用强化学习把残差流方向“翻译”成文本:MAEM 实战拆解

开关器件数据手册损耗参数对比:MOSFET、IGBT、SiC 与 GaN 实战解读 本文把 MOSFET、IGBT、SiC MOSFET、GaN HEMT 四类主流开关器件的损耗相关参数拉出来做横向对比,说明每个参数该怎么读、怎么用,以及不同器件类型之间为什么不能直接比大小。的温度系数,硅器件约 0.4%~0.6%/°C,SiC 约 0.2%~0.3%/°C,GaN 约 0.1%~0.2%/°C。厂商宣传页只给「低损耗」「高效率」这类形容词,真正能用来算账的,只有数据手册里的那几个关键参数。,用于说明参数之间的差异规律,具体项目请以所选型号的官方数据手册为准。,这是新手最容易漏掉的一项。 阅读详情

从今天觉醒,技术赋予每一个人数字生命


用强化学习把残差流方向“翻译”成文本:MAEM 实战拆解

背景与痛点

做机制可解释性的人迟早会撞上同一堵墙:你在 Qwen3.6-27B 的某一层抽出一个残差流方向,余弦相似度算出来很漂亮,SAE 特征也激活了,但你说不出它是什么。

传统解法有两条。第一条是语料扫描:拿一个 10M token 的语料库跑前向,找激活最接近的文本片段。问题是它的上界就是语料本身——冷门语言、领域黑话、模型内部的“工作区独白”,语料里没有就是没有。第二条是 NLA(自然语言自编码器):训练一个解码器把激活映射成自然语言描述。它泛化好一些,但输出是不可验证的——你没法用一次前向传播证明“这段解释确实激活了那个方向”,只能靠人肉读着像不像。

我们要解决的就是这个:给定任意一个残差流方向,生成一段文本,使该文本在主体模型上的激活与这个方向的余弦相似度尽可能高,且这个匹配关系可以被前向传播直接验证。

An abstract visualization of a luminous orange-gol

方案设计

核心思路很直接:把“找文本”变成一个无标签的强化学习问题。

  • 策略网络:一个语言模型(MAEM),输入是主体模型的一个残差流方向向量,输出是一段文本。
  • 奖励信号:把生成的文本喂回主体模型,取对应层的激活,与目标方向算余弦相似度。不需要任何标注数据,奖励完全来自主体模型本身。
  • 训练数据:方向向量可以从任意来源采集——SAE 特征方向、steering vector、LoRA 微调的增量方向、甚至随机采样的激活。这正是“scale”的关键:标签-free 意味着方向的数量不受人工标注预算限制。

明确放弃的替代方案:

  1. 直接监督学习:需要“方向→文本”的配对数据,而这类数据本质上就是我们要生产的东西,循环依赖。
  2. 只用 NLA 做蒸馏:会把 NLA 的不可验证性和覆盖偏差一起继承过来。
  3. 梯度引导的连续优化(直接在 embedding 空间优化):能拿到高余弦相似度,但产出的 token 序列不可读,失去了解释价值。

选 RL 的理由:奖励可微性不重要,重要的是奖励可以在主体模型上精确计算,这让整个目标变成“grounded”的——任何一条样例都能被复现验证。

核心实现

子节一:环境与依赖

# 实测环境
python==3.11.9
torch==2.5.1+cu124
transformers==4.46.2
peft==0.13.2
trl==0.12.1
accelerate==1.1.0

主体模型用 Qwen3.6-27B(bf16,双卡 A100-80G),MAEM 用 Qwen3.6-4B 做初始化。别用更小的,4B 以下生成质量掉得厉害,余弦相似度上不去。

子节二:奖励函数(整个方案的地基)

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

class DirectionReward:
    def __init__(self, subject_name: str, layer: int, device="cuda"):
        self.tok = AutoTokenizer.from_pretrained(subject_name)
        self.model = AutoModelForCausalLM.from_pretrained(
            subject_name, torch_dtype=torch.bfloat16, device_map=device
        ).eval()
        self.layer = layer
        self.acts = {}

        # 只挂一次 hook,避免每步重建
        def hook(module, inp, out):
            h = out[0] if isinstance(out, tuple) else out
            self.acts["h"] = h[:, -1, :]  # 取最后一个 token 的残差流
        self.model.model.layers[layer].register_forward_hook(hook)

    @torch.no_grad()
    def __call__(self, texts: list[str], target: torch.Tensor) -> torch.Tensor:
        # target: [d], 已 L2 归一化
        enc = self.tok(texts, return_tensors="pt", padding=True,
                       truncation=True, max_length=64).to(self.model.device)
        self.model(**enc)
        h = self.acts["h"].float()
        h = h / h.norm(dim=-1, keepdim=True).clamp_min(1e-6)
        return (h @ target.float()).clamp(-1, 1)  # cosine

关键点:取哪个 token 的激活。论文里用的是生成文本末尾的残差流,因为自回归生成把语义压缩到了最后位置。如果你取平均池化,实测余弦相似度会掉 0.1 以上。

子节三:RL 训练循环

from trl import PPOTrainer, PPOConfig
from transformers import AutoModelForCausalLM

maem = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3.6-4B", torch_dtype=torch.bfloat16
)
maem_tok = AutoTokenizer.from_pretrained("Qwen/Qwen3.6-4B")
maem_tok.pad_token = maem_tok.eos_token

reward_fn = DirectionReward("Qwen/Qwen3.6-27B", layer=24)

cfg = PPOConfig(
    learning_rate=1e-6, batch_size=32, mini_batch_size=8,
    ppo_epochs=2, kl_penalty="kl", init_kl_coef=0.05,
    target_kl=6.0,  # 超过就早停,防止策略崩
)

def prompt_from_direction(vec: torch.Tensor) -> str:
    # 方向向量序列化成定长 token 串,作为策略输入
    return "<dir>" + " ".join(f"{x:.4f}" for x in vec[:64].tolist()) + "</dir>"

# 训练主循环(伪代码骨架,实际用 PPOTrainer.step)
for step, batch_dirs in enumerate(direction_loader):
    prompts = [prompt_from_direction(v) for v in batch_dirs]
    inputs = maem_tok(prompts, return_tensors="pt", padding=True).to(maem.device)
    gen = maem.generate(**inputs, max_new_tokens=32, do_sample=True, top_p=0.95)
    texts = maem_tok.batch_decode(gen[:, inputs.input_ids.shape[1]:],
                                  skip_special_tokens=True)
    rewards = reward_fn(texts, batch_dirs.to("cuda"))
    # 交给 PPOTrainer 更新,奖励即 cosine
    trainer.step(prompts, gen, rewards)

注意 <dir> 序列化只是把向量塞进 prompt 的一种方式;论文里 MAEM 实际是把方向向量作为软 prompt / 投影层输入,比字符串序列化效果好得多。上面是简化版,工程上建议直接改 embedding 层,把方向向量线性投影后拼到 input embeddings 前面。

效果验证

论文给的数字(Qwen3.6-27B MAEM):

指标MAEM语料扫描(10M)NLA
held-out 激活反演(余弦)最优次之更差
多数 held-out 语言/领域胜出✅❌—
held-out SAE 特征激活率89%——
steering vector 概念识别≈ NLA—≈ MAEM
LoRA 后门 payload 恢复率> 语料扫描基线—

复现步骤(最小版):

  1. 用 sae-lens 在 Qwen3.6-27B 第 24 层抽 500 个 SAE 特征方向作为训练集,另留 100 个做 held-out。
  2. 按上面代码训练 MAEM 约 2k step(双卡约 14 小时)。
  3. 对 held-out 方向跑推理,再用 DirectionReward 算余弦,与语料扫描 top-1 对比。

可证伪主张:在 held-out 方向数量 ≥ 50、语料规模固定 10M token 的条件下,MAEM 的平均余弦相似度应显著高于语料扫描(论文报告在多语言子集上胜率过半)。如果你的语料里有大量与目标方向强相关的文本(比如专门爬了该领域的语料),这个优势会缩小甚至反转——这是边界,不是 bug。

边界与演进

局限一:奖励可被 hack。 余弦相似度是连续值,策略可能生成“高激活但语义空洞”的文本(比如重复的标点、高频 token 串)。缓解手段是加 KL 约束 + 长度惩罚,但没法根除。实测中 top_p 调到 0.8 以下能压住一部分。

局限二:主体模型前向是瓶颈。 每步 RL 都要跑一次 27B 前向,吞吐极低。工程上必须做 reward 缓存 + 批量生成,否则训练成本爆炸。

局限三:方向来源的分布偏移。 训练集全是 SAE 方向时,遇到 LoRA 增量方向会掉点。论文的解法是混采多种来源,但这要求你事先知道有哪些来源——这本身是个开放问题。

下一步值得做的:把 MAEM 的奖励换成多层余弦的加权和,让生成的文本同时激活多个相关方向,逼近“概念”而非“单点”。另一个方向是把 MAEM 蒸馏回 NLA 架构,换取推理速度,代价是失去前向可验证性——这是个明确的 trade-off,看你更在乎哪头。

一句话总结:MAEM 的价值不在于它比 NLA 更“准”,而在于它的每一条输出都能被一次前向传播证伪。在可解释性这个充满叙事谬误的领域,可证伪本身就是稀缺品。

SiC 与 GaN 电子材料和器件的几个科学问题 本文聚焦第三代半导体(SiC/GaN)工程化落地中的五大核心物理难题:缺陷电活性判定、掺杂不完全与自补偿、界面态控制、高场输运与击穿机制、多物理场耦合可靠性。指出材料优势需以深入的物理理解为支撑,强调缺陷-器件-工况耦合、载流子行为建模、界面钝化及可靠性预测等方向仍需持续攻关,揭示宽禁带半导体研究的深层科学挑战。 阅读详情

相关推荐

在abaqus中利用point-based 来快捷定义螺栓连接

abaqus中可以通过point-based方式定义连接点的位置,并对连接方式进行定义,可以进行螺栓连接的模拟。 可以通过逐点输入坐标或导入外部的坐标位置 也可以通过阵列的方式定义点 定义完点后就利用create fasteners,选择point-based,选取刚才创建好的点阵列,然后定义连接的属性,如下图 定义connector section时,类型选择translator,相当于只有1方向可以动,定义弹性模量以及破坏准则。 案例操作 假如有两个板,通过...

fiber_tape的博客 7359

基于机器学习的心脏病发病风险预测系统

本系统是一个基于 Python Flask 框架的心脏病发病风险智能评估平台,以 UCI Cleveland 心脏病数据集为基础,通过 Bootstrap 有放回采样扩充至 1025 条样本训练机器学习模型。用户输入 13 项临床特征指标,系统输出心脏病风险概率与四级风险等级评估,支持单条预测与 CSV 批量预测,并提供 12 张 ECharts 可视化数据分析图表、模型管理、系统管理等功能。

aiyuanma_vip的博客 304

瑞萨芯片串口配置,基于RL78芯片的串口使用配置

在这里隆重给大家介绍瑞萨编辑器CS+ for CA 的自动生成代码功能,只需要配置几个参数,就可以得到你想要的串口配置了,我现在已经忘记怎么手动配置寄存器了,哈哈。选择设置,此时将端口设置成功接下来设置时钟,根据自己的芯片所需设置相应的时钟,自己芯片是什么时钟查看数据手册和原理图可以找到。瑞萨芯片的串口配置其实和ST芯片的串口配置差不多,只是ST芯片的中文数据手册比较多,就更好配置了,找到所需要的串口配置IO口,此时将UART0 配置为引脚P61和P62,瑞萨芯片的串口配置竟然要配置串口。

qq_45315904的博客 4308

机器学习07.1,ROC曲线

个人笔记

qq_59247073的博客 269

Claude Code 使用 OpenAI Codex(GPT-5.3-Codex)完整配置教程

通过 LiteLLM 可以让 Claude Code 调用任何模型,包括:OpenAIDeepSeekGemini本地模型↓↓优点:不依赖 Anthropic API可自由切换模型支持统一 AI Gateway这种“LLM Gateway 架构”正在成为 AI 开发工具的主流实践。

Jacobe_zhao的博客 1万+

GEE数据融合——Landsat (collection 2,level 2 )4、5、7、8、9长时间序列影像数据融合和视频导出分析

长时间序列影像数据融合是指将Landsat影像数据集合2级2(Level 2)中的4、5、7、8和9这五个卫星的数据进行融合。具体来说,这包括将同一地点的多个卫星影像数据进行处理和整合,以产生一个单一的、具有更高质量的影像产品。在长时间序列影像数据融合中,首先需要对不同卫星的影像数据进行校正,以消除不同卫星之间的光谱差异、辐射度问题和几何纠正误差等。然后,通过使用融合算法,将多个卫星的影像数据进行组合,以生成一张全新的、高质量的合成影像。

此星光明博客 1737

【维克】机器学习在量化中的应用:从线性到非线性

print(f"训练 {len(train_idx):4d} 天 → 测试 {len(test_idx):3d} 天,IC={ic:.3f}")今天这篇,我把机器学习在量化里的应用讲透:从线性到非线性到底进步了什么、三类学习各能用在哪、机器学习真正的优势在哪、以及——那四个能让你血本无归的坑。如果你用"当天的完整信息"去预测"当天的涨跌",那模型当然准——因为答案已经藏在输入里了。做模型的前三年,你一直在"为学日益"——学更多的算法、加更多的特征、试更多的参数。第2折用前40%训练、第3个20%测试……

weixin_42332217的博客 655

一文吃透 OData Deep Insert:从框架原理到 ABAP 实战

本文面向ABAP工程师,解析OData服务中的Deep Insert技术。文章首先阐述Deep Insert的业务背景,说明其适用于父子层级数据必须成组创建的场景(如销售订单与行项目)。随后深入框架实现机制,介绍SAP Gateway如何通过CREATE_DEEP_ENTITY方法处理嵌套请求,并强调开发者的责任边界。通过销售订单案例,文章对比了Deep Insert与$batch的适用场景差异,提供请求负载示例和DPC_EXT实现骨架代码。最后给出MPC_EXT声明深结构的三种套路,以及事务处理和错误处理

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 225

GAN深入浅出

生成模型是一类用于学习数据分布并从中采样生成新样本的无监督学习模型,其核心目标是让模型学到的分布尽可能逼近真实数据分布。在生成对抗网络出现之前,主流的生成模型大多遵循"显式建模概率密度"的思路:有的通过极大似然估计直接建模数据的概率分布,有的借助马尔可夫链从目标分布中逐步采样(如受限玻尔兹曼机),还有的以自编码器为基础,通过编码器—解码器重建输入并从中采样生成新样本。这类方法虽然能从数据中提取有效表示,但普遍存在训练目标难以优化、采样过程缓慢或生成样本模糊等问题,生成质量与训练效率难以兼顾。

Eric005的博客 257

Python与CAD系列基础篇(二)创建点和直线并修改样式

①通过pyautocad连接AutoCAD进行处理②通过ezdxf处理dxf格式文件。创建和编辑点和直线的方法,并演示如何修改它们的样式、颜色和线型。

weixin_43894929的博客 3038

RFC-only 与 SAProuter 场景下,让 Claude 真正参与 SAP ABAP 开发

SAP ABAP 开发这几年正在出现一个很有意思的变化。过去我们说开发工具,脑子里大多是 SE80、SE38、SE24、SEGW、Eclipse ADT,再往后是 BAS、VS Code、abapGit、ATC、CI/CD。现在又多了一层,Claude Code、Claude Desktop 这类 AI 编程助手开始通过 MCP 进入开发现场,不只是写一段示例代码,而是能读系统里的 ABAP 对象、搜索包、改源码、跑检查、辅助重构。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1623

0006 - 机器学习-从零彻底搞懂「逻辑回归」算法

核心思想:解决分类问题,把线性回归的输出作为逻辑回归的输入,再用 Sigmoid 转成概率、用阈值定类别。数学基石Sigmoid 函数把任意实数压进01(0,1)01当概率,拐点在 0.5,导数f′f1−ff'=f(1-f)f′f1−f优美好算;概率论里“独立事件概率相乘”是似然函数的根基。优化操作(两种等价说法)极大化似然函数:找到让观测数据最可能发生的那组参数(MLE);最小化交叉熵损失:衡量预测分布与真实分布的差异,差异越小越好;

张--小涛涛 324

实战篇| app爬虫不用真机

之前写过一篇基于真机app爬虫《App爬虫实战篇-以华为真机手机爬取集换社的app为例》,如果大家有用真机爬虫的经历,会深刻认识到真的不方便,一是自己的手机,经常会被电话、微信等打断,二是闲置手机,面对小批量数据还能勉强,大批量爬虫,会导致成本指数级上升,并且控制起来相对麻烦。以下就是常见的模拟器。emulator -avd my_avd -no-snapshot-save # 启动时不保存 snapshot。emulator -avd my_avd -wipe-data # 清除数据(恢复到出厂)

youbingchen的博客 600

基于机器学习的优衣库销售预测与决策系统

本系统是一个面向优衣库零售场景的销售数据分析与决策支持平台,基于真实优衣库门店销售数据集(22,292条记录),使用 Flask + SQLite + Bootstrap + scikit-learn 技术栈,实现销售数据分析、机器学习预测和智能决策建议。

aiyuanma_vip的博客 262

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

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。

通俗易懂之JEV模型中的Brier Score(布赖尔分数)

在 JEV 模型及机器学习的评估体系中,Brier 指的是 Brier Score(布赖尔分数)。它是另一项用来评估模型概率预测准确性与校准度(Calibration)的核心指标。如果说 ECE 衡量的是“分组统计下的平均概率偏差”,那么 Brier Score 衡量的是“每一个单条样本的预测概率与真实结果之间的均方误差(MSE)”。

qq_31763735的博客 264

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【大模型算法与工程 01】机器学习的问题定义:监督、无监督、自监督与强化学习

分类、聚类、预测下一个token和根据奖励调整策略,看起来都在“训练”,监督信号和评价方式却不同。一个机器学习任务至少要回答:样本是什么,输入在预测时能否获得,输出代表什么,错误如何衡量。大规模语言预训练是此思想的一种应用,本篇三token转移表只演示目标构造,不具备真实语言模型的泛化能力。准备科研助手时,可以先用有标签样本识别文献类型,用无监督表示组织文献相似关系,再调用预训练语言模型生成回答。一个系统可以先自监督预训练,再监督微调,之后做偏好优化或强化学习,最终接入检索与工具。

银尘博客 680

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【湖南工商大学主办 | ACM出版 | 机器学习】2026年机器学习与仿真国际学术会议(ICMLS 2026)

2026年机器学习与仿真国际学术会议(ICMLS2026)将于2026年12月25-27日在中国长沙举行。会议聚焦人工智能驱动下的建模与仿真技术,涵盖机器学习算法、数字孪生、智能优化等前沿方向,设大会报告、口头报告及海报展示等形式。论文经双盲评审后由ACM出版,并提交EI Compendex、Scopus检索。欢迎学者、工程师及研究生投稿参会,促进学术交流与产业融合。

weixin_73242859的博客 233

机器学习07.2,了解SVM 支持向量机

个人笔记

qq_59247073的博客 177

关于机器学习,如何通俗理解全连接层(fully connected layer)?

要点说明本质加权求和:y=Wx+b作用把前面提取的所有特征综合起来,输出最终结果"全连接"的含义当前层每个神经元与上一层所有神经元相连PyTorch 对应主要缺点参数量大,容易过拟合全连接层不是什么神秘的东西,就是一个矩阵乘法。理解了这一点,后面看任何网络结构都不会慌。b。

2401_86983677的博客 244

0008 - 从机器学习到深度学习-概念与入门

深度学习是机器学习的一个分支,它用"多层的人工神经网络"来自动地从数据中学习特征和规律。这句话里藏着三个关键词,我们一个个拆开。关键词一:机器学习的分支。人工智能 (AI)└── 机器学习 (ML) ← 让机器从数据里学规律└── 深度学习 (DL) ← 用多层神经网络来学也就是说,深度学习本质上还是机器学习,目标也一样——从数据里找规律、做预测。它只是换了一种更强大的"学习方式":神经网络。关键词二:人工神经网络。神经网络的灵感来自人脑。人脑由海量神经元。

张--小涛涛 344

AI/机器学习、IoT 架构与数据分析平台

上海宝钢热轧产线“AI-孪生闭环”系统——127 类传感器(IoT)实时采集,每 30 秒生成三维模型(平台),Diffusion 模型预测板凸度(AI),强化学习自动调节轧辊弯力(决策),使 1.2mm 超薄钢板凸度命中率提升至 96%,年新增利润 1.8 亿元。:LLM 承担流程编排、服务匹配、数字资源生成等角色,而数字孪生提供可解释的高准确分析——两者与智能体共同构成“智能模型+数字孪生+智能体”架构。”、从“单点优化”向“全流程体系化保障”升级,开启“

Cat_fish_snow的博客 588

新品快讯 | ROHM支持GaN高频开关的TP-PFC控制器IC

另一方面,传统的TP-PFC控制技术广泛使用MCU,但对于小型电源设备而言,除了功耗、电路规模和成本方面的挑战外,如何实现针对GaN HEMT高频开关的控制也成为亟需解决的难题。全球知名半导体制造商ROHM(总部位于日本京都市)宣布,开发出有助于实现小型高效率AC-DC电源的Totem Pole PFC*1(图腾柱PFC,以下简称“TP-PFC”)控制器IC“BM85060FV”,其特点是可在支持GaN HEMT*2高频开关的MHz频段工作。GaN(氮化镓)是一种用于新一代功率元器件的化合物半导体材料。

ONEYAC唯样的博客 272

AIP304 Machine Learning Lecture 10 — Probabilistic Models

本讲系统介绍概率模型的核心思想与基础理论,涵盖样本空间、随机变量、联合/边缘/条件概率及独立性等概念。重点讲解最大似然估计(MLE)与贝叶斯学习,推导Bernoulli与正态分布的参数估计方法,引入贝叶斯分类器与朴素贝叶斯模型,并通过邮件分类实例展示条件独立假设的应用。针对零概率问题提出平滑技术,拓展至连续特征情形,最终构建从数据到预测的完整概率建模流程。

ShawnLiaoking的博客 376

Day50 · 机器学习基础与 scikit-learn(KNN 入门)

传统编程是程序员把规则写死,让计算机照着执行:输入数据 + 规则 → 输出答案。而机器学习(Machine Learning,ML)反过来:输入数据 + 已知答案 → 让计算机自己总结出规则。这套"从数据中自动归纳规律"的过程,就叫"训练"(Training),得到的"规则"就是一个模型(Model)。举个小例子:你要写一个"区分猫和狗"的程序。靠人工写规则(“有尖耳朵=猫”)几乎不可能写全。但如果你收集了 1 万张已经标好"猫/狗"的图片,让算法自己去学什么样的纹理、形状偏向猫,它就能对没见过的新图片。

小嘉丶学长的博客 449

【第91期】线性回归共线性与系数可辨识性的实验与排查

系列:《从小白到 AI 大模型开发工程师的进阶之路》 技术点:AI-0313 线性回归 主人公:小蓝伞 前置:AI-0223 本期产出:房价预测模型小蓝伞给线性回归同时输入 x 与两倍 x,预测几乎完全正确,却没有得到原以为的系数三与零。本期构造秩亏矩阵,直接比较两组系数的预测,区分拟合准确、参数唯一和因果解释。教学情境用来组织问题,下面的执行数据来自构造实验。

qq_36085846的博客 258

电子科技大学2026年机器学习期末考试转述

② 写出 E 步中的责任度公式,并解释责任度在 M 步中的作用;简述 Bagging 的训练流程,包括基学习器的训练方式和预测结果的聚合方式。说明随机森林在 Bagging 的基础上引入了哪些改进,并列举随机森林的两个优点和一个缺点。-贪心策略为什么仍需为其他动作保留被选择的机会,并说明 Q-Learning 中即时奖励与动作价值的区别与联系。简述机器学习的三要素,并分别说明这三要素在线性回归和逻辑回归中的具体体现。的生成方式,以及注意力权重的计算过程。的作用,并从偏差与方差的角度分析其取值对模型的影响。

狂放不羁霸的博客 254
上一篇: 当模型学会“指给你看“:Grounded Reasoning 的真实收益边界与 BrickVision 复现笔记
I Am a robert girl
博客等级 码龄177天 6粉丝 198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
⌂ 换网址