摘要：
读论文的时候感受到了强化学习的有趣之处，记录一下学习A2C方法时的一些理解。网上有很多相关博客，这里不做数学推导和原理分析。更细节的建议看莫烦python。 背景 s" role="presentation" style="font-size: 100%; display: inline-block 阅读全文
posted @ 2022-07-08 17:25
iFzh
阅读(332)
评论(0)
推荐(0)
摘要：
## 代理脚本 socks5h代理为使用代理进行dns查询的socks5代理，适用于内网服务器 ```bash #!/bin/bash # Set your proxy host and port proxy_host="proxy.ip.address" proxy_port="port" # S 阅读全文
posted @ 2022-06-23 11:07
iFzh
阅读(498)
评论(0)
推荐(0)
摘要：
查看模型流程、tensor的变化、参数量 example： from torchinfo import summary for X, y in train_dl: print(summary(model, X.shape)) break output： Layer (type:depth-idx) 阅读全文
posted @ 2021-12-02 10:03
iFzh
阅读(1813)
评论(0)
推荐(0)
摘要：
来自为知笔记(Wiz) 阅读全文
posted @ 2020-07-17 11:39
iFzh
阅读(249)
评论(0)
推荐(0)
摘要：
来自为知笔记(Wiz) 阅读全文
posted @ 2020-07-17 11:37
iFzh
阅读(281)
评论(0)
推荐(0)
摘要：
背景 近几年，人工智能的可解释性问题受到了来自政府、工业界和学术界的广泛关注。美国国防部先进研究项目局DARPA资助了可解释性人工智能项目XAI（Explainable AI）；中国国务院在《新一代人工智能规划》中提出的“实现具备高可解释性、强泛化能力的人工智能”目标，得到了各个公司的积极响应；IC 阅读全文
posted @ 2020-05-14 19:47
iFzh
阅读(2203)
评论(0)
推荐(0)
摘要：
5.14更新 LIME 动机：在全局中独立变量对结果的影响可能非常复杂，难以直观得到关系 如果专注于一个局部，可以把他们的关系近似为线性模型 提出 Local Interpretable Model-Agnostic Explanations，在一组可解释的表示上确定一个可解释的模型，使这个模型在局部与分类器一致 可解释的数据表示 Interpretable Data Repres... 阅读全文
posted @ 2020-04-17 16:19
iFzh
阅读(10218)
评论(0)
推荐(0)
摘要：
背景 现有机器学习解释方法专注于后验解释。主要通过： 无法获取模型内部信息，对每个样本进行局部分析； 构造query来获取模型输入输出之间局部的关系。 现有的困难主要包括： 如何定义局部性（如结构化的数据）； 解释的可辨识性； 计算代价（有些算法需要复杂的优化过程）。 然而，逐样本的解释无法在邻域输 阅读全文
posted @ 2020-04-17 16:17
iFzh
阅读(1100)
评论(0)
推荐(0)
摘要：
为了实现稀疏性（使中间层一定比例的系数为0），加入L1Penalty。pytorch实现如下： Sparse AutoEncoder (Andrew Ng) 在AE中，我们希望中间层维数尽量少，实现数据的“压缩”表达。实际应用中，这样学到的隐层通常跟PCA效果类似。 通过引入一些限制，即使隐层维度较 阅读全文
posted @ 2020-04-17 12:41
iFzh
阅读(743)
评论(0)
推荐(0)
摘要：
大数据比赛常用的方法 阅读全文
posted @ 2020-04-17 12:39
iFzh
阅读(1220)
评论(0)
推荐(0)
浙公网安备 33010602011771号