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

VNCoreMLFeatureValueObservation是否输出softmax概率？如果是这样，如何提取顶值？

VNCoreMLFeatureValueObservation是苹果公司的Core ML框架中的一个类，用于表示机器学习模型的输出结果。它通常用于图像分类、目标检测等任务中。

对于VNCoreMLFeatureValueObservation对象，是否输出softmax概率取决于所使用的机器学习模型。有些模型会在输出层应用softmax函数，将输出转化为概率分布，而有些模型则不会。

如果模型输出经过了softmax函数处理，可以通过以下步骤提取顶值：

获取VNCoreMLFeatureValueObservation对象的特征值（featureValue）属性。
通过特征值的multiArrayValue属性获取多维数组（MLMultiArray）。
遍历多维数组，找到最大值及其对应的索引。
根据索引获取对应的类别标签或其他相关信息。

需要注意的是，提取顶值的具体实现可能因使用的编程语言和框架而有所不同。在使用Core ML框架时，可以参考苹果官方文档和示例代码进行操作。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
腾讯云图像识别（https://cloud.tencent.com/product/ai_image）
腾讯云自然语言处理（https://cloud.tencent.com/product/nlp）
腾讯云音视频处理（https://cloud.tencent.com/product/mps）
腾讯云物联网平台（https://cloud.tencent.com/product/iotexplorer）
腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
腾讯云对象存储（https://cloud.tencent.com/product/cos）
腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
腾讯云虚拟专用网络（https://cloud.tencent.com/product/vpc）
腾讯云安全产品（https://cloud.tencent.com/product/safety）
腾讯云数据库（https://cloud.tencent.com/product/cdb）

以上是腾讯云提供的一些与云计算相关的产品，可以根据具体需求选择适合的产品进行开发和部署。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Transformer提效之路干货笔记——一文梳理各种魔改版本Transformer

Transformer目前已经成为NLP领域的主流模型，Bert、GPT都是基于Transformer模型结构。同时，Transformer在CV领域也逐渐取得大范围的应用。对Transformer模型结构的深入细致了解非常必要。然而，Transformer的Attention计算代价较高，随着序列长度的增加计算量显著提升。因此，业内出现了很多Transformer魔改工作，以优化Transformer的运行效率。本文首先介绍了Transformer模型的基本结构，然后详细介绍了9篇针对Transformer效率优化、长序列建模优化的顶会论文。

03

揭示语言大模型的采样过程

机器学习模型具有概率性。对于同一个问题，机器可能会给出不同回答，以“世界上最棒的美食是什么？”这一问题为例。假如我们间隔一分钟，对同一个人提问，这个人两次给出的回答应该是相同的；但如果我们分两次问模型同样的问题，它给出的答案可能会发生变化。如果模型认为越南菜最好吃的概率为70%，意大利菜最好吃的概率为30%，那么相应的，模型会有70%的概率回答越南菜，30%的概率回答意大利菜。

01

【深度学习】深度学习中的知识蒸馏技术（上）简介

在化学中，蒸馏是一种有效的分离不同沸点组分的方法，大致步骤是先升温使低沸点的组分汽化，然后降温冷凝，达到分离出目标物质的目的。化学蒸馏条件:（1）蒸馏的液体是混合物;（2）各组分沸点不同。

02

从零开始深度学习（十七）：Softmax

假设不单单需要识别猫，而是想识别猫，狗和小鸡，其中把猫称为类1，狗为类2，小鸡是类3，如果不属于以上任何一类，就分到“其它”或者说“以上均不符合”这一类，把它称为类0。

05

Softmax，Softmax loss&Cross entropy

这张图的等号左边部分就是全连接层做的事，W是全连接层的参数，我们也称为权值，X是全连接层的输入，也就是特征。从图上可以看出特征X是N*1的向量，这是怎么得到的呢？这个特征就是由全连接层前面多个卷积层和池化层处理后得到的，假设全连接层前面连接的是一个卷积层，这个卷积层的输出是100个特征（也就是我们常说的feature map的channel为100），每个特征的大小是4*4，那么在将这些特征输入给全连接层之前会将这些特征flat成N*1的向量（这个时候N就是100*4*4=1600）。解释完X，再来看W，W是全连接层的参数，是个T*N的矩阵，这个N和X的N对应，T表示类别数，比如你是7分类，那么T就是7。我们所说的训练一个网络，对于全连接层而言就是寻找最合适的W矩阵。因此全连接层就是执行WX得到一个T*1的向量（也就是图中的logits[T*1]），这个向量里面的每个数都没有大小限制的，也就是从负无穷大到正无穷大。然后如果你是多分类问题，一般会在全连接层后面接一个softmax层，这个softmax的输入是T*1的向量，输出也是T*1的向量（也就是图中的prob[T*1]，这个向量的每个值表示这个样本属于每个类的概率），只不过输出的向量的每个值的大小范围为0到1。

03

比 Bert 体积更小速度更快的 TinyBERT

本文作者：chenchenliu&winsechang，腾讯 PCG 内容挖掘工程师 TinyBERT 是华为不久前提出的一种蒸馏 BERT 的方法，本文梳理了 TinyBERT 的模型结构，探索了其在不同业务上的表现，证明了 TinyBERT 对复杂的语义匹配任务来说是一种行之有效的压缩手段。一、简介在 NLP 领域，BERT 的强大毫无疑问，但由于模型过于庞大，单个样本计算一次的开销动辄上百毫秒，很难应用到实际生产中。TinyBERT 是华为、华科联合提出的一种为基于 transforme

01

Knowledge Distillation | 知识蒸馏经典解读

知识蒸馏是一种模型压缩方法，是一种基于“教师-学生网络思想”的训练方法，由于其简单，有效，在工业界被广泛应用。这一技术的理论来自于2015年Hinton发表的一篇神作:Distilling the Knowledge in a Neural Network[1]

01

faster-RCNN原理及相应概念解释

(2)利用selective search 算法在图像中从上到下提取2000个左右的Region Proposal；

02

模型压缩 | 知识蒸馏经典解读

知识蒸馏是一种模型压缩方法，是一种基于“教师-学生网络思想”的训练方法，由于其简单，有效，在工业界被广泛应用。这一技术的理论来自于2015年Hinton发表的一篇神作:Distilling the Knowledge in a Neural Network[1]

02

NLP硬核入门-PointerNet和CopyNet

PointerNet和CopyNet是同一类网络模型，只是在不同的论文里叫法不同，后文统一用PtrNet来表示。

02

Tensorflow - Cross Entropy Loss

根据应用场景中,分类目标的独立性与互斥性, 可以选择 sigmoid 或者 softmax 来实现.

06

详解Softmax函数

提到二分类首先想到的可能就是逻辑回归算法。逻辑回归算法是在各个领域中应用比较广泛的机器学习算法。逻辑回归算法本身并不难，最关键的步骤就是将线性模型输出的实数域映射到[0, 1]表示概率分布的有效实数空间，其中Sigmoid函数刚好具有这样的功能。

01

【强基固本】大模型的四种文本解码策略

“强基固本，行稳致远”，科学研究离不开理论基础，人工智能学科更是需要数学、物理和神经科学等基础学科提供有力支撑，为了紧扣时代脉搏，我们推出“强基固本”专栏，讲解AI领域的基础知识，为你的科研学习提供助力，夯实理论基础，提升原始创新能力，敬请关注。

01

论文赏析[NAACL16]RNN文法

Recurrent Neural Network Grammarsgodweiyang.com

02

关于"知识蒸馏"，你想知道的都在这里！

"蒸馏"，一个化学用语，在不同的沸点下提取出不同的成分。知识蒸馏就是指一个很大很复杂的模型，有着非常好的效果和泛化能力，这是缺乏表达能力的小模型所不能拥有的。因此从大模型学到的知识用于指导小模型，使得小模型具有大模型的泛化能力，并且参数量显著降低，压缩了模型提升了性能，这就是知识蒸馏。<Distilling the Knowledge in a Neural Network>这篇论文首次提出了知识蒸馏的概念，核心思想就是训练一个复杂模型，把这个复杂模型的输出和有label的数据一并喂给了小网络，所以知识蒸馏一定会有个复杂的大模型(teacher model)和一个小模型(student model)。

03

如何用 RNN 实现语音识别？| 分享总结

循环神经网络（RNN）已经在众多自然语言处理中取得了大量的成功以及广泛的应用。但是，网上目前关于 RNNs 的基础介绍很少，本文便是介绍 RNNs 的基础知识，原理以及在自然语言处理任务重是如何实现的。文章内容根据 AI 研习社线上分享视频整理而成。在近期 AI 研习社的线上分享会上，来自平安科技的人工智能实验室的算法研究员罗冬日为大家普及了 RNN 的基础知识，分享内容包括其基本机构，优点和不足，以及如何利用 LSTM 网络实现语音识别。罗冬日，目前就职于平安科技人工智能实验室，曾就职于百度、大众点评

06

CAMoE——屠榜 video retrieval challenge

原文：https://zhuanlan.zhihu.com/p/425226244c

01

深度学习中的注意力机制（一）

目前深度学习中热点之一就是注意力机制（Attention Mechanisms）。Attention源于人类视觉系统，当人类观察外界事物的时候，一般不会把事物当成一个整体去看，往往倾向于根据需要选择性的去获取被观察事物的某些重要部分，比如我们看到一个人时，往往先Attend到这个人的脸，然后再把不同区域的信息组合起来，形成一个对被观察事物的整体印象。

05

用NN（神经网络）实现数据的降维理论及练习

数据降维的重要性就不必说了，而用NN（神经网络）来对数据进行大量的降维是从2006开始的，这起源于2006年science上的一篇文章：reducing the dimensionality of data with neural networks，作者就是鼎鼎有名的Hinton，这篇文章也标志着deep learning进入火热的时代。　　花了点时间读了下这篇文章，下面是一点笔记：　　多层感知机其实在上世纪已经被提出来了，但是为什么它没有得到广泛应用呢？其原因在于对多层非线性网络进行权值优化时很难得到

09

TensorFlow tf.nn.softmax_cross_entropy_with_logits的用法

在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？

03

【TensorFlow】tf.nn.softmax_cross_entropy_with_logits的用法

在计算loss的时候，最常见的一句话就是 tf.nn.softmax_cross_entropy_with_logits ，那么它到底是怎么做的呢？

01

论文阅读学习 - Fast R-CNN

R-CNN 采用深度网络来对 object proposals 分类以进行目标检测，其缺点如下：

06

TF图层指南：构建卷积神经网络

本文介绍了如何利用TensorFlow搭建一个简单的CNN模型来识别MNIST数据集中的手写数字。首先，介绍了CNN模型的基本原理和TensorFlow中的Keras API。然后，使用MNIST数据集训练了一个具有卷积层和全连接层的CNN模型。最后，通过在测试集上评估模型的性能，得到了97.3%的准确率。

05

简单的神经网络

我们之前学过sigmoid、relu、tanh等等激活函数，今天我们来看一下softmax。

01

NeurIPS 2022 Spotlight｜生成式语义分割新范式GMMSeg，可同时处理闭集和开集识别

机器之心专栏作者：梁琛 GMMSeg 同时具备判别式与生成式模型的优势，在语义分割领域，首次实现使用单一的模型实例，在闭集 (closed-set) 及开放世界 (open-world) 分割任务中同时取得先进性能。当前主流语义分割算法本质上是基于 softmax 分类器的判别式分类模型，直接对 p (class|pixel feature) 进行建模，而完全忽略了潜在的像素数据分布，即 p (class|pixel feature)。这限制了模型的表达能力以及在 OOD (out-of-distrib

02

开集识别: A Good Closed-Set Classifier is All You Need

1. 论文信息标题：Open-Set Recognition: a Good Closed-Set Classifier is All You Need? 作者：Sagar Vaze, Kai Ha

03

DeepLearningNotes

f(\frac{x_1+x_2}{2})\leq{\frac{f(x_1)+f(x_2)}{2}}

05

一文速学-让神经网络不再神秘，一天速学神经网络基础-输出层

深度学习的内容不是那么好掌握的，包含大量的数学理论知识以及大量的计算公式原理需要推理。且如果不进行实际操作很难够理解我们写的代码究极在神经网络计算框架中代表什么作用。

02

逻辑回归优化技巧总结（全）

逻辑回归是简单的广义线性模型，模型的拟合能力很有限，无法学习到特征间交互的非线性信息：一个经典的示例是LR无法正确分类非线性的XOR数据，而通过引入非线性的特征（特征生成），可在更高维特征空间实现XOR线性可分，如下示例代码：

02

从AlexNet剖析-卷积网络CNN的一般结构

作者：张旭编辑：王抒伟算了想看多久看多久零参考目录：一、卷积层 1.CNN中卷积层的作用 2.卷积层如何工作 3.AlexNet中的卷积层二、池化层与激活层 1.池化层 2.激活层三、全连接层 1.全连接层的作用 2.AlexNet中的全连接层四、Softmax层 1.Softmax的作用 2.AlexNet中的Softmax

05

[深度概念]·Attention机制概念学习笔记

深度学习里的Attention model其实模拟的是人脑的注意力模型，举个例子来说，当我们观赏一幅画时，虽然我们可以看到整幅画的全貌，但是在我们深入仔细地观察时，其实眼睛聚焦的就只有很小的一块，这个时候人的大脑主要关注在这一小块图案上，也就是说这个时候人脑对整幅图的关注并不是均衡的，是有一定的权重区分的。这就是深度学习里的Attention Model的核心思想。

02

[深度概念]·Attention机制实践解读

深度学习里的Attention model其实模拟的是人脑的注意力模型，举个例子来说，当我们观赏一幅画时，虽然我们可以看到整幅画的全貌，但是在我们深入仔细地观察时，其实眼睛聚焦的就只有很小的一块，这个时候人的大脑主要关注在这一小块图案上，也就是说这个时候人脑对整幅图的关注并不是均衡的，是有一定的权重区分的。这就是深度学习里的Attention Model的核心思想。

01

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）

03

Calibration: 一个工业价值极大，学术界却鲜有研究的问题！

在实际的工业应用中，当模型的准确性无法达到预期的标准时，通常思考采用提高模型决策的阈值。而这种方法在神经网络上不一定适用。本文介绍了一篇来自2017年的ICML顶会论文，关于让模型的softmax输出能真实的反映决策的置信度，也就是Calibration问题。

01

word2vec原理与Gensim使用[通俗易懂]

与NNLM相比，word2vec的主要目的是生成词向量而不是语言模型，在CBOW中，投射层将词向量直接相加而不是拼接起来，并舍弃了隐层，这些牺牲都是为了减少计算量。不经过优化的CBOW和Skip-gram中 ,在每个样本中每个词的训练过程都要遍历整个词汇表，也就是都需要经过softmax归一化，计算误差向量和梯度以更新两个词向量矩阵（这两个词向量矩阵实际上就是最终的词向量，可认为初始化不一样），当语料库规模变大、词汇表增长时，训练变得不切实际。为了解决这个问题，word2vec支持两种优化方法：hierarchical softmax 和negative sampling。

03

矩阵模拟！Transformer大模型3D可视化，GPT-3、Nano-GPT每一层清晰可见

一位软件工程师Brendan Bycroft制作了一个「大模型工作原理3D可视化」网站霸榜HN，效果非常震撼，让你秒懂LLM工作原理。

01

7篇顶会论文带你梳理多任务学习建模方法

多任务学习（Multitask Learning）是迁移学习的一种方式，通过共享表示信息，同时学习多个相关任务，使这些任务取得比单独训练一个任务更好的效果，模型具有更好的泛化性。在深度学习模型中，多任务学习的最直接实现方法是多个Task共享底层的多层网络参数，同时在模型输出层针对不同任务配置基层Task-specific的参数。这样，底层网络可以在学习多个Task的过程中从不同角度提取样本信息。然而，这种Hard Parameter Sharing的方法，往往会出现跷跷板现象。不同任务之间虽然存在一定的关联，但是也可能存在冲突。联合训练导致不相关甚至冲突的任务之间出现负迁移的现象，影响最终效果。为了解决Hard Parameter Sharing的弊端，学术界涌现了如多专家网络（Multi-expert Network，MoE）等多种解决深度学习中多任务学习问题的方法，是学术界一直以来研究的热点，在工业界也有诸多应用。本文从最基础的多任务学习开始，梳理了近几年来7篇多任务学习顶会相关工作，包括Hard/Soft Parameter Sharing、参数共享+门控、学习参数共享方式等建模方式。

01

神经网络中常见的激活函数

深度学习中已经成为了人工智能领域的必备工具，源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。寻找隐藏层的权重参数和偏置的过程，就是常说的“学习”过程，其遵循的基本原则就是使得网络最终的输出误差最小化。在神经⽹络中，激活函数是必须选择的众多参数之⼀，从而使神经⽹络获得最优的结果和性能。

07

机器学习入门系列06，logistic regression逻辑回归

引用课程：http://speech.ee.ntu.edu.tw/~tlkagk/courses_ml16.html 先看这里，可能由于你正在查看这个平台行间公式不支持很多的渲染，所以最好在我的c

07

一个可视化网站让你瞬间弄懂什么是卷积网络

视频演示：https://mpvideo.qpic.cn/0b2eleaawaaaqeacrtymk5svawodbnmqacya.f10002.mp4?

01

详解强化学习多智能体博弈算法——蒙特卡洛树搜索

👆点击“博文视点Broadview”，获取更多书讯 📷 强化学习，除了可以用于单个强化学习智能体和环境的相互作用，也可以用于两个或者多个智能体在某个强化学习环境下的博弈。关于这种类型的算法，最有名的应该是蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）。随着AlphaGo和AlphaZero算法在围棋、国际象棋和将棋等棋类领域的广泛应用，并且在这些领域内均取得了相比传统的Alpha-Beta 剪枝算法更加优异的性能，蒙特卡洛树搜索算法作为这些智能体使用的算法也被越来越多的人研究

03

码农の带娃绝技：TensorFlow+传感器，200美元自制猜拳手套

王小新编译自 Google Cloud Blog 量子位出品 | 公众号 QbitAI 你们程序员啊，连带娃都这么技术流…… 今年夏天，谷歌云负责维护开发者关系的Kaz Sato带着他的儿子，用一些传感器和一个简单的机器学习线性模型，开发了一个“猜拳机器”，能检测石头剪刀布的手势。最近他还还根据这个过程写了一份教程，详细介绍了怎样构建这个机器，以及怎样用机器学习算法解决日常问题。量子位搬运编译整理如下，适合有一定编程基础的同学，需要大约200美元的硬件设备。我们先来看一下这个机器：上面视频中，

05

可扩展、可解释，新框架从预训练语言模型中高效提取知识图谱

机器之心专栏作者：UCSD Shibo Hao 来自加州大学圣迭戈分校（UCSD）、卡内基梅隆大学（CMU）等机构的研究者提出了一种自动知识抽取框架，可以从 BERT 或 RoBerta 等预训练语言模型中高效且可扩展地提取知识图谱。知识图谱 (KG) 是表示知识的一种形式，通常由头尾实体及其关系的三元组构成。它被广泛应用在各个领域，包括搜索引擎、推荐系统、聊天机器人和医疗保健。传统的知识图谱是通过昂贵的众包（例如 WordNet, ConceptNet, ATOMIC）构建的。尽管最近的研究探索了使

01

卷积神经网络

在机器学习中，分类器将类别标签分配给数据点。例如，图像分类器针对图像中存在哪些对象产生类别标签（例如，鸟，飞机）。一个卷积神经网络，或CNN的简称，是一种类型的分类，在解决这个问题，其过人之处！

08

13.深度学习(词嵌入)与自然语言处理--HanLP实现

笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP

03

CVPR 2023｜两行代码高效缓解视觉Transformer过拟合，美图&国科大联合提出正则化方法DropKey

机器之心专栏机器之心编辑部美图影像研究院（MT Lab）与中国科学院大学突破性地提出正则化方法 DropKey，用于缓解 Vision Transformer 中的过拟合问题。该方法通过在注意力计算阶段随机 drop 部分 Key 以鼓励网络捕获目标对象的全局信息，从而避免了由过于聚焦局部信息所引发的模型偏置问题，继而提升了基于 Transformer 的视觉类算法的精度。该论文已被计算机视觉三大顶会之一 CVPR 2023 接收。近期，基于 Transformer 的算法被广泛应用于计算机视觉的各类

02

softmax、softmax损失函数、cross-entropy损失函数[通俗易懂]

hardmax 就是直接选出一个最大值，例如 [1，2，3] 的 hardmax 就是 3，而且只选出最大值，非黑即白，但是实际中这种方式往往是不合理的，例如对于文本分类来说，一篇文章或多或少包含着各种主题信息，我们更期望得到文章属于各种主题的概率值，而不是简单直接地归类为某一种唯一的主题。这里就需要用到soft的概念，即不再唯一地确定某一个最大值，而是为每个输出分类的结果都赋予一个概率值，表示属于每个类别的可能性。

01

TF入门04-TF实现Word2Vec

Word2Vec是一组用来产生词嵌入的模型，包括两种主要的模型：skip-gram和CBOW。

02

GPT 大型语言模型可视化教程

欢迎来到 GPT 大型语言模型演练！在这里，我们将探索只有 85,000 个参数的 nano-gpt 模型。

01

深度学习500问——Chapter03：深度学习基础（2）

超参数：在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。

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