首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

随机采样列表中的每个数据文件,然后使用R将它们重新绑定到数据帧中

首先,随机采样是一种从总体中随机选择样本的方法,用于代表总体的特征。在数据分析和统计学中,随机采样是一种常用的方法,可以用来进行推断统计和建立模型。

在R语言中,可以使用以下步骤将随机采样的数据文件重新绑定到数据帧中:

  1. 首先,确保你已经安装了R语言的相关包,如dplyr和readr。可以使用以下命令安装这些包:
代码语言:txt
复制
install.packages("dplyr")
install.packages("readr")
  1. 然后,使用以下代码读取每个数据文件并将其存储为数据帧:
代码语言:txt
复制
library(dplyr)
library(readr)

# 创建一个空的数据帧
df <- data.frame()

# 定义数据文件的路径列表
file_paths <- c("file1.csv", "file2.csv", "file3.csv")

# 循环读取每个数据文件并将其绑定到数据帧中
for (file_path in file_paths) {
  # 读取数据文件
  data <- read_csv(file_path)
  
  # 将数据文件绑定到数据帧中
  df <- bind_rows(df, data)
}

在上述代码中,我们首先加载了dplyr和readr包。然后,我们创建了一个空的数据帧df来存储所有数据文件的内容。接下来,我们定义了数据文件的路径列表file_paths,你可以根据实际情况修改为你的数据文件路径。然后,我们使用for循环遍历每个数据文件,使用read_csv函数读取数据文件,并使用bind_rows函数将数据文件绑定到数据帧df中。

最后,你可以使用df来访问和处理重新绑定后的数据。

对于腾讯云的相关产品和产品介绍链接地址,由于要求不能提及具体的云计算品牌商,我无法给出具体的推荐。但是,腾讯云作为一家知名的云计算服务提供商,提供了丰富的云计算产品和解决方案,你可以通过访问腾讯云的官方网站来了解更多相关信息。

相关搜索:将列表中的数据帧重新绑定到列表中的所有其他数据帧将数据帧从数据帧列表重新绑定到不同数据帧列表中的数据帧在R中,对数据帧列表迭代函数,然后将输出存储到列表中,其中每个输出元素由输入数据帧命名使用单个函数将Z分数绑定到R中的数据帧R:如何将列表追加到列表中,然后将每个列表分配给数据帧中的一行?将多个数据帧的行绑定到R中的一个数据帧中将列表堆叠到R中的一个数据帧循环遍历R中的数据帧列表后,将每个数据帧的名称作为列附加使用Python Pandas将列表中的数据重新组织到表中将单元格中的值收集到列表中,然后使用Pandas保存在新的数据帧中如何使用R将数据帧中的数据插入到MySQL表的选定列中使用函数(R)将某个目录的数据帧保存为环境中的数据帧列表使用purrr遍历两个列表,然后通过管道传递到数据帧列表中的dplyr::filter使用loop或lapply将数据帧子集存储到R中的不同变量使用R,迭代数据帧,对每个数据帧执行数学运算,将结果追加到新的数据帧中将SQL Table中的数据绑定到使用C#中的用户控件创建的自定义列表根据数据帧中的某一列,使用R将data.frame转换为字符列表将列表列表转换为单个数据帧,第一列由R中的第一个值(针对每个列表)填充如何将一个值列表乘以一个值的数据帧,然后使用这些结果乘以该数据帧中的下一行值?如何使用distm()来获取第一个数据帧中每个坐标到另一个数据帧中所有坐标之间的距离,并记录它们?
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

Swin-Transformer再次助力夺冠 | Kaggle第1名方案解读(工程人员建议必看)

2、语义分割 前面使用检测网络预测的边界框来裁剪图像,并将它们的大小调整为512×512。裁剪后的图像路径被输入到分割网络以获得Instance Mask。...利用预测的光流将前一帧的跟踪器wrapped 到当前帧,然后通过计算被wrapped Mask与detected Mask之间的IoU将跟踪器与当前帧的detected Mask匹配。...首先,用第1帧 中的mask proposal初始化跟踪器。 然后,使用光流 将跟踪器的warpped mask到第2帧。...然后,通过计算它们之间的IoU,将warpped mask与detected Mask 匹配。 作者认为只有当IoU大于固定阈值时匹配才会成功。...如果跟踪器没有连续匹配5帧,从跟踪器列表中删除这个跟踪器。

1.2K40

视频预训练界的HERO!微软提出视频-语言全表示预训练模型HERO,代码已开源!

在FOM中,作者随机选择并打乱视频帧的一个子集,并训练模型恢复它们的原始顺序。大量的消融研究表明,VSM和FOM在视频+语言预训练中都起着关键作用。...这些视觉特征concat起来,并通过一个全连接(FC)层投影到与token嵌入投影到相同的低维空间中。 由于视频帧是顺序的,因此它们的位置嵌入可以与文本嵌入器中相同的方式进行计算。...NCE损失鼓励模型在给定上下文的情况下,识别正确的帧。与MFFR类似,作者将mask帧的输出输入到一个FC层,将它们投影到一个向量中。...此外,作者从未mask帧的输出中随机采样帧,作为negative distractors,这些帧也通过相同的FC层进行转换得到。...作者随机选择15%的帧进行打乱,目标是重建它们的原始时间顺序,记为,其中。作者将FOM表示为一个分类问题,其中t是重排序帧的ground-truth标签。

2.6K20
  • NID-SLAM:动态环境中基于神经隐式表示的RGB-D SLAM

    1) 动态物体移除:通过使用语义分割和掩码修正,精确地消除RGB-D图像中的动态物体,然后彻底恢复被遮挡的背景。2) 跟踪:通过最小化损失来优化相机姿态{R, t}。...基于重叠的策略涉及从与当前帧视觉上重叠的关键帧中随机选择。为避免过度关注边缘区域并反复优化相同区域,我们首先使用基于覆盖的策略优化整个场景,然后多次使用基于重叠的策略,定期重复此过程。...我们对每个像素采样光线,然后沿每个光线采样 M 个点 x_i=o+d_ir ,其中 i\in\{1,...,M\} , o 表示相机原点, d_i 表示 x_i 的深度值。...总共对每个射线采样 M=M_{strat}+M_{surf} 点。然后,我们验证这些采样点是否落在有效的特征网格内。网格外的点将被排除,因为它们不会为渲染过程提供价值,提高渲染效率。...同时,我们运行跟踪过程,从当前帧中采样 N_t 像素来优化当前帧的相机姿态 \{R,t\} : 4.

    51610

    RTP协议头详解

    如果 RTP 包是周期性产生的,那么将使用由采样时钟决定的名义上的采样时刻,而不是读取系统时间。例如,对一个固定速率的音频,采样时钟将在每个周期内增加 1。...如果一个音频从输入设备中读取含有 160 个采样周期的块,那么对每个块,时间戳的值增加 160。时间戳的初始值应当是随机的,就像序号一样。几个连续的 RTP 包如果是同时产生的。...它们不是在每一个数据包中都被发送,而在发送速率更低的 RTCP 的 SR(发送者报告)中。...以确定存贮数据中的每个媒体下一帧或下一 个单元应该呈现的时间。此种情况下 RTP 时间戳反映了每一个单元应当回放的时间。真正的回放将由接收者决定。 (9)SSRC:32 比特,用以识别同步源。...参与者并不需要在一个多媒体会议的所有 RTP 会话中,使用相同的 SSRC 标识符;SSRC 标识符的绑定通过RTCP。

    1.9K20

    不平衡之钥: 重采样法何其多

    研究结果令人惊讶:(1)数据不平衡可能不是学习高质量表示的问题;(2) 使用最简单的实例平衡(自然)采样学习到的特种表示,也可以通过仅调整分类器来实现强大的不平衡识别能力。...具体来说,随着训练的进行,从一个类中采样的实例越多,该类的采样概率就越低。按照这个思路,DCL首先进行随机抽样来学习通用表示,然后根据课程策略采样更多的尾类实例来处理类别不平衡。...具体来说,FrameStack 在训练时会根据运行模型的性能动态调整不同类的采样率,使其可以从尾部类(通常运行性能较低)中采样更多的视频帧,从头类中采样更少的帧。...3.4 BAGS balanced group softmax (BAGS) [14] 提出根据每个类中的样本数量将类划分为几个平衡组,其中每个组具有相似数量的训练数据的类。...在此之后,BAGS 使用不同的样本组来训练不同的分类头,以便它们对具有相似数量的训练数据的类执行 softmax 操作,从而避免由于不平衡而导致严重偏差的分类器。

    97320

    R语言JAGS贝叶斯回归模型分析博士生延期毕业完成论文时间|附代码数据

    包括完成导入数据文件、探索汇总统计和回归分析在本文中,我们首先使用软件的默认先验设置。在第二步中,我们将应用用户指定的先验,对自己的数据使用贝叶斯。准备工作本教程要求:已安装的JAGS安装R软件。...它们的排列顺序与summary()输出中的顺序相同。因此,首先是回归系数,然后是截距,然后是协方差,然后是间接效应。我们还可以通过绘制我们运行的五个不同模型的后验和先验来绘制这些差异。...因为我们使用了一个大的数据集,先验的影响相对较小。如果使用一个较小的数据集,先验的影响就会更大。为了检查这一点,你可以所有案例的大约20%进行抽样,然后重新进行同样的分析。...switching随机波动率模型、序列蒙特卡罗SMC、M H采样分析时间序列R语言RSTAN MCMC:NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据R语言BUGS序列蒙特卡罗SMC...R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型WinBUGS对多元随机波动率模型:贝叶斯估计与模型比较R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样R语言贝叶斯推断与

    84600

    TrafficVLM | 车辆第一视角多模态视频标题生成模型 ,AI City Challenge 2024 表现优异!

    为了使训练过程中的片段时长和相位时间戳多样化,作者以视频提取帧率随机选择两个偏移时长 offset^{st} 和 offset^{ed} ,范围在0秒到5秒之间,并相应地改变片段的起始和结束帧以增加时长...可学习的局部张量 u 中的特征向量被添加到局部嵌入中,作为缺失阶段的嵌入。然后,将位置嵌入应用于两个视觉特征,接着是时间编码器 f_{t} 。...作者对修剪后的特征进行下采样到一个较低的帧率,然后继续对其进行下采样或零填充到 F 帧。...作者仍然随机加入一些俯视摄像头视频,这部分视频占据数据 Pipeline 的10%,以在微调数据中创造多样性。作者所有的实验都是在WTS验证集的主要子集中进行的评估。...作者观察到,在这两种场景中,将时间建模添加到局部特征显著提高了模型在大多数指标上的性能(表2中的第5行与第7行,以及表3中的第2行与第6行),这展示了作者设计的效果。

    21710

    IBC 2023 | VVC在自适应流式处理工作流程中支持OPENGOP编码

    在本节中,将解释该限制背后的原理、开放和封闭GOP之间的差异以及它们与随机接入点的关系。最后讨论了封闭GOP自适应流的缺点。...以上用例的实际实现非常简单,因为我们已经将VVenC集成到Bitmovin编码器中。用于每个编码任务的编码器被配置为使用开放GOP,还启用了自适应分辨率切换的约束。...然后,我们通过配置编码器将随机接入点准确地放置在每个子段的开头,然后启用了智能分块方法。 实验结果 为了评估较长编码段的影响,我们设置了一些不同长度的编码。...在实验中,每个输出片段的大小为4秒96帧(对于帧率为24的情况)。然后,我们将1、4、8和16个片段合并为编码片段,分别得到4、16、32和64秒的长度。...表3显示了关于测试片段的详细信息,其中还规定了它们在空间和时间信息(SI,TI)方面的时空特征,这两个信息在ITU-R BT.500中定义。

    21810

    A full data augmentation pipeline for small object detection based on GAN

    该架构的目的是增加视频数据集中的小对象的数量。我们的系统由两个过程组成:小目标生成,包括目标下采样和对象分割,以及将小目标集成到图像中,包括位置选择、目标修复和对象混合。  ...通过这些组件,系统能够从真实的HR目标生成SLR目标;这些SLR目标将具有与真实LR目标相似的特征。然后,它们被插入图像中看似合理的位置,而不强制帧之间的任何时间一致性。...然后,每个位置和SLR目标配对将通过最大化它们之间的重叠和运动方向相似角度来给出。...算法显示了每个视频的位置选择器方法: •输入:该算法将时间 的每个帧f内的数据集(GT)中的目标的集合(包括LR和HR子集)、DS-GAN生成器G从HR目标中获得的SLR目标的集合以及搜索范围τ作为输入...为了训练DS-GAN,我们通过应用随机图像处理来增强训练数据,以增加多样性。我们为每个HR目标提供从正态分布采样的不同噪声向量(z),以便模拟各种图像退化类型。

    47420

    使用深度学习进行音频分类的端到端示例和解释

    我们将从声音文件开始,将它们转换为声谱图,将它们输入到CNN加线性分类器模型中,并产生关于声音所属类别的预测。 ? 有许多合适的数据集可以用于不同类型的声音。...从每个文件名或父子文件夹的名称中提取类标签 将每个类名从文本映射到一个数字类ID 不管有没有元数据,结果都是一样的——由音频文件名列表组成的特性和由类id组成的目标标签。...它们捕获了音频的基本特征,并且通常是将音频数据输入到深度学习模型中的最合适方法。...我们使用自定义数据集从Pandas中加载特征和标签,然后以80:20的比例将数据随机分为训练和验证集。然后,我们使用它们来创建我们的训练和验证数据加载器。 ?...它具有生成特征图的四个卷积块。然后将数据重新整形为我们需要的格式,以便可以将其输入到线性分类器层,该层最终输出针对10个分类的预测。 ?

    1.3K30

    Redis配置文件详解(Redis 4.0.8)

    # 然后将信息发布到总线包的头部,以便其他节点能够正确映射发布信息的节点的地址。...默认情况下,它们被限制在一个固定的数量, # 以避免协议去同步(例如由于客户机中的一个bug)将导致查询缓冲区中的内存使用未绑定。...在更改这两个参数之前,理解它们的含义是很重要的。 # LFU计数器仅为每个键8位,其最大值为255,因此Redis使用具有对数行为的概率增量。...# 给定旧计数器的值,当访问一个键时,计数器按如下方式递增: # 1. 提取0到1之间的随机数R。 # 2. 概率P计算为1/(old_value*lfu_log_factor+1)。...# 碎片是每个分配器和某些工作负载都会发生的自然过程(但幸运的是,对于Jemalloc就不那么常见了)。 # 通常需要重新启动服务器来降低碎片,或者至少清除所有数据并重新创建它。

    1.1K31

    《Scikit-Learn、Keras与TensorFlow机器学习实用指南(第二版)》第18章 强化学习

    马尔可夫决策过程 在二十世纪初,数学家 Andrey Markov 研究了没有记忆的随机过程,称为马尔可夫链。这样的过程具有固定数量的状态,并且在每个步骤中随机地从一个状态演化到另一个状态。...R(s, a, s′)为智能体选择以动作a从状态s到状态s'的过程中得到的奖励。例如图18-8中,R(s2, a1, s0) = +40。 γ为衰减率。...DQN,将所有经验存储在接力缓存(或接力记忆)中,每次训练迭代,从中随机采样一个批次。...以下是支持的预处理: 灰度和降采样 将观察转换为灰度,并降采样(默认是84 × 84像素) 最大池化 游戏的最后两帧使用1 × 1过滤器做最大池化。是为了去除闪烁点。...提示:当存储两个连续的轨迹,它们包含两个连续的观察,每个观察有四个帧(因为包装器是FrameStack4),但是第二个观察中的三个帧是多余的(第一个观察中已经存在了)。

    1.9K10

    校招面试知识点复习之计算机网络

    分组交换对比电路交换 电路交换 在数据传输前,必须建立端到端的连接 一旦某个节点故障,必须重新建立连接 连接建立后,数据的传输没有额外的延时 数据中不必包含地址域,仅需较短的虚电路号 数据按序传输,但信道的使用率较低...设信道支持N个节点,传输速率是R b/s。 时分多路复用 (TDM): 将时间划分为时间帧,每个时间帧再划分为N个时隙(长度保证发送一个分组),分别分配给N个节点。...2、随机接入协议 基本思想: - 发送节点以信道全部速率(R b/s)发送; - 发生冲突时,冲突的每个节点分别等待一个随机时间,再重发,直到帧(分组)发送成功。...IP是否与包中的IP地址一致,如果不一致则忽略,如果一致,则将发送端的MAC地址和IP地址添加到自己的ARP列表中(已存在的则覆盖),然后向发送端发送一个响应包,当发送方收到该响应包后,将接收方的IP与...,若在发送数据过程中检测到了冲突,则发送阻塞信息并立即停止发送数据,然后等待随机时间再次发送。

    1.3K10

    OpenGL 抗锯齿

    我们不再使用每个像素中心的采样点,取而代之的是4个子样本(subsample),用它们来决定像素的覆盖率。这意味着颜色缓冲的大小也由于每个像素的子样本的增加而增加了。...我们原来猜测,我们会为每个被覆盖的子样本运行片段着色器,然后对每个像素的子样本的颜色进行平均化。例子的那种情况,我们在插值的顶点数据的每个子样本上运行片段着色器,然后将这些采样点的最终颜色储存起来。...片段着色器运行着插值到像素中心的顶点数据,最后颜色被储存近每个被覆盖的子样本中,每个像素的所有颜色接着将平均化,每个像素最终有了一个唯一颜色。...渲染到多采样帧缓冲 渲染到多采样帧缓冲对象是自动的。当我们绘制任何东西时,帧缓冲对象就绑定了,光栅化会对负责所有多采样操作。我们接着得到了一个多采样颜色缓冲,以及深度和模板缓冲。...你可能还记得帧缓冲教程中,如果我们绑定到GL_FRAMEBUFFER,我们实际上就同时绑定到了读和写的帧缓冲目标。

    2.9K20

    H.264学习笔记

    ):对数据进行重新排序,让关键数值(Significant Values)分组在一起 12 预测性图像编码 运动补偿是预测性编码的一个例子,编码器基于过去/未来的某个帧创建当前帧中某个区域的预测,然后把预测从当前区域中减去...A、B、C是对于编解码器都可用的参考(相邻)像素,这些像素应该在X之前被编解码: P(X) = (2A + B + C)/4 R(X) = X − P(X) 解码器根据A、B、C可以重新构造出预测,然后...在此同时,量化后的数据被重新扫描、反向转换并加上预测宏块,得到一个编码后的帧版本,然后存储起来用于后续的预测: 在解码器中,宏块被解码、重新扫描、反向转换,得到一个编码过的残余宏块。...然后是重扫描,每个系数乘以一个整数以近似的还原其原始值: 重扫描后的图式权重系数,加上标准化基础图式,经过反向离散余弦变换/整数变换可以重新创建出采样的残余数据: 得到采样残余后,解码器使用和编码器一样的预测...数据分区切片 该特性将切片分为三个区:NAL头 A分区:包含切片头、每个宏块的头 B分区:包含帧内预测的残余数据、SI切片宏块 C分区:包含帧间预测的残余数据、SP切片宏块 每个分区都是独立的NAL

    1.4K10

    语义分割综述

    全连接网络获取任意大小的图像并生成相应空间维度的输出。在这个模型中,ILSVRC 分类器被投射到完全连接的网络中,并使用像素级损失和网络内上采样来增强密集预测。然后通过微调完成分割训练。...每个卷积之后是一个整流线性单元和一个用于下采样的 2x2 最大池化操作。每个下采样阶段都会使特征通道的数量增加一倍。扩展路径步骤包括特征通道的上采样。接着是 2x2 上卷积,将特征通道的数量减半。...最后一层是 1x1 卷积,用于将组件特征向量映射到所需数量的类。 在这个模型中,训练是使用输入图像、它们的分割图和 Caffe 的随机梯度下降实现来完成的。...本文的主要贡献是: 将 DenseNet 架构扩展到完全卷积网络,用于语义分割。 从密集网络中提出比其他上采样路径表现更好的上采样路径。 证明该网络可以在标准基准测试中产生SOTA结果。...第二种方法需要对输入特征图进行一个等于多孔卷积率 r 的子采样,并对其进行去隔行扫描以生成 r^2 个降低分辨率的图,每个 r×r 可能的移位一个。

    1.2K01

    R语言 线性混合效应模型实战案例

    我们lmerMod将更深入地研究在拟合此模型时生成的对象,以便了解如何使用R中的混合效果模型。...数据框包含每个组的随机效果(这里我们只对每个学校进行拦截)。当我们要求lme4随机效应的条件方差时,它被存储在attribute那些数据帧的一个中作为方差 - 协方差矩阵的列表。...这在尝试使用多级结构来理解分组可能对个体观察产生的影响的观察工作中通常是至关重要的。为此,我们选择了12个随机病例,然后我们模拟了extro它们在6所学校中的每一所学校的预测值。...现在我们已经建立了一个模拟数据帧, 这个图表告诉我们,在每个情节中,代表一个案例,学校有很大的变化。因此,将每个学生转移到另一所学校对外向学分数有很大影响。但是,每个学校的每个案例都有所不同吗?...可以做更多的事情来使图表更具信息性,例如放置对结果的总可变性的参考,并且还观察距离,移动组将每个观察值从其真实值移开。 结论 lme4提供了一个非常强大的面向对象的工具集,用于处理R中的混合效果模型。

    1.8K00

    一个不限制插值个数和上采样倍数的视频增强方法

    帧内插网络和特征提取器 首先,利用轻型光流估计网络PWCNet估计双向流和,然后它们传递到反向流动层,以预测反向流和。...基于这一观察,本文提出的SARDB更彻底地利用可用的自由度,如下图所示: LFF输出的特征F被馈入到几个卷积层中,分别生成空间注意图和通道注意图。然后使用尺度感知卷积将特征F转换为尺度相关特征。...数据集 Adobe-240数据集由133个手持录制视频组成,每个视频的帧速率为240fps,空间分辨率为720×1280。从这个集合中,随机选取103个视频来构建训练数据集。...该集合是通过连续地将每9个连续帧分组,并将它们调整为360×640以形成训练序列。 由此,总共获得了10895个序列。LR帧是从HR帧通过双三次下采样生成的。...从LR帧中随机裁剪大小为56×56的图像块进行训练。水平/垂直翻转以及时间顺序反转用于数据扩充。 训练策略 在训练阶段,随机选择t和s构建每个训练批。单个批次内的图像块共享相同的t和s。

    83050

    集合三大类无模型强化学习算法,BAIR开源RL代码库rlpyt

    CPU 采样还在 worker 进程中运行智能体的神经网络,以选择动作。GPU 采样则将所有环境观测结果分批,然后在 master 进程中选择动作,这样能够更充分地利用 GPU。这些配置详见下图。...整个采样器-优化器栈在每个 GPU 的不同进程中被复制,模型在反向传播过程中对梯度执行规约(all-reduce),从而实现隐式地同步。...在异步模式下,运行训练和采样的是两个单独的 Python 进程,之后 replay buffer 基于共享内存将二者连接起来。采样的运行过程不受干扰,因为数据批次使用了双缓冲。...而另一个 Python 进程在写锁模式下将分批数据复制到主缓冲区,详见下图。优化器和采样器可以独立并行,它们使用不同数量的 GPU,以实现最好的整体利用率和速度。 ? 异步采样/优化模式。...R2D1(非分布式 R2D2)使用 rlpyt 中多个更先进的基础架构组件来实现它,即使用 alternating-GPU 采样器的多 GPU 异步采样模式。

    82910

    A Unified Multi-scale Deep Convolutional Neural Network

    R-CNN使用一个初步的注意阶段,在多个尺度上采样目标建议,然后将这些区域建议缩放到CNN支持的大小(例如224×224)。然而,从计算的角度来看,这是非常低效的。...与Faster R-CNN相似,该网络由目标建议网络和精确检测网络两个子网络组成。它们都是端到端学习并共享计算的。...在Fast R-CNN之后,首先使用ROI池层提取固定维度的特征(如7×7×512)。然后将特征输入到完全连接的层和输出层,如图4所示。增加反卷积层,将特征图的分辨率提高一倍,如4.1节所述。...这种策略类似于R-CNN,如图2 (d)所示,其中输入重新标度被特征重新标度所替代。在R-CNN中,通过最小二乘学习特征逼近器。在CNN世界中,更好的解决方案是使用一个反褶积层,类似于FCN。...(6)的联合优化问题通过在统一网络中反向传播求解。使用引导和λ= 1。学习过程中,,将“conv1-1”到“conv2-2”层的参数固定,以便更快的训练。

    1.9K20
    领券