松扩展智能体的功能，并组合或重用许多已经实现的方法。作者在七个 LLM 和六个不同领域上进行了评估。该评估可用于告知研究人员如何初始化其智能体以及如何收集微调步骤的数据。...因此，典型的 RL 目标旨在找到一个以观察 o→ 的历史为条件的策略 π，以最大化回报 R，即 maxπ(・) R (π(・|o→)) 可以使用嵌套集重写（参见图 . 2) 内函数 µ→ (・) 为：...首先在表 2 中，研究者评估了一阶嵌套，即只通过观察环境和对环境执行的操作来修改智能体记忆的设置。...在 WebShop 等涉及相对较大观测值的任务中，提示的长度需要截断，以保持在允许的上下文长度范围内。

8971 0

code：通过进化、可塑性和元元学习获得认知能力（4个时间维度的学习迭代）

我们定期在进化过程中从未见过的预留“测试”元任务上测试网络，以评估网络在总体目标上的表现：自动获取看不见的认知任务。...神经活动和塑料重量不会在试验之间重新设置。 2.4内循环：试验/剧集在每次试验期间，网络连续观察两个刺激。...在代表性运行中，Π中的值从统一值0.5演变为最终范围‑0.43至1.41(中值0.47)。此外，随机交换Π的值(保留幅度分布但取消精细组织)会将性能降低到机会水平。...[2019].特别是，我们只使用二元刺激和反应，而不是原始研究的实值(循环)刺激和反应。杨等。...每个人都被初始化，执行一项任务，然后再次重新初始化。这当然是不现实的。实际上，动物从其一生的经验中获得了大量的知识，这些知识是在许多不同的问题中积累的，这极大地提高了它们在成年后的表现。

3124 0

注意力机制可解释吗？这篇ACL 2019论文说……

研究人员观察到，尽管在一些案例中，高注意力权重对模型的预测有更高的影响，但他们也发现了许多和这一现象不同的案例。...此外，从图 3 可以看出，几乎所有的∆JS 值都接近于 0。通过图 4 可以看出，在 i^∗影响较小的情况下，i^∗的注意力和 r 注意力之间差别不大。...尽管使用降序注意力权重移除中间表示的方法往往可以使决策翻转比随机排序更快，在许多情况下，这种方法比梯度排序或梯度-注意力-乘积排序的决策翻转效率更低。...语境范围对注意力可解释性造成的影响在机器翻译中，以前的研究观察到，在一个完整序列上，循环神经编码器可能对 token 的信号进行移动，从而导致之后的注意力层反直觉地计算。...研究者注意到，决策翻转的速度比两个基于 rnn 的模型都要快，说明双向循环网络可以有效地学习如何广泛地重新分布分类信号。相反的，卷积编码器只根据输入字符的前后两个字符学习语境表示。

5232 0

注意力机制可解释吗？这篇ACL 2019论文说……

研究人员观察到，尽管在一些案例中，高注意力权重对模型的预测有更高的影响，但他们也发现了许多和这一现象不同的案例。...此外，从图 3 可以看出，几乎所有的∆JS 值都接近于 0。通过图 4 可以看出，在 i^∗影响较小的情况下，i^∗的注意力和 r 注意力之间差别不大。...尽管使用降序注意力权重移除中间表示的方法往往可以使决策翻转比随机排序更快，在许多情况下，这种方法比梯度排序或梯度-注意力-乘积排序的决策翻转效率更低。...语境范围对注意力可解释性造成的影响在机器翻译中，以前的研究观察到，在一个完整序列上，循环神经编码器可能对 token 的信号进行移动，从而导致之后的注意力层反直觉地计算。...研究者注意到，决策翻转的速度比两个基于 rnn 的模型都要快，说明双向循环网络可以有效地学习如何广泛地重新分布分类信号。相反的，卷积编码器只根据输入字符的前后两个字符学习语境表示。

4571 0

R语言STAN贝叶斯线性回归模型分析气候变化影响北半球海冰范围和可视化检查模型收敛性|附代码数据

了解 Stan统计模型可以在R或其他统计语言的各种包中进行拟合。但有时你在概念上可以设计的完美模型，在限制了你可以使用的分布和复杂性的软件包或程序中很难或不可能实现。...Stan开发团队的一个目标是通过清晰的语法、更好的采样器（这里的采样是指从贝叶斯后验分布中抽取样本）以及与许多平台（包括R、RStudio、ggplot2和Shiny）的集成，使贝叶斯建模更易于使用。...编译后，您可以在每个会话中多次使用模型，但在开始新R 会话时必须重新编译。有许多 C++ 编译器，而且它们在不同系统中通常是不同的。如果您的模型一堆错误，请不要担心。...从这个输出中，我们可以通过查看Rhat 每个参数的值来快速评估模型收敛性。当这些值等于或接近 1 时，链已经收敛。还有许多其他诊断方法，但这对 Stan 来说很重要。...}请注意，GQ（生成量）块不支持矢量化，因此我们必须将其放入循环中。但是由于它被编译为 C++，循环实际上非常快，并且 Stan 每次迭代只评估一次 GQ 块，因此它不会为您的采样增加太多时间。

8733 0

基于语义分割的相机外参标定

，从而导致具有许多异常值的噪声3D点云，因此，我们过滤出距离车辆激光雷达传感器超过最大距离dmax的点，在实践中，dmax选择在50米和75米之间，这是Velodyne传感器的标准截止值。...d）结果验证：在执行优化步骤后，最终获得初始校准结果，然而，由于损失函数相对于校准参数是非凸的，该结果可能表示局部最小值，为了避免局部极小值，使用前一个结果作为新的开始值重新启动优化两次，同时在最后的优化步骤期间将收敛阈值从...实验通过使用 CARLA模拟器观察虚拟交叉口环境，以及基于kitti数据集的真实环境，来评估我们在基础设施场景中的方法，评估描述了外参估计的准确性，包括用于基准测试的场景处理，最后给出了我们的结果。...表1总结了我们的评估结果和检查的损失函数，对于CARLA评估，两个场景的平移误差都低于7厘米，而旋转误差最多为0.11◦. 我们观察到误差主要来源于点云稀疏性。...总结本文提出了一种用于基础设施和智能驾驶车辆中相机的外参校准方法，在我们的方法中，在获得了lidar数据和相机数据的语义分割后，通过使用循环优化将语义的分割图像与分割的激光雷达数据的渲染视图相匹配，使用该分割数据来找到最佳校准参数

8562 0

一文入门深度强化学习

在这篇文章中，我们将尝试在不涉及技术细节的情况下，揭开它的神秘面纱。状态、奖励和行动每个强化学习问题的核心都是代理和环境。环境提供有关系统状态的信息。代理观察这些状态并通过采取行动与环境交互。...自动驾驶汽车：在自动驾驶中，代理就是汽车，环境就是汽车行驶的世界。RL 代理通过摄像头、激光雷达以及其他传感器观察环境状态。代理可以执行导航操作，例如加速、刹车、左转、右转或维持现状。...它回溯其轨迹并根据代理与最终目标的接近程度重新调整每个状态-动作对的奖励。在下一集中，RL 代理进一步理解给定每个状态需对应采取哪些行动；它逐渐调整策略，直到收敛到最优解。...基于值的算法：基于值的函数学习评估状态和动作的值。基于值的函数可帮助 RL 代理评估当前状态与动作的预期回报。基于值的函数有两种变体：Q 值和 V 值。Q 函数估计状态-动作对的预期回报。...比如，深度强化学习模型可以使用卷积神经网络，从视觉数据中提取状态信息。循环神经网络可以从帧序列中提取有用的信息，例如球的朝向，或者汽车是否停放或移动。

1.2K1 1

Nat. Mach. Intel. | 基于真实世界患者数据的药物重定位的深度学习框架

如电子健康记录的真实数据可提供有关许多药物使用者的信息。在这项工作中，作者提供了一个有效的框架，该框架可使用对现实世界数据的回顾性分析来生成和测试多个候选药物用于再利用。...总的来说，在这项研究中，作者遵循随机临床试验（RCT）设计的方案，并通过使用RWD明确模拟相应的临床试验，通过计算筛选出重新筛选候选药物以获得有益效果。...作者提出了一种创新的研究设计，可以根据纵向观察数据估算药物的作用。 CAD队列是在本文的框架下自动派生的，从而加快了药物计算的用途。...在图3中展示了估计的ATE分布。这项研究显示了经过重新加权和具有统计意义的估计值（调整后的p-value）后，具有平衡的用户和非用户子队列的候选药物。根据递增的估计ATE值，将所有药物从左到右排序。...根据ATE的定义（即使用者和非使用者观察到的结果的加权平均值），将ATE值小于0的药物成分识别为改善疾病预后，而将ATE的药物成分识别为改善疾病预后大于0的值被认为会使疾病的后果恶化。

1K3 1

【经典高分文章】T细胞受体的空间异质性反映肺癌中突变景观

Rényi熵使用R包vegan中的Rényi function来计算Rényi多样性。...计算了模拟中观察到的对数似然比大于或等于真实数据观察到的对数似然比的比例（p）。这个过程给了一个P值的非参数估计，修正了模型2增加的复杂性。算法在R中实现，在每个肿瘤的所有TCRs上运行。...TCR库在肺的非肿瘤中的分布与肿瘤中分布相似（图1a）。不同Rényi熵（评估统的多样性的指标）所捕获的肿瘤和非肿瘤肺TCR序列的差异性也没有显著性差异（图1b）。...接下来计算似然值，每个瘤内expanded TCR 在肿瘤内观察到R次，在非瘤组织内观察到N次，实际上是通过随机抽样（假设从均值（R+N）/2的分布中抽样得到一个随机泊松抽样分布）从相同的总体推导而来的...因此，接下来在共享氨基酸三联体的基础上，在肿瘤库中搜索相关TCR序列类（图3a）。许多expanded瘤内普遍型TCR序列观察到形成一个高度相关的TCR序列类的一部分（图3b）。

8682 0

如何在交叉验证中使用SHAP？

简而言之，SHAP值通过计算每个特征的边际贡献来工作，方法是在许多有和没有该特征的模型中查看（每个观察值的）预测，根据每个这些减少特征集模型中的权重计算这种贡献，然后总结所有这些实例的加权贡献。...使用SHAP库在Python中实现SHAP值很容易，许多在线教程已经解释了如何实现。然而，我发现所有整合SHAP值到Python代码的指南都存在两个主要缺陷。...机器学习中的不同评估程序。另一个缺点是：我遇到的所有指南都没有使用多次交叉验证来推导其SHAP值虽然交叉验证比简单的训练/测试拆分有很大的改进，但最好每次都使用不同的数据拆分来重复多次。...然后，我们只需在循环外添加一个空列表来跟踪每个样本的 SHAP 值，然后在循环结束时将其添加到列表中。我使用 #-#-# 来表示这些新添加的内容。...它涉及在我们正常的交叉验证方案（这里称为“外循环”）中取出每个训练折叠，并使用训练数据中的另一个交叉验证（称为“内循环”）来优化超参数。

1721 0

FASA: Feature Augmentation and Sampling Adaptationfor Long-Tailed Instance Segmentation

2、相关工作长尾分类：对于长尾分类任务，有大量广泛使用的方法，包括数据重新采样和重新加权。最近的工作揭示了在解耦训练阶段使用不同采样方案的有效性。...在实践中，我们使用乘法调整来更新每个epoch的。具体而言，我们将增加到最小值，将减少到最大值。可以采用不同的性能指标来指导的调整。...具体而言，我们观察到 =5对最有效，但对需要 =1的来说不是最优的。另一方面，我们的自适应FS在线调整，以有效地重新平衡跨类别的性能。图3（a）描述了在训练过程中类抽样概率如何变化。...在第一阶段，我们使用标准随机数据采样和交叉熵损失为12个时期训练模型。然后在第二阶段，我们使用这些先进的重新采样或重新加权方法，如RFS和BAGS，对12个时期进行了调整。...当我们将FASA与香草面膜R-CNN相结合时，我们观察到整体指标AP大幅上涨3.3%。我们的优势在罕见类性能APr中尤为明显，增益为9.0%。这验证了FASA处理长尾任务的卓越能力。

3121 0

基于组合贝叶斯优化的自动化抗体设计

可以将黑盒函数 f 视为从蛋白质序列到抗原特异性实值的映射f：→R，因此有以下公式：其中 CDRH3-Developable(x) 是一个指示函数，它采用氨基酸序列并返回一个布尔值，以确定是否满足可开发性标准...作者团队使用 Absolut! 作为黑盒预测器。 3 基于组合贝叶斯优化的抗体设计第二部分中的黑盒函数 f 具有以下特性：a) 评估成本高，b) 没有解析解，c) 可能不可微。...为了规避这些问题，作者团队使用贝叶斯优化（BO）来解决优化问题。图3：AntBO 用于抗体设计的整体优化过程 BO通常会经过以下循环。首先在开始时在一组随机数据点上拟合高斯过程（GP）。...作者观察到AntBO TK达到最佳的性能w.r.t最小化能量（最大亲和力），通常在200个蛋白质设计中达到高亲和力，在没有问题的情况下，AntBO TK可以搜索比Absolut!...作者团队对几种抗原的结果证明了AntBO 在寻找序列方面的效率优于许多基线，包括从有 690 万条序列的Absolut!数据库中获得的最佳 CDRH3。

5252 0

R语言STAN贝叶斯线性回归模型分析气候变化影响北半球海冰范围和可视化检查模型收敛性

统计模型可以在R或其他统计语言的各种包中进行拟合。但有时你在概念上可以设计的完美模型，在限制了你可以使用的分布和复杂性的软件包或程序中很难或不可能实现。这时你可能想转而使用统计编程语言，如Stan。...Stan开发团队的一个目标是通过清晰的语法、更好的采样器（这里的采样是指从贝叶斯后验分布中抽取样本）以及与许多平台（包括R、RStudio、ggplot2和Shiny）的集成，使贝叶斯建模更易于使用。...编译后，您可以在每个会话中多次使用模型，但在开始新R 会话时必须重新编译。有许多 C++ 编译器，而且它们在不同系统中通常是不同的。如果您的模型一堆错误，请不要担心。...从这个输出中，我们可以通过查看Rhat 每个参数的值来快速评估模型收敛性。当这些值等于或接近 1 时，链已经收敛。还有许多其他诊断方法，但这对 Stan 来说很重要。...} 请注意，GQ（生成量）块不支持矢量化，因此我们必须将其放入循环中。但是由于它被编译为 C++，循环实际上非常快，并且 Stan 每次迭代只评估一次 GQ 块，因此它不会为您的采样增加太多时间。

1.1K2 0

Lora升级！ReLoRa！最新论文 High-Rank Training Through Low-Rank Updates

我们对ReLoRA在高达350M参数的变换器语言模型上的效果进行评估。我们选择专注于自回归语言建模，因为这种方法在神经网络的大多数应用中已经展示了其通用性。...假设在重新初始化边界W1_A和相应的梯度矩mA和vA处是全秩的(r)。那么，在合并和重新初始化后，继续使用W2_A的旧梯度矩将引导它沿着W1_A的相同方向，并优化相同的子空间。...ReLoRA在合并和重新初始化期间对优化器状态进行部分重置，并将学习率设置为0，并随后进行热启动。具体来说，我们将99%的低幅度优化器状态值设置为零，并使用锯齿状余弦学习率计划（图2）。...4 实验为了评估ReLoRA的有效性，我们将其应用于使用各种模型大小：60M、130M、250M和350M，在C4数据集上训练变换器语言模型。...如果不使用重新启动，B矩阵也使用Kaiming初始化以避免梯度对称性问题。 5 结果参数高效的预训练我们的主要结果在表2中展示。

7770 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭