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

如何处理R中的“非数字矩阵扩展”错误？

在R中，当我们尝试对非数字矩阵进行扩展操作时，可能会遇到"非数字矩阵扩展"错误。这个错误通常发生在我们试图对包含非数字（NaN）值的矩阵进行运算或操作时。

要处理这个错误，我们可以采取以下步骤：

检查矩阵数据：首先，我们需要检查矩阵中是否包含非数字值。可以使用is.nan()函数来检查矩阵中的每个元素是否为NaN。如果存在NaN值，我们需要找到这些值并进行处理。
处理NaN值：一种处理NaN值的方法是将其替换为其他数值，例如0或平均值。可以使用is.nan()函数结合条件语句来找到NaN值，并使用赋值操作符将其替换为所需的值。
避免NaN值的产生：为了避免出现NaN值，我们可以在进行数值计算之前先进行数据清洗和预处理。确保输入的数据是有效的、不含有缺失值或非数字值。
错误处理：如果在处理NaN值时仍然出现错误，可以使用tryCatch()函数来捕获并处理异常。通过在tryCatch()函数中指定错误处理代码块，我们可以对错误进行适当的处理，例如输出错误信息或执行备用操作。

总结起来，处理R中的"非数字矩阵扩展"错误的步骤包括检查矩阵数据，处理NaN值，避免NaN值的产生，以及使用错误处理机制来捕获和处理异常。通过这些步骤，我们可以有效地处理这个错误并确保代码的正常执行。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product/cvm
腾讯云数据库服务：https://cloud.tencent.com/product/cdb
腾讯云服务器运维服务：https://cloud.tencent.com/product/css
腾讯云人工智能服务：https://cloud.tencent.com/product/ai
腾讯云物联网服务：https://cloud.tencent.com/product/iot
腾讯云移动开发服务：https://cloud.tencent.com/product/mob
腾讯云存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/baas
腾讯云元宇宙服务：https://cloud.tencent.com/product/vr

相关搜索:R/Shiny错误:二元运算符的非数字参数 R:保留矩阵中的连续数字 R中的tryCatch :处理非数值向量 R错误-二进制运算符的非数字参数使用R中的数字绘制颜色矩阵使用R中的非数字值创建函数在R shiny中，当矩阵被重新渲染时，如何保留扩展输入矩阵中的值？基于R中条件的扩展矩阵处理R中矩阵中NA之前和之后的值如何在R中使用heatmap()命令修复'x‘必须是数字矩阵的错误？

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

【NumPy高级运用】NumPy的Matrix与Broadcast高级运用以及IO操作

Matrix函数的作用是返回给定大小的标识矩阵。单位矩阵是一个方阵。从左上角到右下角的对角线上的元素（称为主对角线）均为1，其他所有元素均为0。 ![在这里插入图片描述](https://img-blog.csdnimg.cn/c157d43915c24198a13ee8904c348af4.png

02

《LeetCode-数组篇一》之杨辉三角与重塑矩阵

前言本专栏是LeetCode刷题笔记，记录一下自己的做题轨迹，更好的让自己复习这些令人头痛的题目。博主是一个新手，做题水平非常有限，如有错敬请指出，如有对于题目有更优的解法也可以分享给博主，路漫漫其修远兮，算法之路慢慢而求索。

02

梯度检验与高级优化

梯度检验与高级优化导读神经网络反向传播算法目录关键词梯度检验与高级优化 1 关键词缺位错误 off-by-one error 偏置项 bias term 数值检验 numerically checking 数值舍入误差 numerical roundoff errors 有效数字 significant digits 组合扩展 unrolling 学习率 learning rate 汉森矩阵 Hessian matrix 牛顿法 Newton's method 共轭梯度 conjugate

09

EmguCV 常用函数功能说明「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。AbsDiff，计算两个数组之间的绝对差。 dst（I）c = abs（src1（I）c-src2（I）c）。所有数组必须具有相同的数据类型和相同的大小（或ROI大小）。累加，将整个图像或其所选区域添加到累加器和。累积产品，将2张图像或其选定区域的产品添加到累加器中。 AccumulateSquare，将输入src或其选定的区域，增加到功率2，添加到累加器sqsum。累积权重，计算输入src和累加器的加权和，以使acc成为帧序列的运行平均值：acc（x，y）=（1-alpha）* acc（x，y）+ alpha * image（x，y ）如果mask（x，y）！= 0，其中alpha调节更新速度（累加器对于先前帧的多少速度）.. 自适应阈值，将灰度图像转换为二进制图像。每个像素单独计算的阈值。对于方法CV_ADAPTIVE_THRESH_MEAN_C，它是blockSize x blockSize像素邻域的平均值，由param1减去。对于方法CV_ADAPTIVE_THRESH_GAUSSIAN_C，它是blockSize x blockSize像素邻域的加权和（高斯），由param1减去。添加，将一个数组添加到另一个数组：dst（I）= src1（I）+ src2（I）if mask（I）！= 0所有数组必须具有相同的类型，除了掩码和大小（或ROI）尺寸）。 AddWeighted，计算的两个数组的加权和如下：dst（I）= src1（I）* alpha + src2（I）* beta + gamma所有的数组必须具有相同的类型和相同的大小（或ROI大小）。 ApplyColorMap，将颜色映射应用于图像。 ApproxPolyDP，近似具有指定精度的多边形曲线。 ArcLength，计算轮廓周长或曲线长度。 ArrowedLine，绘制从第一个点指向第二个点的箭头段。 BilateralFilter，将双边滤镜应用于图像。 BitwiseAnd，并计算两个数组的每元素的逐位逻辑连接：dst（I）= src1（I）＆src2（I）if mask（I）！= 0在浮点数组的情况下，使用它们的位表示为了操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 BitwiseNot，反转每个数组元素的每一位：。 BitwiseOr，计算两个数组的每元素逐位分离：dst（I）= src1（I）| src2（I）在浮点数组的情况下，它们的位表示用于操作。所有阵列必须具有相同的类型，除了掩码和大小相同。 BitwiseXor，计算两个数组的每元素的逐位逻辑连接：dst（I）= src1（I）^ src2（I）if mask（I）！= 0在浮点数组的情况下，使用它们的位表示为了操作。所有阵列必须具有相同的类型，除了掩码和大小相同。模糊，使用归一化的盒式过滤器模糊图像。 BoundingRectangle，返回2d点集的右上角矩形。 BoxFilter，使用框过滤器模糊图像 BoxPoints（RotatedRect），计算输入2d框的顶点。 BoxPoints（RotatedRect，IOutputArray），计算输入2d框的顶点。 CalcBackProject，计算直方图的反投影。 CalcCovar矩阵，计算一组向量的协方差矩阵。 CalcGlobalOrientation，计算所选区域中的一般运动方向，并返回0到360之间的角度。首先，函数构建方向直方图，并将基本方向作为直方图最大值的坐标。之后，该函数计算相对于基本方向的移位，作为所有方向向量的加权和：运动越近，权重越大。得到的角度是基本方向和偏移的圆和。 CalcHist，计算一组数组的直方图 CalcMotionGradient，计算mhi的导数Dx和Dy，然后计算梯度取向为：方向（x，y）= arctan（Dy（x，y）/ Dx（x，y）），其中Dx（x，y）考虑Dy（x，y）“符号（如cvCartToPolar函数）。填写面罩后，指出方向有效（见delta1和delta2说明）.. CalcOpticalFlowFarneback（IInputArray，IInputArray，IInputOutputArray，Double，Int32，Int32，Int32，Int32，Double，OpticalflowFarnebackFlag），使用Gunnar Farneback算法计算密集的光流。 CalcOpticalFlowFarneback（Image <Gray，Byte>，Image <Gray，Byte>，Image <Gray，Single>，Image <Gray，Single>，Double

02

什么是语义分割_词法分析语法分析语义分析

语义分割是像素级别的分类，其常用评价指标：像素准确率（Pixel Accuracy，PA）、类别像素准确率（Class Pixel Accuray，CPA）、类别平均像素准确率（Mean Pixel Accuracy，MPA）、交并比（Intersection over Union，IoU）、平均交并比（Mean Intersection over Union，MIoU），其计算都是建立在混淆矩阵（Confusion Matrix）的基础上。因此，了解基本的混淆矩阵知识对理解上述5个常用评价指标是很有益处的！

02

精选|2018年7月R新包推荐

7月份，大约有251个R新包收录于CRAN。除7月份新包数量远超6月份之外，R新包的质量和多样性上也有明显的进步。比如tropicalSparse，抽象数学研究与分析；eChem，分析化学方向的研究应用。

02

R语言基础

R 语言是一款统计软件，R 语言也是一门编程语言，R 语言也是一个数据分析平台。R 是一个免费自由且跨平台通用的统计计算与绘图软件，它有 Windows、Mac、Linux 等版本，均可免费下载使用。R 项目(The R Project for Statistical Computing)最早由新西兰奥克兰大学(Auckland University)的 Robert Gentleman(1959-)和 Ross Ihaka(1954-) 开发，故软件取两人名字的首字母命名为 R 。该项目始于 1993 年，2000 年发布了首个官方版本 R 1.0.0 ，后期维护由 R 核心团队(R Core Team)负责。截止 2019 年 4 月，已发布到 3.6 版本。凭借其开源、免费、自由等开放式理念，R 迅速获得流行，目前已成为学术研究和商业应用领域最为常用的数据分析软件之一。随着大数据行业的发展，R 语言变得越来越流行，R 语言发挥了越来越重要的作用。

01

港大&港中文提出PRoLoRA | 克服同类参数共享方法缺点，拥有更高模型容量/可行性/广泛适用性，微调更好的大模型

凭借令人印象深刻的能力，对大型语言模型（如LLaMA 2，GPT-3.5 Turbo和Gemini）进行特定领域和功能的微调（例如模型对齐和指令调优）变得越来越受欢迎。为了减轻完全微调的高成本，参数高效微调（PEFT），特别是LoRA，通过调整少数参数并冻结其余参数，已成为一种轻量级解决方案。然而，随着模型规模的迅速扩大，对进一步提高参数效率的需求变得越来越迫切，特别是在多LoRA场景中。

01

知识图谱嵌入(KGE)：方法和应用的综述

本文主要是参考《Knowledge Graph Embedding: A Survey of Approaches and Applications》和刘知远的《知识表示学习的研究与进展》做的总结，主要介绍了最近关于知识图谱嵌入所涉及到的研究方法，主要从融合事实信息、融合附加信息和KGE下游任务应用三方面展开。由于篇幅较长，下图是本文的结构，可以按照自己的需要有选择性的浏览。

01

解题思路 | 6小时极速闯关，脑洞一定要大开开开开开

（原赛题直达车：一道即将尘封十几年的封印，不来尝试解开吗？）本次解题报告由微信算法大神yueqi提供。在腾讯内部赛道中，来自微信的yueqi同学在赛题发布6小时后即破解封印、完成闯关，成为内部赛首届冠军。解题思路千万条，脑洞大开第一条，也欢迎小伙伴们在文末留言分享自己的解题报告链接！

02

R语言学习 - 热图绘制 (heatmap)

热图绘制热图是做分析时常用的展示方式，简单、直观、清晰。可以用来显示基因在不同样品中表达的高低、表观修饰水平的高低等。任何一个数值矩阵都可以通过合适的方式用热图展示。本篇使用R的ggplot2包实现从原始数据读入到热图输出的过程，并在教程结束后提供一份封装好的命令行绘图工具，只需要提供矩阵，即可一键绘图。上一篇讲述了Rstudio的使用作为R写作和编译环境的入门，后面的命令都可以拷贝到Rstudio中运行，或写成一个R脚本，使用Rscript heatmap.r运行。我们还提供了Bash的封装，在不修

08

【opencv】cv::Mat 公有成员函数 (Public Member Func)

用来度量每一个像素中每一个通道的精度，但它本身与图像的通道数无关。 depth数值越大，精度越高。 Mat.depth()得到的是一个0~6的数字，分别代表不同的位数，对应关系如下：

02

MatLab函数xlsread、xlswrite、xlsfinfo

读取 XLS、XLSX、XLSM、XLTX 和 XLTM 电子表格文件。【注】xlsread 仅读取 7 位 ASCII 字符，不支持非相邻范围。

02

ALS算法解析

Spark平台推出至今已经地带到2.4.x版本，很多地方都有了重要的更新，加入了很多新的东西。但是在协同过滤这一块却一直以来都只有ALS一种算法。同样是大规模计算平台，Hadoop中的机器学习算法库Mahout就集成了多种推荐算法，不但有user-cf和item-cf这种经典算法，还有KNN、SVD，Slope one这些，可谓随意挑选，简繁由君。我们知道得是，推荐系统这个应用本身并没有过时，那么Spark如此坚定地只维护一个算法，肯定是有他的理由的，让我们来捋一捋。

02

leetcode周赛225

难度顺序：。 5661. 替换隐藏数字得到的最晚时间给你一个字符串 time ，格式为 hh:mm（小时：分钟），其中某几位数字被隐藏（用 ? 表示）。有效的时间为 00:00 到 23:59

01

工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断

我们需要2SLS回归的一些基本结果来开发诊断方法，因此我们在此简单回顾一下该方法。2SLS回归是由Basmann(1957)和Theil(引自Theil 1971)在20世纪50年代独立发明的，他们采取了略微不同但又相当的方法，都在下面描述，以得出2SLS估计器。

03

手把手教你将矩阵&概率画成图

今天我想分享一个简单的 idea，它既不新颖也不花哨。甚至很多人都有过这个想法。但是无论你有没有这么想过，我都希望你能抽出几分钟和我一起重新感受这个想法。

03

练手扎实基本功必备：非结构文本特征提取方法

在本文中，我们将研究如何处理文本数据，这无疑是最丰富的非结构化数据来源之一。文本数据通常由文档组成，文档可以表示单词、句子甚至是文本的段落。文本数据固有的非结构化(没有格式整齐的数据列)和嘈杂的特性使得机器学习方法更难直接处理原始文本数据。因此，在本文中，我们将采用动手实践的方法，探索从文本数据中提取有意义的特征的一些最流行和有效的策略。这些特征可以很容易地用于构建机器学习或深度学习模型。

02

文本数据的特征提取都有哪些方法？

介绍了一些传统但是被验证是非常有用的，现在都还在用的策略，用来对非结构化的文本数据提取特征。

03

机器学习（二十一） ——高斯密度估计实现异常检测

机器学习（二十一）——高斯密度估计实现异常检测（原创内容，转载请注明来源，谢谢）一、概述异常检测（anomalydetection），主要用于检查对于某些场景下，是否存在异常内容、异常操作、异常状态等。异常检测，用到了一个密度估计算法（density estimation）——高斯分布（Gaussian distribution），又称正态分布（normal distribution）。该算法只用到了样本的特征值，不需要分类标签，故该算法是无监督学习算法主要内容是，对于样本集，当有一个新的数

07

Recommending items to more than a billion people（面向十亿级用户的推荐系统）

Web上数据的增长使得在完整的数据集上使用许多机器学习算法变得更加困难。特别是对于个性化推荐问题，数据采样通常不是一种选择，需要对分布式算法设计进行创新，以便我们能够扩展到这些不断增长的数据集。

01

周志华《机器学习》第2章部分笔记

①误差(error)：学习器的预测输出与样本的真实输出之间的差异 ②训练误差(training error)或经验误差(empirical error)：在训练集上的误差 ③测试误差(test error)：在测试集上的误差 ④泛化误差(generalization error)：学习器在所有新样本上的误差 ⑤过拟合(overfitting)：学习能力过于强大，把训练样本自身的一些特点当成所有潜在样本都会有的一般性质，导致泛化能力下降 ⑥欠拟合(underfitting)：学习能力太差，对训练样本的一般性质尚未学好在过拟合问题中，训练误差很小，但测试误差很大；在欠拟合问题中，训练误差和测试误差都比较大。目前，欠拟合问题容易克服，如在决策树中扩展分支，在神经网络中增加训练轮数；但过拟合问题是机器学习面临的关键障碍。 ⑦模型选择：在理想状态下，选择泛化误差最小的学习器。

03

[DeeplearningAI 笔记]第一章2.11-2.16 向量化与 python/numpy 向量说明

吴恩达老师课程原地址: https://mooc.study.163.com/smartSpec/detail/1001319001.htm

03

Excel公式技巧22：从字符串中提取指定长度的连续数字子串

本文给出了一种从可能包含若干个不同长度的数字的字符串中提取指定长度的数字的解决方案。在实际的工作表中，存在着许多此类需求，例如从字符串中获取6位数字账号。

02

【翻译】A New Approach for Sparse Matrix Classification Based on Deep Learning Techniques

2018 IEEE International Conference on Cluster Computing

02

WSDM'22「微软+美团」探索与利用EE：HCB在整个商品空间探索

EE是推荐系统中不变的话题，我们需要通过探索用户的兴趣来避免进入闭环，增加推荐系统的多样性和个性化，因此需要在探索和利用之间做权衡。

02

PointNet：三维点云分割与分类的深度学习

本文是关于PointNet点云深度学习的翻译与理解，PointNet是一种直接处理点云的新型神经网络，它很好地体现了输入点云的序列不变性。

02

矩阵分析笔记（八）λ矩阵和jordan分块

定义：n是非负整数，\mathbb{F}是一个数域，a_0,a_1,...,a_n\in\mathbb{F}

06

模型评价指标—F1值

最近在参赛时也发现了一个问题，就是算法在训练集上完全拟合(KS=1)，但是到测试集上衰退得比较多，即出现了过拟合的现象。

02

Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类

本文通过分析代码数据集，总结了一种基于机器学习的新闻分类方法，该方法通过提取文本特征，使用朴素贝叶斯分类器进行分类，并针对数据集不平衡问题，采用过采样和欠采样策略，提升分类效果。同时，针对提取的特征词，采用词袋模型和TF-IDF方法进行特征表示，最终将特征向量输入到分类器中进行分类。实验结果表明，该方法在新闻分类任务上具有较好的效果。

Day5-橙子

推荐使用read.table函数读入txt文件，read.csv函数读入csv文件

01

机器学习三人行(系列四)----手写数字识别实战(附代码)

今天我们根据mnist手写数字的数据集来对0-9共10个数字进行分类，旨在通过这个分类项目的学习，一起学习分类的相关知识和技巧。由于篇幅有限，代码未全部贴出，文末附关键字，回复该关键字即可下载本系列实战代码。言归正传，步入正题！首先我们需要进行数据集的下载，也可以按照系列二中介绍的方法下载数据集，因为该数据集比较大，代码中下载比较费时，所以我给大家下载好了，直接公众号回复“mnist”，即可网盘下载。在进行分类之前，我们第一步是需要了解数据集，一起看一下数据集中都有些什么吧。 1. MNIST数据集首

图像增强简介

数字图像的诞生并不是与计算机的发展完全相关，第一次世界大战结束后的第二年，数字图像被发明并用于报纸行业。为了当时传输此图像，发明了Bartlane电缆图像传输系统。主要是为了从英国伦敦连接到美国纽约。

03

大数据竞赛平台-Kaggle入门篇

本文作者： wopon_ 来源：36大数据本文长度为1500字，建议阅读4分钟这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友，对于已经在Kaggle上参赛过的网友来说，大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle，第一部分简单介绍Kaggle，第二部分将展示解决一个竞赛项目的全过程。如有错误，请指正! 1、Kaggle简介 Kaggle是一个数据分析的竞赛平台，网址：https://www.kaggle.com/ 企业或者研究者可以将数据、问题

08

抽象代数基础

初等代数是古老算术的推广和发展，在初等代数中开始用变量代替具体的数字，它的中心是解方程

01

1.基础知识(1) --Matlab基础知识

前两次文章有读者私信说Matlab初学，基础较差，本次分享一下Matlab的基础内容，熟练者可以跳过本文，后续的文章也会在文后加上一些基础内容分享。

02

解读LoRA

大模型调优（finetuning）不仅仅是参数的优化，同样会受到非功能性约束的挑战，例如：

02

认识向量

在使用R语言过程中，每一步中都需要关注R语言的数据结构。数据结构是R语言中最重要的内容，也是最难的一部分，学会了这部分之后，R语言就不难了。很多时候，函数无法运行，都是因为数据结构的问题。在学习R语言数据结构之前需要首先了解下数据的类型。

01

线性方程组

线性方程组，是任何标准大学数学教材讲解矩阵是都要用到的，并用它引出矩阵概念。之所以如此，可能有两个原因：一是因为我们在初中的时候就已经学习过线性方程组，对它不陌生，正所谓“温故而知新”；二是矩阵的确是为了求解线性方程组而被提出的。所以，此处也不免俗，依然从线性方程组开始，引出矩阵。

02

DES算法的python3实现

DES原理这里不予以复述，有很多优秀的博客原理可以参考这篇博客 https://www.cnblogs.com/songwenlong/p/5944139.html

01

美国电商平台的个性化推荐算法实践及优化思路

本文介绍了手工艺品电商平台Etsy的个性化推荐算法实践及优化思路，计算过程分为基于历史数据建模和计算推荐结果两个阶段，采用的手段主要包括矩阵分解、交替最小二乘、随机SVD（奇异值分解）和局部敏感哈希等。提供个性化推荐对网上购物市场非常重要。个性化推荐对买卖双方都是有利的：购买者不用自己去搜索就可以直接获得他们感兴趣的产品信息，卖家则可以以较小的市场营销代价获得更好的产品曝光度。在这篇文章中，我们将介绍我们在Esty（美国网络商店平台，以手工艺成品买卖为主要特色——译者注）中使用的一些推荐

08

探索未来：集成存储器计算(IMC)与深度神经网络(DNN)的机遇与挑战

在当今数字化时代，人工智能（AI）已经成为科技领域的一股强大力量，而深度神经网络（DNN）则是AI的核心引擎之一。DNN是一种模仿人类神经系统运作方式的计算模型，通过层层堆叠的神经元网络来实现复杂的模式识别和数据处理任务。从图像识别、语音识别到自然语言处理，DNN已经在各个领域展现了惊人的能力。然而，随着DNN模型的不断演进和复杂化，对计算资源的需求也与日俱增。

01

OFDM完整仿真过程及解释（MATLAB）

0.能找到这篇文章，说明对ofdm已经有一点了解，所以其原理就不再赘述，这篇代码的目的只是希望能对ofdm整个过程有一个理解；

02

SAS，Stata，HLM，R，SPSS和Mplus分层线性模型HLM分析学生受欢迎程度数据

本文用于比较六个不同统计软件程序（SAS，Stata，HLM，R，SPSS和Mplus）的两级分层线性模型的过程和输出。

01

机器学习中分类任务的常用评估指标和python代码实现

混淆矩阵定义为（类x类）大小的矩阵，因此对于二进制分类，它是2x2，对于3类问题，它是3x3，依此类推。为简单起见，让我们考虑二元分类并了解矩阵的组成部分。

01

使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM

本文档用于比较六个不同统计软件程序（SAS，Stata，HLM，R，SPSS和Mplus）的两级分层线性模型的过程和输出。

02

机器学习三人行-手写数字识别实战

前面三个系列我们分别从机器学习入门，洞悉数据，已经数据预处理，回归建模等方面进行了系统的学习。今天我们根据mnist手写数字的数据集来对0-9共10个数字进行分类，旨在通过这个分类项目的学习，一起学习分类的相关知识和技巧。由于篇幅有限，代码未全部贴出，文末附关键字，回复该关键字即可下载本系列实战代码。 1. MNIST数据集首先我们通过scipy中的loadmat方式加载数据集，如下： 📷 可以看出，该数据集中主要有两部分内容，data和label，通过shape查看data可知，该数据集中有7000

05

学界 | 精准防御对抗性攻击，清华大学提出对抗正则化训练方法DeepDefense

选自arXiv 作者：Ziang Yan等机器之心编译参与：刘晓坤、黄小天本文提出了一个名为 DeepDefense 的训练方案，其核心思想是把基于对抗性扰动的正则化项整合进分类目标函数，从而使模型可以学习直接而精确地防御对抗性攻击。在 MNIST、CIFAR-10 和 ImageNet 上的扩展实验证明了该方法可以显著提高不同深度学习模型对高强度对抗攻击的鲁棒性，同时还不会牺牲准确率。虽然深度神经网络（DNN）在许多挑战性的计算机视觉任务中都取得了当前最优的表现，但在对抗样本（在人类感知上和真实图

08

ROBOMASTER TT巡线.2

我们上篇文章完成了对TT下视摄像头的测试，以及相应的使用了内置的RC指令，完成了对飞行器的实时控制。

03

SAS，Stata，HLM，R，SPSS和Mplus分层线性模型HLM分析学生受欢迎程度数据|附代码数据

本文用于比较六个不同统计软件程序（SAS，Stata，HLM，R，SPSS和Mplus）的两级分层线性模型的过程和输出

01

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