文章
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例
深度学习模型的可解释性为其预测提供了人类可以理解的推理。如果不解释预测背后的原因,深度学习算法就像黑匣子,对于一些场景说是无法被信任的。不提供预测的原因也会阻止深度学习算法在涉及跨域公平、隐私和安全的关键应用程序中使用。深度学习模型的可解释性有助于增加对模型预测的信任,提高模型对与公平、隐私和
MindSpore数据增强后,内存不足,自动退出
1报错描述1.1系统环境ardwareEnvironment(Ascend/GPU/CPU):AscendSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.6.0–Pythonversion(e.g.,Pyt
word2vec+lstm做句子分类 简单例子
数据3万文本,trainvaltest622.工具、手法pytorch、sklearn、gensim的word2vec。word2vec嵌入句子进行表示,padding后,用LSTMlinear对句序列向量分类。代码<pre<code
目标跟踪相关知识总结
原文链接(https://link.segmentfault.com/?encS7thhyu5gXYCKbN%2Bxv8Slg%3D%3D.rNohc2EpF3V845JY5ItyRNypXpcqrLsINTGHIVEB2WOPiiAZMbqmXx04AZgMdWrbRnyIeqacd6lHb
RPN:Region Proposal Networks (区域候选网络)
原文链接(https://link.segmentfault.com/?enc3H%2FgFTHhU3YIv0agrrG1jQ%3D%3D.xCdgR1Wclexsr%2B5o7qRoI7XsbZw3mbwuvIljBbKzLxQj%2F%2BhYKAyitm8TCiluuTm3ckerLHH
Python中LSTM回归神经网络的时间序列预测
原文链接(https://link.segmentfault.com/?encsaXgWJUdTLDZKQVNxbY%2FlA%3D%3D.M9XyI0ekR8NjhGlFTj%2F9Eb6jKE6QH65zjUdbHbe1dKaahO8aInatFm6gvODZEiKTuVObncgTQ8o
MindSpore报错ValueError:`padding_idx` in `Embedding超出范围的报错
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):AscendSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Py
MindSpore报错 `half_pixel_centers`=True only support in Ascend
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):CPUSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Pytho
MindSpore报错ValueError: For 'AvgPool' 输出形状的每一维都要大于零
1报错描述1.1系统环境HardwareEnvironment(Ascend/GPU/CPU):AscendSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.8.0–Pythonversion(e.g.,Py
MindSpore数据集加载-GeneratorDataset功能及常见问题
MindSpore支持用户通过自定义的方式构造输入的数据源,然后接入到MindData的流处理流程中,通过迭代该数据源获取数据集进行训练,有点类似PyTorch的DataLoader。相关的API可以参考:mindspore.dataset.GeneratorDataset!图片(https:/
已加载文章中没有匹配内容,试试其他关键词或清空搜索。