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

更新来自模型角度的输入时发生

的是什么？

在机器学习和深度学习领域，当我们更新模型的输入时，通常会发生以下几个步骤：

数据预处理：对输入数据进行清洗、归一化、标准化等处理，以提高模型的训练效果和泛化能力。
特征提取：从原始数据中提取有用的特征，以便模型能够更好地理解和学习数据的关键信息。常用的特征提取方法包括主成分分析（PCA）、特征选择、卷积神经网络（CNN）等。
模型输入更新：将经过预处理和特征提取的数据输入到模型中进行训练或推理。这个过程可以是批量处理，也可以是逐个样本处理，具体取决于模型和应用场景。
模型更新：根据模型的输出结果和预期目标，通过反向传播算法更新模型的权重和参数，以提高模型的准确性和性能。
评估和调优：根据模型的性能指标（如准确率、召回率、F1值等），对模型进行评估和调优，以进一步提高模型的效果。

在更新模型的输入时，可以应用到云计算的各个方面，例如：

前端开发：通过前端界面，用户可以输入需要更新的数据，并将其发送到后端进行处理和更新。
后端开发：后端服务器接收到前端发送的数据后，进行数据预处理、特征提取和模型更新等操作。
数据库：更新后的数据可以存储到数据库中，以便后续查询和使用。
云原生：利用云原生技术，可以将模型更新的过程进行容器化，实现快速部署和弹性扩展。
网络通信：前端和后端之间的数据传输可以通过网络通信实现，确保数据的安全和可靠性。
网络安全：在更新模型的输入时，需要确保数据的安全性，防止数据泄露和恶意攻击。
人工智能：利用人工智能算法和模型，可以对输入数据进行智能分析和处理，提高模型的效果和性能。
存储：更新后的数据可以存储在云存储中，以便后续使用和访问。
区块链：通过区块链技术，可以确保模型输入的可追溯性和不可篡改性，增加数据的可信度。
元宇宙：在元宇宙中，可以利用虚拟现实和增强现实等技术，对模型输入进行可视化和交互操作。

腾讯云相关产品和产品介绍链接地址：

数据预处理：腾讯云数据处理服务（https://cloud.tencent.com/product/dps）
特征提取：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
模型训练和推理：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
数据库：腾讯云数据库（https://cloud.tencent.com/product/cdb）
云原生：腾讯云容器服务（https://cloud.tencent.com/product/tke）
网络通信：腾讯云网络（https://cloud.tencent.com/product/vpc）
网络安全：腾讯云安全产品（https://cloud.tencent.com/product/safety）
人工智能：腾讯云人工智能（https://cloud.tencent.com/product/ai）
存储：腾讯云对象存储（https://cloud.tencent.com/product/cos）
区块链：腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
元宇宙：腾讯云虚拟现实（https://cloud.tencent.com/product/vr）

相关搜索:模型角度4，从更新的模型更改视图训练模型-来自不同角度的冗余图片当使用来自角度2的md输入时，双线来自queryset的Django模型实例在保存时不更新()在单独的表单值发生更改时更新django模型表单值使用prevState更新状态，但当来自父对象的属性发生更改时如何在jquery验证中使用来自输入的变量，并在键入时更新其值？来自相同类/模型的其他字段的实体框架更新字段 .Net核心-来自数据模型websockets的实时Binance.Net更新视图当模型在技术上没有改变，但输入字段的值在角度上发生变化时，我如何更新输入字段？使用来自另一个模型的信息更新Django表单的问题模型before_save未使用来自参数/控制器的更新的多选顺序如何创建代码，以便在更新Excel模型且目标单元格的位置发生更改时启用范围位置的自动更新？当来自外部api的内容发生更改时，我是否应该重新启动节点以更新缓存视图

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

接口与通信-LCD1602显示

具体来说，LCD1602 内部有一个字符发生存储器，已经存储了 160 个不同的点阵字符图形，包括阿拉伯数字、英文字母的大小写、常用的符号和日文假名等。...入 : c* 输出 : 无* 说名 : 该函数是在12MHZ晶振下，12分频单片机的延时。...* 输入 : com* 输出 : 无***********************************************************...P0口的高四位，所以传送高四位不用改 Lcd1602_Delay1ms(1); LCD1602_E = 1; //写入时序 Lcd1602_Delay1ms(5); LCD1602_E = 0;//...P0口的高四位，所以传送高四位不用改 Lcd1602_Delay1ms(1); LCD1602_E = 1; //写入时序 Lcd1602_Delay1ms(5); LCD1602_E = 0; LCD1602

4020 0

《通往财富自由之路》学习心得

以前，与爱人因为一点小事发生摩擦，总是会被拉入翻旧账的泥潭，明明聊的是A，说着说着就到了B,C,D,E......这个时候就很难做到情绪控制，现在在发生摩擦时会第一时间觉知到我们正在因为A发生意见不一致...3、思考模型应用尝试看笑来老师文章看多了，会特别关注概念和类比的边界，每当听到一句话，都会拿来深入思考一下。...首先，“不要让孩子输在起跑线上”，这句话反映出了一种被动防御策略，是一种怕输的心理。一种被动行为特别容易收到周围环境和竞争对手的影响，笑来老师前几期就强调了，语言对行为是有很强的反向塑造作用。...但是实际选择中，因为一种怕输的被动防御心态，当我们看到其他孩子小学就在学奥数，钢琴，英语等特长班时，我们因为焦虑，进而模仿，如果从马拉松角度来看，因为未来的不确定性，所以比较好的策略可能是研究让孩子保持好奇心...当然，如果家庭环境允许，希望培养类似朗朗这种专业级大师可以选择刻意练习的策略。三、所行 1、理财投资理财要从低收入时开始。

5343 0

大语言模型的可信之路：TrustLLM全面揭秘

LLMs 的出色能力归因于多个因素，例如使用来自 Web 的大规模原始文本作为训练数据，使用具有大量参数的 transformer 架构设计，以及先进的模型训练方案等。...以前的研究已经对传统语言模型的鲁棒性进行了大量研究；然而，LLMs 的多样化输⼊输出使这些评估仍然受限。...在这一部分，作者将鲁棒性与恶意攻击（在安全性部分讨论）区分开来，并从普通用户输⼊的角度研究鲁棒性问题。...具体来说，他们从两个角度探索 LLMs 的鲁棒性：它们处理输⼊中的自然噪声的能力以及它们应对分布外（OOD）挑战的反应。...在最近的工作中，作者观察到，由于 LLMs 的暴露偏见，现有的知识更新方法可能存在问题，这种偏见优先考虑现有信息而不是试图融合新信息。其他。

2591 0

请随时准备好，大规模网络攻击随时到来

这也就是我们为什么需要部署一个能够覆盖组织全渠道的防攻击/欺诈策略了，这一点非常关键，任何一个环节的疏漏都将导致你“全盘皆输”。二、监控！监控！监控！...五、更新ATM的操作系统从技术角度出发，在2020年Windows 7彻底“挂掉”之前，银行是不需要将ATM机的操作系统更新至Windows 10的。...由于缺乏定期的安全更新补丁，以及运行大量不受服务支持的软件，ATM机将无法有效抵御新型恶意软件的攻击。...从客户的角度出发，金融机构应该鼓励广大用户去做以下几件事：七、申请交易提醒当客户的支付卡进行了交易之后，用户应该立即收到交易提醒。...*参考来源：rsa，FB小编Alpha_h4ck编译，转载请注明来自FreeBuf.COM

4602 0

c语言基础输入输出

*lf", 5, 2, 3.145); 运行结果为“ 3.15” 输入–scanf scanf() 函数⽤于读取用户的键盘输⼊。程序运行到这个语句时，会停下来，等待用户从键盘输⼊。...用户输入数据、按下回车键后， scanf() 就会处理用户的输⼊，将其存入变量。它的原型定义在头文件 stdio.h 。 scanf() 的语法跟 printf() 类似。...解读用户输入时，会从上一次解读遗留的第一个字符开始，直到读完缓存，或者遇到第一个不符合条件的字符为止。...%c占位符是一个不会自动跳过前面的空格的占位符，如解决这个问题，可以在%c前加上一个空格解决在进行输入时，可以按ctrl+z强行停止读取，使代码向下进行赋值忽略符在一些情况下，不清楚输入的具体格式...如果在成功读取任何数据之前，发生了读取错误或者遇到读取到文件结尾，则返回常量 EOF(-1)。

1061 0

李开复：不参与“价格战”、模型盲测国内第一欢迎 PK

“我们的模型表现超过了其他模型，欢迎不认同的友商来 LMSYS 打擂台，证明我是错的。但在那发生之前，我们会继续说我们是最好的模型。”李开复在 5 月 21 日的分享会上说道。...李开复的底气来自 Yi-Large 一直以来不错的测评表现。...李开复表示，整个行业每年降低 10 倍推理成本是可以期待的，而且也必然发生的，以这个角度看，现在的降价对整个行业来说就是一个好消息。...但对于大模型公司，李开复认为，国内常看到 ofo 式的疯狂降价、双输的打法，大模型公司不会这么不理智，因为技术还是最重要的，如果技术不行，纯粹靠贴钱、赔钱做生意是行不通的。...“如果中国市场就是这么卷，大家宁可赔光、通输也不让你赢，那我们就走外国市场。” “最小到最大的模型，做到中国最好” 在做大模型方面，零一万物将继续坚持 Scaling Law。

620 0

西气东输年输气量首超千亿立方米，图扑助力管道监控

西气东输一线是以新疆塔里木气田为主供气源，以长三角地区为主要目标市场。2007年，西气东输二线工程正式启动，2011年投入运营，将来自中亚天然气管道的天然气输送至我国中部、南部和珠三角地区。...将图扑软件 Web 可视化引擎与油气站管道输送产量分析系统相结合，接入产量数据至可视化平台，实时更新官网正输、省官网正输以及昆仑利用正输各支路瞬时产量、平均产量，点击设备编号可查看设备气体组成成分以及高危发热值...机柜间管理图扑软件支持导入 IFC 格式的 BIM 模型文件生成场景，支持渲染 3D Tiles 格式的倾斜摄影模型文件。...按照实际建筑外观，制作楼宇的3D可视化仿真互动模型，在保持与实际建筑完全一致的前提下致力于展现高精度的模型，可依据具体需求制作科幻或写实风格的建筑模型，以满足实际项目的多样化展示需求。...施工过程包括计量厂房、设备库房、综合设备间、变电所、压缩机厂房、机柜间、厂房以及工艺设备区等建筑的演示。消防预警由于天然气的易燃易爆危险特征，受温度计压力的极易发生火灾、中毒与爆炸的问题。

6602 0

⻓短期记忆LSTM

输⼊⻔、遗忘⻔和输出⻔与⻔控循环单元中的重置⻔和更新⻔⼀样，⻓短期记忆的⻔的输⼊均为当前时间步输⼊Xt与上⼀时间步隐藏状态Ht−1，输出由激活函数为sigmoid函数的全连接层计算得到。...，LSTM有两个不同的门，分别是遗忘门(forget gate)和输入门(input gate)，而GRU只有一种更新门(update gate)； LSTM对新产生的状态可以通过输出门(output...GRU的优点是这是个更加简单的模型，所以更容易创建一个更大的网络，而且它只有两个门，在计算性上也运行得更快，然后它可以扩大模型的规模。 LSTM更加强大和灵活，因为它有三个门而不是两个。 7....值得注意的是，这两个激活函数都是饱和的，也就是说在输入达到一定值的情况下，输出就不会发生明显变化了。如果是用非饱和的激活函数，例如ReLU，那么将难以实现门控的效果。...在生成候选记忆时，使用Tanh函数，是因为其输出在−1～1之间，这与大多数场景下特征分布是0中心的吻合。此外，Tanh函数在输入为0附近相比Sigmoid函数有更大的梯度，通常使模型收敛更快。

1.7K1 0

新冠对零售行业影响几何？哪类企业有望最受益？

坚信新冠肺炎事件之后我们的医疗系统将更加强健。从研究的角度而言，将公司的财务模型分为系统一（惯性思维）和系统二（加速点或失速点），由于系统一具有同质性，系统二的分析更具价值。影响几何？...新型肺炎对消费的影响主要发生在一季度，部分延续至二季度，预计至三季度影响基本消失。中泰证券分析师分析了不同食品饮料子行业季度间的收入占比。...其他龙头的收入构成中来自湖北市场的占比较小，因此受疫情影响也相对有限。此外，周黑鸭作为武汉的上市公司，位于疫源地，其50%左右的收入来自于湖北市场，受到的影响预计较大。...可以看到，SARS 期间以乳制品和肉制品为代表的必选消费品走势明显强于大盘，调味品和啤酒走势与大盘较为接近，而以白酒为代表的可选消费品则一定程度上跑输。...具体公司而言要考虑公司的竞争力，全国化的大品牌相较于区域的品牌，受区域的影响会更小，抗风险能力更强；从产品角度而言，受众群体较大的产品影响相对较小；从渠道来看，渠道体系健全的企业更为受益，除了传统的经销商和

3290 0

AI“上新”，新劳动者“上岗”

基于飞桨算法工具和产业级模型库，华夏天信设计出一套“输煤胶带智能巡检机器人系统”，AI巡检机器人可高效、精准地在多种环境下识别设备隐患，开发时间也缩短了70%以上，为煤矿企业大大节省了成本。...现在，老刘和同伴们的工作发生了翻天覆地的变化：前方AI巡检机器人来回巡检胶带设备状况，一旦发现危险便会自动识别、“思考”、及时通报，而他们只需要坐镇后方的集控室，收到警报后通过语音给机器人下达命令就可以了...李桑郁与AI的缘分，来自于同事的一个请求。油漆班组的工长找到他，说他们每年都会出现车号喷错的情况，有时质检验收也发现不了。“能不能做个铁路货车车号识别的设备，减少错误？”...车号是铁路货车车身上的一串号码，相当于身份证，一旦出错就会影响列车的调度、运行，甚至会导致行车事故发生。以襄阳车辆段为例，每年需要人工维修并重新喷涂车号的铁路货车达一万多辆，工作量巨大。...在顺利自学飞桨开发套件之后，李桑郁一人通过飞桨目标检测算法，打造出了铁路货车车身字符及标识检测项目，不仅能够快速定位并识别图片上的车号，即使拍摄角度不同，车号识别准确率也高达97%，成功部署后已经开始帮助铁路车间作业

2253 0

DataMesh CEO李劼：美国总统大选，大数据究竟是赢了还是输了？

结果出现黑天鹅事件，希拉里不仅败北，而且是数学上的惨败，选举人票上输的一塌糊涂，毫无翻盘可能性。 ?...结果出现黑天鹅事件，希拉里不仅败北，而且是数学上的惨败，选举人票上输的一塌糊涂，毫无翻盘可能性。...我们的Office大数据团队负责提供所有用户访问日志（PII哈希过），根据自动化工具显示，这些数据的完整度一般保持在96%~99%以上，总量超过六个月，来自三万多台服务器，这在我们看起来应该是非常理想的原始数据...当这三类人都在你的数据里无法体现但占比又发生突变时，你用任何旧数据产生的模型去做分析，最后的结果都是可笑的。...如果不从数据角度去看被选举人的话，我们先从人的角度评判一下这次竞选的主要参与者特点：民主党，希拉里：中左派，财阀利益，女性，有多个被攻击的弱点（前期班加西、后期两个邮件门）。支持者年龄偏大。

7683 0

ICLR 2023 | DIFFormer: 扩散过程启发的Transformer

当模型结构考虑样本交互时（如信息传递），它可以被看作节点之间的信号流动，随着模型层数加深（即时间的推移），样本表征会不断被更新。...Multi-Layer Perceptron (MLP) 的更新公式，即每个样本被单独输⼊进 encoder 计算表征；如果在固定位置存在⾮零值（如输⼊图中存在连边的位置）：(1)式中每个样本的表征更新会依赖于图中相邻的其他节点...下图总结了两个模型在具体实现（采⽤矩阵乘法更新⼀层所有样本的表征）中的运算过程。...DIFFormer 的全局输⼊包含样本输⼊特征 X 以及可能存在的图结构 A（可以省略），通过堆叠 DIFFormer layer 更新计算样本表征。...这⾥我们横向对⽐了 DIFFormer-s/DIFFormer-a 在使⽤输⼊图和不使⽤输⼊图（w/o g）时的性能，发现在不少情况下不使⽤输⼊图模型反⽽能给出的较⾼预测精度。

3852 0

从游戏AI到自动驾驶，一文看懂强化学习的概念及应用

例如，著名的围棋AI程序AlphaGo可以根据不同的围棋局势下不同的棋。如果它下得好，它就会赢；如果下得不好，它就会输。它根据下棋的经验不断改进自己的棋艺，这就和行为心理学中的情况如出一辙。...奖励总是数量（而且往往是数量中的标量）。绝大多数的强化学习问题是按时间顺序或因果顺序发生的问题。这类问题的特点是具有先后顺序，并且先前的状态和动作会影响后续的状态等。...注意：用智能体/环境接口建模的问题并不一定要建模成和时间有关的问题。有些问题一共只需要和环境交互一次，就没有必要引入时间指标。...有模型学习（model-based）和无模型学习（model free）在学习的过程中，如果用到了环境的数学模型，则是有模型学习；如果没有用到环境的数学模型，则是无模型学习。...回合更新（Monte Carlo update）和时序差分更新（temporal difference update）回合制更新是在回合结束后利用整个回合的信息进行更新学习；而时序差分更新不需要等回合结束

9513 0

Attention注意力机制

编解码器中的Attention 2.1 计算背景变量 2.2 更新隐藏状态 3....记 ct′ 是解码器在时间步 t′ 的背景变量，那么解码器在该时间步的隐藏状态可以改写为： ? 这⾥的关键是如何计算背景变量 ct′ 和如何利⽤它来更新隐藏状态 st′。...机制发生在Target的元素Query和Source中的所有元素之间。...**其具体计算过程是一样的，只是计算对象发生了变化而已，所以此处不再赘述其计算过程细节。...这个有趣的想法⾃提出后得到了快速发展，特别是启发了依靠注意⼒机制来编码输⼊序列并解码出输出序列的变换器（Transformer）模型的设计。变换器抛弃了卷积神经⽹络和循环神经⽹络的架构。

1.6K1 0

C语言之scanf浅析

%d 就是⼀个占位符， % 是占位符的标志， d 表示整数。第⼆个参数 &i 表示，将用户从键盘输⼊的整数存入变量 i 。...1 -20 3.4 -4.0e3//-4.0*10^3 上面示例中，用户分成四行输⼊，得到的结果与一行输⼊是完全⼀样的。...解读用户输入时，会从上⼀次解读遗留的第⼀个字符开始，直到读完缓存，或者遇到第⼀个不符合条件的字符为止。...scanf("%d%f", &x, &y); printf("%d %f", x, y); return 0; } 运行截图：分析：上⾯⽰例中， scanf() 读取用户输入时，...如果在成功读取任何数据之前，发生了读取错误或者遇到读取到⽂件结尾，则返回常量EOF。

741 0

ICLR 2023 | DIFFormer: 扩散过程启发的Transformer

当模型结构考虑样本交互时（如信息传递），它可以被看作节点之间的信号流动，随着模型层数加深（即时间的推移），样本表征会不断被更新。...Multi-Layer Perceptron (MLP) 的更新公式，即每个样本被单独输⼊进 encoder 计算表征；如果在固定位置存在⾮零值（如输⼊图中存在连边的位置）：(1)式中每个样本的表征更新会依赖于图中相邻的其他节点...下图总结了两个模型在具体实现（采⽤矩阵乘法更新⼀层所有样本的表征）中的运算过程。...DIFFormer 的全局输⼊包含样本输⼊特征 X 以及可能存在的图结构 A（可以省略），通过堆叠 DIFFormer layer 更新计算样本表征。...这⾥我们横向对⽐了 DIFFormer-s/DIFFormer-a 在使⽤输⼊图和不使⽤输⼊图（w/o g）时的性能，发现在不少情况下不使⽤输⼊图模型反⽽能给出的较⾼预测精度。

2443 0

ICLR 2023 | DIFFormer: 扩散过程启发的Transformer

当模型结构考虑样本交互时（如信息传递），它可以被看作节点之间的信号流动，随着模型层数加深（即时间的推移），样本表征会不断被更新。...Multi-Layer Perceptron (MLP) 的更新公式，即每个样本被单独输⼊进 encoder 计算表征；如果在固定位置存在⾮零值（如输⼊图中存在连边的位置）：(1)式中每个样本的表征更新会依赖于图中相邻的其他节点...下图总结了两个模型在具体实现（采⽤矩阵乘法更新⼀层所有样本的表征）中的运算过程。...DIFFormer 的全局输⼊包含样本输⼊特征 X 以及可能存在的图结构 A（可以省略），通过堆叠 DIFFormer layer 更新计算样本表征。...这⾥我们横向对⽐了 DIFFormer-s/DIFFormer-a 在使⽤输⼊图和不使⽤输⼊图（w/o g）时的性能，发现在不少情况下不使⽤输⼊图模型反⽽能给出的较⾼预测精度。

3462 0

Dropout、梯度消失、Adam 优化算法，神经网络优化算法看这一篇就够了

数据集增强、正则或者半监督学习等方式来解决小样本数据集的训练问题。 9. 如何提升模型的稳定性？正则化（L2, L1, dropout）：模型方差大，很可能来自于过拟合。...特征选择：过高的特征维度会使模型过拟合，减少特征维度和正则一样可能会处理好方差问题，但是同时会增大偏差。 10. 有哪些改善模型的思路 1、数据角度增强数据集。...2、模型角度模型的容限能力决定着模型可优化的空间。在数据量充足的前提下，对同类型的模型，增大模型规模来提升容限无疑是最直接和有效的手段。...3、调参优化角度如果你知道模型的性能为什么不再提高了，那已经向提升性能跨出了一大步。超参数调整本身是一个比较大的问题。...一般可以包含模型初始化的配置，优化算法的选取、学习率的策略以及如何配置正则和损失函数等等。 4、训练角度在越大规模的数据集或者模型上，诚然一个好的优化算法总能加速收敛。

1.6K0 0

白话--长短期记忆(LSTM)的几个步骤，附代码！

输⼊⻔、遗忘⻔和输出⻔与⻔控循环单元中的重置⻔和更新⻔⼀样，⻓短期记忆的⻔的输⼊均为当前时间步输⼊Xt与上⼀时间步隐藏状态Ht−1，输出由激活函数为sigmoid函数的全连接层计算得到。...，而输⼊⻔则控制当前时间步的输⼊Xt通过候选记忆细胞C˜t如何流⼊当前时间步的记忆细胞。...，LSTM有两个不同的门，分别是遗忘门(forget gate)和输入门(input gate)，而GRU只有一种更新门(update gate)； LSTM对新产生的状态可以通过输出门(output...GRU的优点是这是个更加简单的模型，所以更容易创建一个更大的网络，而且它只有两个门，在计算性上也运行得更快，然后它可以扩大模型的规模。 LSTM更加强大和灵活，因为它有三个门而不是两个。 7....值得注意的是，这两个激活函数都是饱和的，也就是说在输入达到一定值的情况下，输出就不会发生明显变化了。如果是用非饱和的激活函数，例如ReLU，那么将难以实现门控的效果。

1.3K3 0

推荐收藏 | Dropout、梯度消失爆炸、Adam优化算法，神经网络优化算法看这一篇就够了

数据集增强、正则或者半监督学习等方式来解决小样本数据集的训练问题。 9. 如何提升模型的稳定性？正则化（L2, L1, dropout）：模型方差大，很可能来自于过拟合。...特征选择：过高的特征维度会使模型过拟合，减少特征维度和正则一样可能会处理好方差问题，但是同时会增大偏差。 10. 有哪些改善模型的思路 1、数据角度增强数据集。...2、模型角度模型的容限能力决定着模型可优化的空间。在数据量充足的前提下，对同类型的模型，增大模型规模来提升容限无疑是最直接和有效的手段。...3、调参优化角度如果你知道模型的性能为什么不再提高了，那已经向提升性能跨出了一大步。超参数调整本身是一个比较大的问题。...一般可以包含模型初始化的配置，优化算法的选取、学习率的策略以及如何配置正则和损失函数等等。 4、训练角度在越大规模的数据集或者模型上，诚然一个好的优化算法总能加速收敛。

9882 0

点击加载更多

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