当初始曲线看起来如此接近这些点时，为什么R函数"nls“不能达到收敛？

当初始曲线看起来非常接近这些点时，R函数"nls"无法达到收敛的原因可能有多个。下面是一些可能导致收敛失败的常见原因：

初始参数选择不当："nls"函数需要提供适当的初始参数值来估计非线性模型。如果初始参数选择不合理，可能导致算法无法找到最佳拟合。
模型复杂度过高：如果模型过于复杂，非线性最小二乘法可能难以找到全局最优解。这可能是由于模型具有多个局部最优解或存在不良条件数的问题。
数据质量问题：收敛失败也可能是由于数据质量问题引起的。例如，数据包含异常值、缺失值或过于稀疏，这可能导致模型拟合失败。
迭代次数限制："nls"函数可能默认设置了迭代次数的上限。如果模型收敛需要更多的迭代次数，而设定的迭代次数不足以达到收敛条件，那么收敛可能会失败。

要解决这些问题，可以尝试以下方法：

调整初始参数：尝试不同的初始参数值，特别是与目标变量的范围和量级相匹配的初始参数值。可以使用问题特定的先验知识来指导参数选择。
降低模型复杂度：考虑使用更简单的模型，以减少参数空间和可能的局部最优解。这可能需要根据问题领域的理论知识进行模型简化。
数据清洗和预处理：检查数据是否存在异常值、缺失值或稀疏性，并进行必要的数据清洗和预处理。这可能包括删除异常值、插补缺失值或降低数据的稀疏性。
增加迭代次数限制：可以尝试增加迭代次数的限制，以便给算法更多的时间来达到收敛。可以通过设置"nls.control"参数来调整迭代次数的限制。

需要注意的是，以上方法只是一些常见的解决收敛失败的尝试方法，并不能保证一定能够解决所有问题。在实际应用中，可能需要根据具体情况进行调试和优化，以找到最佳的解决方案。

腾讯云相关产品和产品介绍链接地址：

腾讯云云计算产品：https://cloud.tencent.com/product
腾讯云数据库产品：https://cloud.tencent.com/product/cdb
腾讯云人工智能产品：https://cloud.tencent.com/product/ai
腾讯云物联网产品：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发产品：https://cloud.tencent.com/product/cmobile
腾讯云存储产品：https://cloud.tencent.com/product/cos
腾讯云区块链产品：https://cloud.tencent.com/product/baas
腾讯云元宇宙产品：https://cloud.tencent.com/product/qcif

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

R语言非线性方程数值分析生物降解、植物生长数据：多项式、渐近回归、米氏方程、逻辑曲线、Gompertz、Weibull曲线

非线性回归的一个问题是它以迭代方式工作：我们需要提供模型参数的初始猜测值，算法逐步调整这些值，直到（有希望）收敛到近似最小二乘解。根据我的经验，提供初始猜测可能会很麻烦。...当 b1>0 时，Y 随着 X 的增加而增加，否则随之减少。二次方程该方程为：其中，当 X=0 时， b0 是 Y 的值，当 X=0 时， b1和 b2 各自没有明确的生物学意义。...由于其生物学意义，最常见的参数化形式是：其中a是最大可达到的Y，b是x=0时Y的值为0，c与Y随X增加而相对速率成比例。...{r} # drm拟合 summary(model) {r} plot(model, log="", main = "Mic "drc"包还包含自启动函数 "MM.3()"，其中当 X=0 时...因此，使用对非正数也定义的函数可能看起来不现实。因此，通常更倾向于使用独立变量 X 被限制为正的函数。所有上述描述的 S 型曲线都可以基于 X 的对数进行，这样我们可以得到更现实的模型。

6146 0

机器学习三人行(系列五)----你不了解的线性模型(附代码)

如上图，最左边，学习速率太低：算法虽最终会达到最佳解，但这将需要很长时间。在中间，学习速率看起来相当不错：只需几次迭代，就已经收敛到了最佳解。...当模型在很少的训练实例上进行训练时，就不能正确泛化，这就是为什么验证错误最初是相当大的。然后当模型引入更多的训练样例，通过学习，验证错误缓慢下降。...然而，直线因为不能很好地模拟数据，所以错误在一个高度上停止下降，非常接近训练曲线。这些学习曲线是典型的欠拟合模型。两条曲线误差都很高; 他们比较接近，误差值相当高。...现在让我们看看相同数据上的10阶多项式模型的学习曲线： ? 这些学习曲线看起来有点像上面的，但有两个非常重要的区别：训练数据的误差远远低于线性回归模型。曲线之间有较大的间隙。...如下式，我们可以控制混合比率r，当r = 0时，Elastic Net相当于Ridge回归，当r = 1时，相当于Lasso回归。 ?

1K16 0

为什么小批量会可以使模型获得更大的泛化

论文原文中说到：我们采用了一种敏感性度量，虽然不完美，但在计算上是可行的，即使对于大型网络也是如此。它基于探索解决方案的一个小邻域并计算函数 f 在该邻域中可以达到的最大值。...从图中可以看到，当向右移动时损失实际上越来越小。那么这个图表是什么意思呢？随着模型的成熟（损失减少），Large Batch 模型的清晰度会增加。...用作者的话来说，“对于在初始点附近的较大的损失函数值，小批次和大批次方法产生相似的锐度值。...我在论文中发现的一个有趣的观点是，当他们证明了这种较低的泛化与使用较大批大小时的模型过拟合或过度训练无关时。很容易假设过拟合是低泛化的原因（一般情况下我们都这么理解），但作者反对这一点。...相反通过更早的停止，我们将避免过拟合并且性能会更接近。这不是我们观察到的。我们的学习曲线描绘了一幅截然不同的表现。

2685 0

《Scikit-Learn与TensorFlow机器学习实用指南》第4章训练模型

具体来说，开始时，需要选定一个随机的θ（这个值称为随机初始值），然后逐渐去改进它，每一次变化一小步，每一步都尝试降低损失函数（例如：均方差损失函数），直到算法收敛到一个最小值（如图：4-3）。 ?...换句话说，你需要计算当θj变化一点点时，损失函数改变了多少。这称为偏导数，它就像当你面对东方的时候问："我脚下的坡度是多少？"。...收敛速率当损失函数是凸函数，同时它的斜率不能突变（就像均方差损失函数那样），那么它的批量梯度下降算法固定学习率之后，它的收敛速率是O(1/iterations)。...我们继续来看模型在验证集上的表现，当以非常少的样本去训练时，模型不能恰当的泛化，也就是为什么验证误差一开始是非常大的。当训练样本变多的到时候，模型学习的东西变多，验证误差开始缓慢的下降。...变得非常大，所以如果模型估计一个正例概率接近于 0，那么损失函数将会很大，同时如果模型估计一个负例的概率接近 1，那么损失函数同样会很大。另一方面，当 ? 接近于 1 时， ?

9292 1

为什么机器学习算法难以优化？一文详解算法优化内部机制

但是，事实并非总是如此。有时，问题的实际行为如下动图所示： ? 看起来无论怎样调整参数α，都不能很好地权衡两种损失。我们看到了两类解决方案，它们都分别忽略了一种损失。...为什么这种方法有时有效，有时却无法提供可调参数？为此，我们需要更深入地研究一下以下两个动图之间的差异。它们都是针对相同的问题，使用相同的损失函数生成的，并且正在使用相同的优化方法来优化这些损失。...事实证明，当帕累托前沿为凸形时，我们可以通过调整α参数来实现所有可能的权衡效果。但是，当帕累托前沿为凹形时，该方法似乎不再有效。 为什么凹帕累托前沿面的梯度下降优化会失败？...在凸的情况下，可以通过调整α来实现帕累托曲线上的任何解。α大一点会将星星拉到左侧，α小一点会将星星拉到右侧。优化过程的每个起点都将在相同的解上收敛，这对于α的所有值都是正确的。 ?...使用基于梯度下降方法无法找到曲线上的 × 点（实际上想要达到的点）。为什么？因为这是一个鞍点（saddle point）。同样要注意的是，当我们调整α时会发生什么。

1K3 0

深度神经网络实战技巧，来自一名算法工程师的经验！

▌使用方差缩放（variance-scaled）初始化在 Tensorflow 中，这看起来像tf.reemaner.variance_scaling_initializer()。...准确率基本上应为 100% 或 99.99%，或误差接近 0。如果你的神经网络不能对单个数据点进行过拟合，那么体系架构就可能有严重的问题，但这可能是微妙的。...事实上，自然特征在空间上呈局部性，也是为什么卷积神经网络能如此有效的原因！）如果使用多个图像/通道进行重塑，请特别小心；使用 numpi.stack()进行适当的对齐操作。...▌仔细检查你的损失函数如果使用一个复杂的函数，请尝试将其简化为 L1 或 L2。我们发现L1对异常值不那么敏感，在发出噪声的批或训练点时，不会做出太大的调整。如果可以的话，仔细检查你的可视化。...这些改变了一切！我们能够对只有一两个输入的测试集进行过拟合了。当底部的图标裁剪Y轴时，初始误差值远高于 5，表明误差减少了近 4 个数量级： ?

4922 0

第十八章大规模机器学习

实际上，这一步能让随机梯度下降在收敛时能够更快一点，为了保险起见，通常情况下最好还是先把所有数据随机打乱一下。...因此算法虽然会逐渐走向全局最小值的位置，但是可能无法站到那个最小值的那一点，而是在最小值点附近徘徊。 ? 实际上，当你运行随机梯度下降时，和批量梯度下降相比收敛的形式是不同的。...“批量”梯度下降法，通过绘制“假设函数每次迭代的下降”函数来判断算法是否收敛。 ? 当“随机”梯度下降算法对训练集进行扫描时，在我们使用某个样本(x^(i), y^(i))来更新 θ 之前。...这种情况，（蓝线）看起来你的代价函数，完全没有在减小，看起来算法没有在进行学习，因为曲线整体看起来是平的，代价函数的值好像没有下降。...但如果你能很好地调整这些参数，最后得到的图像，你的算法还是会在最小值附近震荡，但它会更接近最小值。因为这时，你减小了学习速率，那么这个震荡也会越来越小，直到收敛到非常靠近全局最小的地方： ?

4882 0

设计神经网络的普及与设计方法

这样才能使模型更快的收敛。当样本属性的数值范围不同（例如，数千美元的薪水和数十年的经验）时，损失函数将偏重于范围大的一方。这意味着与使用归一化特征相比，模型更加难于训练。...为了找到最佳的学习率，可以从一个非常低的值（10 ^ -6）开始，然后将其慢慢乘以一个常数，直到达到一个非常高的值（例如10）。在训练曲线中衡量模型的性能（相对于学习率的日志），以确定哪种速率最适合。...通常，使用SGD优化器时，配合手动的学习率查找器方法，可以训练出最佳模型。 3.动量梯度下降朝着局部极小值采取微小且一致的步骤，而当梯度很小时，收敛可能需要很多时间。...权重初始化方法正确的权重初始化方法可以大大加快收敛时间。初始化方法的选择取决于激活函数。...如果关心收敛时间，并且接近最佳收敛点就足够了，请尝试使用Adam，Nadam，RMSProp和Adamax优化器！

1.4K5 0

ICLR 2018最佳论文AMSGrad能够取代Adam吗

下图为所得学习曲线。 ? 这和论文中的图形相当接近了，也和ycmario的重新实现的结果差不多。Adam错误地收敛于1，而x的最佳值为-1. 我接着试验了四种配置： MNIST上的逻辑回归。...我们同时看到，如果学习率不是太低的话，AMSGrad看起来在最后的训练阶段收敛得快一点，并且大多数情况下，使用偏置纠正有助于收敛。...在论文中，训练曲线看起来在5000多次迭代（batch大小128，约13个epoch）后，在约0.25处保持平坦。而在我的试验中，取决于超参数，它达到了0.2....然而，在lr = 0.002、b2 = 0.99时，Adam取得了最低的验证损失（差别微乎其微），不过之后发散了。训练精确度 ? 训练精确度的表现和训练损失非常类似，验证精确度同样如此。...由于论文并未提供模型的所有细节（例如，我们不知道初始化方案，是否使用了L2正则化），很难查找原因。不管怎么说，下面是我得到的结果。训练损失 ? 我们看到，两个算法在较高的学习率下都不能收敛。

1.7K2 0

非线性回归nls探索分析河流阶段性流量数据和评级曲线、流量预测可视化

当辅以周期性的流量测量时，幂函数可以关联河流高度和流量（Venetis): 其中：Q代表稳态排放，H代表流高（阶段），H0是零排放阶段；K 和 z 是评级曲线常数。...当河流水位过程线的上升和下降阶段导致相同河流高度的不同流量时，就会发生不稳定流。由此产生的受滞后影响的评级曲线将呈现为一个循环而不是一条线。...为了减少局部最小值收敛的可能性， R 提供了在许多不同的起始值上迭代非线性最小二乘优化的功能（Padfield 和 Matheson）....然而，称为广义加性模型的线性回归的扩展允许将这些非线性项相对容易地拟合到数据中。对于广义加性模型，因变量取决于应用于每个预测变量的平滑函数的总和。...本文摘选《R语言非线性回归nls探索分析河流阶段性流量数据和评级曲线、流量预测可视化》

1.4K1 0

神经网络中的权重初始化一览：从基础到Kaiming

在进行各种小实验和思维训练时，你会逐步发现为什么在训练深度神经网络时，合适的权重初始化是如此重要。那么如何使用不同的方法初始化神经网络中的每层权重呢？...Xavier初始化直到几年前，最常用的激活函数还是基于给定点对称的，并且函数曲线在该点加/减一定数值的范围内。双曲正切线和softsign函数就是这类激活函数。...为了说明这一点，Glorot和Bengio证明了使用Xavier初始化的网络在CIFAR-10图像分类任务上实现了更快的收敛速度和更高的精度。...事实证明，当使用ReLU激活时，单个层的平均标准偏差将非常接近输入连接数的平方根除以2的平方根，在我们的例子中也就是√512/√2。...何凯明等人发现使用Xavier初始化的30层CNN完全停止并且不再学习。然而，当根据上面概述的三步初始化相同的网络时，它的收敛效果非常好。

8392 0

神经网络中的初始化，有几种方法？

来源商业新知网，原标题：神经网络中的权重初始化一览：从基础到Kaiming 在进行各种小实验和思维训练时，你会逐步发现为什么在训练深度神经网络时，合适的权重初始化是如此重要。...Xavier初始化直到几年前，最常用的激活函数还是基于给定点对称的，并且函数曲线在该点加/减一定数值的范围内。双曲正切线和softsign函数就是这类激活函数。...为了说明这一点，Glorot和Bengio证明了使用Xavier初始化的网络在CIFAR-10图像分类任务上实现了更快的收敛速度和更高的精度。...事实证明，当使用ReLU激活时，单个层的平均标准偏差将非常接近输入连接数的平方根除以2的平方根，在我们的例子中也就是√512/√2。...何凯明等人发现使用Xavier初始化的30层CNN完全停止并且不再学习。然而，当根据上面概述的三步初始化相同的网络时，它的收敛效果非常好。

3.2K0 0

神经网络中的权重初始化一览：从基础到Kaiming

大数据文摘出品来源：medium 编译：李雷、刘思佳、张弛在进行各种小实验和思维训练时，你会逐步发现为什么在训练深度神经网络时，合适的权重初始化是如此重要。...Xavier初始化直到几年前，最常用的激活函数还是基于给定点对称的，并且函数曲线在该点加/减一定数值的范围内。双曲正切线和softsign函数就是这类激活函数。 ?...为了说明这一点，Glorot和Bengio证明了使用Xavier初始化的网络在CIFAR-10图像分类任务上实现了更快的收敛速度和更高的精度。...事实证明，当使用ReLU激活时，单个层的平均标准偏差将非常接近输入连接数的平方根除以2的平方根，在我们的例子中也就是√512/√2。 ?...何凯明等人发现使用Xavier初始化的30层CNN完全停止并且不再学习。然而，当根据上面概述的三步初始化相同的网络时，它的收敛效果非常好。 ?

1.5K2 0

牛顿迭代法的可视化详解

应用 Newton-Raphson 公式获得更新后的猜测，该猜测将比初始猜测更接近根。 3. 重复步骤 2，直到新的猜测足够接近真实值。这样就足够了吗？...1、如果猜测从一个步骤到下一步的变化不超过阈值，例如 0.00001，那么算法将停止并确认最新的猜测足够接近。2、如果我们达到一定数量的猜测但仍未达到阈值，那么我们就放弃继续猜测。...为了计算我们的下一个猜测，我们需要评估函数本身及其在 x=10 处的导数。在 10 处求值的函数的导数只是简单地给出了该点切线曲线的斜率。该切线在 GIF 中绘制为 Tangent 0。...牛顿法是局部收敛的，当初始点选择不当时，往往导致不收敛；二阶Hessian矩阵必须可逆，否则算法进行困难。...可以说牛顿法比梯度下降法看得更远一点，能更快地走到最底部。（牛顿法目光更加长远，所以少走弯路；相对而言，梯度下降法只考虑了局部的最优，没有全局思想）。那为什么不用牛顿法替代梯度下降呢？

5551 0

【论文复现】基于CGAN的手写数字生成实验——模型改进

（三）n_critic a) 生成器和判别器训练需要进行平衡，G和D频繁地交替训练会导致初始阶段不稳定，loss水平震荡。...层归一化在每层的输出上进行归一化，确保了下一层输入分布相对稳定，有利于网络的训练和收敛。 为什么组归一化和批量归一化在中间位置，效果接近？为什么组归一化不接近层归一化？为什么实例归一化如此抽象？...同时对生成器和判别器使用批量归一化时，生成图像边缘全是噪点，我觉得是因为批量归一化相当于在训练过程中引入了额外的噪音，导致判别器的训练不稳定，50k step 时d-loss曲线突然直线上升（g-loss...（四） Instance Normalization_爆炸 batch size = 32时效果最差，40k step持续震荡，实例归一化在每个样本的特征上进行归一化，即对样本的每个像素点的信息进行归一化...而当batchsize=128时，生成器直接损失爆炸、判别器损失为0，这里暂时得出结论，实例归一化不适用CGAN手写数字生成实验，亦或与其它超参数设置有关，有待进一步探索…… （五） Group Normalization

1091 0

牛顿法

那么 f(x) 的导函数是 f'(x) = 2x。...设r是f(x) = 0的根，选取x0作为r初始近似值，过点（x0,f(x0)）做曲线y = f(x)的切线L，L的方程为y = f(x0)+f'(x0)(x-x0)，求出L与x轴交点的横坐标 x1 =...过点（x1,f(x1)）做曲线y = f(x)的切线，并求该切线与x轴交点的横坐标 x2 = x1-f(x1)/f'(x1)，称x2为r的二次近似值。...优点简洁逻辑不负责，很易懂也很易于实现收敛快通常具有二次收敛的特性，意思是当接近根的时候，收敛非常快。...缺点需要合理的初值这个算法需要寻找一个合理的初值，不然可能不收敛导数为零如果在迭代过程中，导数的值接近零，迭代可能会失效或非常缓慢。

1221 0

如何在黎曼流形上避开鞍点？本文带你了解优化背后的数学知识

优化问题旨在寻找能使目标函数达到局部极小值的驻点，而鞍点是不能达到局部极小值的驻点。因此，了解如何识别并避开鞍点至关重要。这篇论文介绍了一种新方法，能够针对满足流形约束的目标函数识别并避开鞍点。...为此类问题寻找全局最小值是一项挑战，而这篇论文利用一阶优化方法找出近似的二阶驻点（达到局部极小值）。在抵达驻点时，作者引入一种方法来识别该驻点是鞍点还是局部极小值。...证明策略是，经过特定次数的迭代后，当逼近鞍点时，该函数的值大概率会下降。 ?...上图看起来比较复杂，我们可以从中得到以下信息：大 O 符号和步长规则都与 β 相关，就此我们可以得出：梯度的利普希茨常数 β 越大，算法收敛时间就越长。...我们可以看到 d 以对数的方式影响收敛速率。该论文的证明策略是，经过特定次数的迭代后，当逼近鞍点时，该函数的值大概率会下降。

6682 0

我愿称之为史上最全的深度学习面经总结（附答案详解）

1.随机初始化：随机选择k个样本点作为初始质心，缺陷在于如果选择到的质心距离很接近落在同一个簇内，则迭代的结果可能会比较差，因为最终迭代出来的质心点会落在簇间，最理想的状态是k个质心恰好对应k个簇，由于随机初始化的随机性...kmeans为什么无法保证全局最优？收敛性证明就算了吧。。.这也太超纲了。.。 kmeans的损失函数是一个非凸函数，所以无法保证全局最优； from K Means为什么不能收敛到全局最优点？...当且仅当X是常量时，该式取等号。其中，E(X)表示X的数学期望。Jensen不等式应用于凹函数时，不等号方向反向。当且仅当x是常量时，该不等式取等号。...A和B模型，平衡点（BEP）是P=R时的取值，如果这个值较大，则说明学习器的性能较好。...（值越大可能性越高，但不能说是概率） 为什么把特征组合之后还能提升，反正这些基本都是增强了特征的表达能力，或者说更容易线性可分吧逻辑回归对特征有什么要求，是否需要做离散化，离散化的好处与坏处。

781 0

Sklearn、TensorFlow 与 Keras 机器学习实用指南第三版（二）

另一方面，当增加阈值时，召回率只能下降，这解释了为什么其曲线看起来平滑。在这个阈值下，精度接近 90%，召回率约为 50%。...如果随机初始化将算法开始于左侧，则它将收敛到局部最小值，这不如全局最小值好。如果它从右侧开始，则穿过高原将需要很长时间。如果您停得太早，您将永远无法达到全局最小值。图 4-6。...然而，再次，一条直线无法很好地对数据建模，因此误差最终会达到一个接近另一条曲线的平台。这些学习曲线是典型的拟合不足模型。两条曲线都达到了一个平台；它们接近且相当高。...正则化项是岭回归和套索回归正则化项的加权和，您可以控制混合比例r。当r=0 时，弹性网等同于岭回归，当r=1 时，它等同于套索回归（方程 4-12）。方程 4-12。...当验证误差上升时，立即停止小批量梯度下降是一个好主意吗？在我们讨论的梯度下降算法中，哪种算法会最快接近最优解？哪种实际上会收敛？如何使其他算法也收敛？假设你正在使用多项式回归。

2140 0

何恺明等研究者：真的需要减少ImageNet预训练吗？

这些结果可以媲美那些在 ImageNet 上进行预训练的模型的结果，即使使用为微调预训练模型而优化的基线系统（Mask R-CNN）的超参数也是如此，唯一的例外是增加训练迭代次数，以便随机初始化的模型可以收敛...结果与分析我们第一个惊奇的发现是，当仅使用 COCO 数据集时，从零开始训练的模型可以达到和微调模型相当的准确率。...图 1 和图 3 展示了当在 ResNet-50 (R50) 和 ResNet-101 (R101) 网络骨干上使用 GN 时的验证 bbox AP 曲线（目标检测平均精度），图 4 展示了在 R50...上使用 SyncBN 时的验证 bbox AP 曲线。...顶部：R50，底部：R101。用更少数据从零开始训练我们第二个发现更令人惊讶，是当使用显著更少的数据训练时（例如，1/10 个 COCO），从零开始训练的模型并不比预训练+微调的模型更差。

5802 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

当初始曲线看起来如此接近这些点时，为什么R函数"nls“不能达到收敛？

相关·内容

R语言非线性方程数值分析生物降解、植物生长数据：多项式、渐近回归、米氏方程、逻辑曲线、Gompertz、Weibull曲线

机器学习三人行(系列五)----你不了解的线性模型(附代码)

为什么小批量会可以使模型获得更大的泛化

《Scikit-Learn与TensorFlow机器学习实用指南》第4章训练模型

为什么机器学习算法难以优化？一文详解算法优化内部机制

深度神经网络实战技巧，来自一名算法工程师的经验！

第十八章大规模机器学习

设计神经网络的普及与设计方法

ICLR 2018最佳论文AMSGrad能够取代Adam吗

非线性回归nls探索分析河流阶段性流量数据和评级曲线、流量预测可视化

神经网络中的权重初始化一览：从基础到Kaiming

神经网络中的初始化，有几种方法？

神经网络中的权重初始化一览：从基础到Kaiming

牛顿迭代法的可视化详解

【论文复现】基于CGAN的手写数字生成实验——模型改进

牛顿法

如何在黎曼流形上避开鞍点？本文带你了解优化背后的数学知识

我愿称之为史上最全的深度学习面经总结（附答案详解）

Sklearn、TensorFlow 与 Keras 机器学习实用指南第三版（二）

何恺明等研究者：真的需要减少ImageNet预训练吗？

扫码

相关资讯

热门标签

活动推荐

运营活动

社区

活动

资源

关于

腾讯云开发者

热门产品

热门推荐

更多推荐