如何解决小尺寸图像分割中的样本不均衡问题
1. 生成对抗数据增强（Copy-Paste Augmentation）
原理：将稀有目标的像素块复制粘贴到其他图像中，低成本生成平衡数据。
适用场景：小目标（如车辆、船只）或极端稀疏类别（如灾害损毁区域）。
PyTorch 实现：
import randomdef copy_paste_augment(image, mask, paste_image, paste_mask):# 从粘贴数据中随机选择一个目标实例obj_ids = torch.unique(paste_mask)obj_id = random.choice(obj_ids[1:]) # 跳过背景0obj_mask = (paste_mask == obj_id)# 随机选择粘贴位置h, w = image.shape[-2:]paste_h, paste_w = obj_mask.sum(dim=1).max(), obj_mask.sum(dim=2).max()x = random.randint(0, w - paste_w)y = random.randint(0, h - paste_h)# 将目标粘贴到主图像image[:, y:y+paste_h, x:x+paste_w] = paste_image * obj_mask + image[:, y:y+paste_h, x:x+paste_w] * (~obj_mask)mask[y:y+paste_h, x:x+paste_w] = paste_mask * obj_mask + mask[y:y+paste_h, x:x+paste_w] * (~obj_mask)return image, mask# 使用示例
image, mask = next(iter(dataloader)) # 主图像
paste_image, paste_mask = next(iter(paste_loader)) # 粘贴源
aug_image, aug_mask = copy_paste_augment(image, mask, paste_image, paste_mask)
2. 自监督预训练（Self-Supervised Pretraining）
原理：利用无标签数据预训练模型，增强特征提取能力，缓解小样本学习压力。
适用场景：标注成本高、有大量未标注遥感数据的场景。
工具推荐：使用 lightly 库实现自监督对比学习：
# 安装：pip install lightly
from lightly.models.modules import SimCLRProjectionHead
from lightly.loss import NTXentLossclass SelfSupervisedModel(nn.Module):def __init__(self, backbone):super().__init__()self.backbone = backbone # 例如 ResNet-18self.projection = SimCLRProjectionHead(512, 512, 128)def forward(self, x):features = self.backbone(x).flatten(1)return self.projection(features)# 对比学习训练
model = SelfSupervisedModel(backbone)
criterion = NTXentLoss(temperature=0.5)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)for images, _ in dataloader: # 无需标签images = torch.cat(images, dim=0) # 假设已应用两种增强features = model(images)loss = criterion(features)loss.backward()optimizer.step()
3. 动态类别权重（Class-Balanced Loss）
原理：根据每个 batch 的实时类别分布动态调整损失权重，适应局部不均衡。
代码实现：
class DynamicWeightedCE(nn.Module):def __init__(self, num_classes, beta=0.9):super().__init__()self.num_classes = num_classesself.beta = beta # 平滑系数self.running_counts = torch.zeros(num_classes)def forward(self, inputs, targets):# 统计当前batch的类别频率batch_counts = torch.bincount(targets.flatten(), minlength=self.num_classes).float()self.running_counts = self.beta * self.running_counts + (1 - self.beta) * batch_counts# 计算动态权重（频率倒数）weights = 1.0 / (self.running_counts + 1e-6)weights = weights / weights.sum() * self.num_classes # 归一化# 加权交叉熵loss = F.cross_entropy(inputs, targets, weight=weights.to(inputs.device))return loss# 使用示例
criterion = DynamicWeightedCE(num_classes=5)
4. Transformer + 像素对比学习（Pixel-wise Contrastive Learning）
原理：利用 Transformer 的长距离建模能力，结合像素级对比学习增强边界区分。
代码框架（使用 timm 和自定义模块）：
import timm
from einops import rearrangeclass PixelContrastiveHead(nn.Module):def __init__(self, in_channels, proj_dim=128):super().__init__()self.proj = nn.Conv2d(in_channels, proj_dim, kernel_size=1)def forward(self, x):return F.normalize(self.proj(x), p=2, dim=1)# 模型定义
encoder = timm.create_model("vit_small_patch16_224", pretrained=True, num_classes=0)
contrast_head = PixelContrastiveHead(encoder.embed_dim)
seg_head = nn.Conv2d(encoder.embed_dim, num_classes, kernel_size=1)# 对比损失（基于像素相似度）
def pixel_contrast_loss(feats, mask, temperature=0.1):feats = rearrange(feats, "b c h w -> (b h w) c")mask = rearrange(mask, "b h w -> (b h w)")# 同类别像素为正样本对same_class = (mask.unsqueeze(0) == mask.unsqueeze(1)) # [N, N]similarity = torch.matmul(feats, feats.t()) / temperature # [N, N]# 排除自身对比same_class = same_class.fill_diagonal_(False)pos_pairs = similarity[same_class]neg_pairs = similarity[~same_class]loss = -torch.log(torch.exp(pos_pairs).sum() / (torch.exp(neg_pairs).sum() + 1e-6))return loss# 训练时联合优化分割和对比损失
feats = encoder(images) # [B, C, H, W]
seg_loss = F.cross_entropy(seg_head(feats), masks)
contrast_loss = pixel_contrast_loss(contrast_head(feats), masks)
total_loss = seg_loss + 0.5 * contrast_loss
5. 不确定性加权多任务学习（Uncertainty Weighting）
原理：自动学习各损失函数的权重，平衡不同任务（如分割、边界检测）的贡献。
实现代码：
class UncertaintyWeightedLoss(nn.Module):def __init__(self, num_tasks=2):super().__init__()self.log_vars = nn.Parameter(torch.zeros(num_tasks))def forward(self, *losses):loss_sum = 0for i, loss in enumerate(losses):precision = torch.exp(-self.log_vars[i])loss_sum += precision * loss + self.log_vars[i]return loss_sum# 示例：联合分割损失和边界损失
seg_criterion = DiceLoss()
edge_criterion = nn.BCEWithLogitsLoss()
weight_module = UncertaintyWeightedLoss(num_tasks=2)# 计算各任务损失
seg_loss = seg_criterion(outputs, masks)
edges = canny_edge_detector(masks) # 假设已提取边界
edge_loss = edge_criterion(edge_pred, edges)# 自动加权总损失
total_loss = weight_module(seg_loss, edge_loss)
6. 在线困难样本挖掘（OHEM, Online Hard Example Mining）
原理：在训练过程中动态筛选对模型当前最难分的样本，针对性加强学习。
PyTorch 自定义实现：
class OHEMLoss(nn.Module):def __init__(self, criterion, hard_ratio=0.3):super().__init__()self.criterion = criterion # 基础损失函数self.hard_ratio = hard_ratiodef forward(self, inputs, targets):batch_loss = self.criterion(inputs, targets, reduction="none") # [B, H, W]# 按像素损失排序，选择前 K% 的困难样本num_pixels = batch_loss.numel()k = int(num_pixels * self.hard_ratio)hard_loss, _ = torch.topk(batch_loss.view(-1), k)return hard_loss.mean()# 使用示例（结合交叉熵）
base_loss = nn.CrossEntropyLoss(reduction="none")
ohem_loss = OHEMLoss(base_loss, hard_ratio=0.3)
工具库推荐总结
| 方法 | 推荐工具库 | 关键优势 |
|---|---|---|
| 生成对抗增强 | 自定义实现（无需额外库） | 低成本生成逼真样本 |
| 自监督预训练 | lightly | 支持多种对比学习算法 |
| Transformer 模型 | timm | 提供预训练 Vision Transformer 模型 |
| 多任务不确定性加权 | 自定义实现 | 端到端自动平衡多任务 |
| 在线困难样本挖掘 | 自定义实现 | 动态关注难分样本，无需额外标注 |
相关文章：
如何解决小尺寸图像分割中的样本不均衡问题
1. 生成对抗数据增强（Copy-Paste Augmentation） 原理：将稀有目标的像素块复制粘贴到其他图像中，低成本生成平衡数据。 适用场景：小目标（如车辆、船只）或极端稀疏类别（如灾害损毁区域…...
obsidian插件——Metadata Hider
原本是要找导出图片时显示属性的插件，奈何还没找到，反而找到了可以隐藏属性的插件。唉，人生不如意，十之八九。 说一下功能： 这个插件可以把obsidian的文档属性放在右侧显示，或者决定只显示具体几项属性&a…...
Ubuntu 20.04 Realtek 8852无线网卡驱动
个人博客地址：Ubuntu 20.04 Realtek 8852无线网卡驱动 | 一张假钞的真实世界 sudo apt-get update sudo apt-get install make gcc linux-headers-$(uname -r) build-essential gitgit clone https://github.com/lwfinger/rtw89.git -b v5 cd rtw89 && mak…...
概率论基础知识-全概率公式)
神经网络|(六)概率论基础知识-全概率公式
【1】引言 在前序学习进程中，我们已经对条件概率做了分析，知晓了古典概型下，求某个条件下某事件发生的概率，应该是计算促成条件发生的事件和要求的某事件都发生的综合概率。 再次回忆一下条件概率的定义： 条件概率就…...
LLM推理优化：数据、模型与系统级策略
标题：“LLM推理优化：数据、模型与系统级策略” 文章信息摘要： 文章探讨了大语言模型（LLM）推理优化的多层次策略，包括数据级、模型级和系统级优化。数据级优化通过输入压缩和提示工程提升效率；模…...
人工智能在医疗领域的应用有哪些？
人工智能在医疗领域的应用十分广泛，涵盖了诊断、治疗、药物研发等多个环节，以下是一些主要的应用： 医疗影像诊断 疾病识别：通过分析 X 光、CT、MRI 等影像，人工智能算法能够识别出肿瘤、结节、骨折等病变，…...
)
K8S极简教程(4小时快速学会)
1. K8S 概览 1.1 K8S 是什么 K8S官网文档：https://kubernetes.io/zh/docs/home/ 1.2 K8S核心特性 服务发现与负载均衡：无需修改你的应用程序即可使用陌生的服务发现机制。存储编排：自动挂载所选存储系统，包括本地存储。Secret和…...
大数据学习之SCALA分布式语言三
7.集合类 111.可变set一 112.可变set二 113.不可变MAP集合一 114.不可变MAP集合二 115.不可变MAP集合三 116.可变map一 package com . itbaizhan . chapter07 //TODO 2. 使用 mutable.Map 前导入如下包 import scala . collection . mutable // 可变 Map 集合 object Ma…...
[免费]基于Python的Django博客系统【论文+源码+SQL脚本】
大家好，我是java1234_小锋老师，看到一个不错的基于Python的Django博客系统，分享下哈。 项目视频演示 【免费】基于Python的Django博客系统 Python毕业设计_哔哩哔哩_bilibili 项目介绍 随着互联网技术的飞速发展，信息的传播与…...
ES设置证书和创建用户，kibana连接es
1、启动好es 2、进入es容器 docker exec -it es /bin/bash 3、生成ca证书 ./bin/elasticsearch-certutil ca 注：两个红方框位置直接回车 4、生成cert证书 ./bin/elasticsearch-certutil cert --ca elastic-stack-ca.p12 注：前两个红框直接回车&am…...
“大模型横扫千军”背后的大数据挖掘--浅谈MapReduce
文章目录 O 背景知识1 数据挖掘2 邦费罗尼原则3 TF.IDF4 哈希函数5 分布式文件系统 一、MapReduce基本介绍1. Map 任务2. 按键分组3. Reduce 任务4. 节点失效处理5.小测验：在一个大型语料库上有100个map任务和若干reduce任务： 二、基于MapReduce的基本运…...
＜ OS 有关 ＞ 阿里云 几个小时前 使用密钥替换 SSH 密码认证后， 发现主机正在被“攻击” 分析与应对
信息来源： 文件：/var/log/auth.log 因为在 sshd_config 配置文件中，已经定义 LogLevel INFO 部分内容： 2025-01-27T18:18:55.68272708:00 jpn sshd[15891]: Received disconnect from 45.194.37.171 port 58954:11: Bye Bye […...
【C++高并发服务器WebServer】-7：共享内存
本文目录 一、共享内存1.1 shmget函数1.2 shmat1.3 shmdt1.4 shmctl1.5 ftok1.6 共享内存和内存映射的关联1.7 小demo 二、共享内存操作命令 一、共享内存 共享内存允许两个或者多个进程共享物理内存的同一块区域（通常被称为段）。由于一个共享内存段会称…...
Python中容器类型的数据（下）
集合 集合 (set) 是一种可迭代的、无序的、不能包含重复元素的容器类型的数据。 Python中的集合是一种重要的数据结构，以下为你详细介绍： 定义与特点 无序性：集合中的元素没有固定顺序， {1, 2, 3} 和 {3, 2, 1} 在Python中是同一…...
JavaScript系列（45）--响应式编程实现详解
JavaScript响应式编程实现详解 🔄 今天，让我们深入探讨JavaScript的响应式编程实现。响应式编程是一种基于数据流和变化传播的编程范式，它使我们能够以声明式的方式处理异步数据流。 响应式编程基础概念 🌟 💡 小知识…...
uniapp版本升级
1.样式 登录进到首页，弹出更新提示框，且不可以关闭，侧边返回直接退出！ 有关代码： <uv-popup ref"popupUpdate" round"8" :close-on-click-overlay"false"><view style"…...
K8s运维管理平台 - KubeSphere 3.x 和4.x 使用分析：功能较强，UI美观
目录标题 Lic使用感受优点：优化点： 实操首页项目 | 应用负载 | 配置 | 定制资源定义存储监控告警集群设置 **KubeSphere 3.x** 和 **4.x**1. **架构变化**：2. **多集群管理**：3. **增强的 DevOps 功能**：4. **监控与日…...
使用Python Dotenv库管理环境变量
使用Python Dotenv库管理环境变量 在开发Python应用程序时，管理配置信息（如API密钥、数据库连接字符串等）是一个常见的需求。为了确保安全性和灵活性，通常不建议将这些敏感信息硬编码在代码中。这时，dotenv库就派上了…...
HTTP 配置与应用（不同网段）
想做一个自己学习的有关的csdn账号，努力奋斗......会更新我计算机网络实验课程的所有内容，还有其他的学习知识^_^，为自己巩固一下所学知识，下次更新校园网设计。 我是一个萌新小白，有误地方请大家指正，谢谢…...
异或哈希总结
例题 例题1https://codeforces.com/problemset/problem/1175/Fhttps://codeforces.com/problemset/problem/1175/F 例题2https://codeforces.com/contest/2014/problem/Hhttps://codeforces.com/contest/2014/problem/H例题4https://codeforces.com/contest/1418/problem/Ght…...
我的2024年总结
趁着摸鱼赶紧写一下吧 去年目标review 还是将去年的目标完成了一些 【接纳不完美，多拍照片】 这个还是部分做到了，今年和一些朋友们见面时都注意拍照留记录了，不过还可以继续加强，因为外貌上发生了重大变化，下面细说…...
简易CPU设计入门：控制总线的剩余信号（二）
项目代码下载 请大家首先准备好本项目所用的源代码。如果已经下载了，那就不用重复下载了。如果还没有下载，那么，请大家点击下方链接，来了解下载本项目的CPU源代码的方法。 CSDN文章：下载本项目代码 上述链接为本项目…...
软件开发中的密码学（国密算法）
1.软件行业中的加解密 在软件行业中，加解密技术广泛应用于数据保护、通信安全、身份验证等多个领域。加密（Encryption）是将明文数据转换为密文的过程，而解密（Decryption）则是将密文恢复为明文的过程。以下…...
ArcGIS10.2 许可License点击始终启动无响应的解决办法及正常启动的前提
1、问题描述 在ArcGIS License Administrator中，手动点击“启动”无响应；且在计算机管理-服务中，无ArcGIS License 或者License的启动、停止、禁止等均为灰色，无法操作。 2、解决方法 ①通过cmd对service.txt进行手动服务的启动…...
)
rust feature h和 workspace相关知识 (十一)
feature 相关作用和描述 在 Rust 中，features（特性） 是一种控制可选功能和依赖的机制。它允许你在编译时根据不同的需求启用或禁用某些功能，优化构建，甚至改变代码的行为。Rust 的特性使得你可以轻松地为库提供不同的…...
动手学深度学习-卷积神经网络-3填充和步幅
目录 填充 步幅 小结 在上一节的例子（下图） 中，输入的高度和宽度都为3，卷积核的高度和宽度都为2，生成的输出表征的维数为22。 正如我们在 上一节中所概括的那样，假设输入形状为nhnw，卷积核形…...
最长递增——蓝桥杯
1.题目描述 在数列 a1,a2,⋯,an 中，如果ai<ai1<ai2<⋯<aj，则称 ai 至 aj 为一段递增序列，长度为 j−i1。 定一个数列，请问数列中最长的递增序列有多长。 输入描述 输入的第一行包含一个整数 n。…...
DeepSeek R1 对比 AlphaGo，Zero 的思考过程
作者：真中合欢 原文：https://zhuanlan.zhihu.com/p/19897045280 等了好久，终于等来R1的论文，我在当天晚上第一时间拜读。整篇论文的实验和理论给我一种简洁的优雅，和DeepSeek-V3那篇论文的感觉完全不同。读论文的过程中…...
【2025最新计算机毕业设计】基于SSM房屋租赁平台【提供源码+答辩PPT+文档+项目部署】（高质量源码，可定制，提供文档，免费部署到本地）
作者简介：✌CSDN新星计划导师、Java领域优质创作者、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流。✌ 主要内容：🌟Java项目、Python项目、前端项目、PHP、ASP.NET、人工智能…...
蓝桥杯练习日常|c/c++竞赛常用库函数（下）
书接上回......蓝桥杯算法日常|c\c常用竞赛函数总结备用-CSDN博客 目录 书接上回......https://blog.csdn.net/weixin_47011416/article/details/145290017 1、二分查找 2、lower_bound uper_bound 3、memset（） 函数原型 参数说明 返回值 常见用…...
手撕Diffusion系列 - 第十一期 - lora微调 - 基于Stable Diffusion（代码）
手撕Diffusion系列 - 第十一期 - lora微调 - 基于Stable Diffusion（代码） 目录 手撕Diffusion系列 - 第十一期 - lora微调 - 基于Stable Diffusion（代码）Stable Diffusion 原理图Stable Diffusion的原理解释Stable Diffusion 和Di…...
技术总结：FPGA基于GTX+RIFFA架构实现多功能SDI视频转PCIE采集卡设计方案
目录 1、前言工程概述免责声明 3、详细设计方案设计框图SDI 输入设备Gv8601a 均衡器GTX 解串与串化SMPTE SD/HD/3G SDI IP核BT1120转RGBFDMA图像缓存RIFFA用户数据控制RIFFA架构详解Xilinx 7 Series Integrated Block for PCI ExpressRIFFA驱动及其安装QT上位机HDMI输出RGB转BT…...
【16届蓝桥杯寒假刷题营】第2期DAY5
2.最大公因数 - 蓝桥云课 问题描述 给你2个正整数N，M。 你需要构造一个有N个数的正整数序列a，满足以下条件： ∑i1NaiM。 求gcd(a)，可能的最大值。 输入描述 输入一行两个正整数N，M，表示数组的长…...
26.项目集风险管理战略和项目集风险管理活动有何区别与联系?
项目集风险管理战略和项目集风险管理活动有何区别与联系? 项目集风险管理战略和项目集风险管理活动在项目集管理中的作用不同，但又是密切相关的。 区别： 1.定义 项目集风险管理战略：指的是制定一套全面的、系统的方针和方法，…...
PETSc源码分析： Time Integrators
本文结合PETSc源代码，总结PETSc中的ODE/DAE求解器。 注1：限于研究水平，分析难免不当，欢迎批评指正。 注2：文章内容会不定期更新。 参考文献 Balay S. PETSc/TAO Users Manual, Revision 3.22. Argonne National Labo…...
Spring Boot是什么及其优点
简介 Spring Boot是基于Spring框架开发的全新框架，其设计目的是简化Spring应用的初始化搭建和开发过程。 Spring Boot整合了许多框架和第三方库配置，几乎可以达到“开箱即用”。 优点 可快速构建独立的Spring应用。 直接嵌入Tomcat、Jetty和Underto…...
21.Word：小赵-毕业论文排版❗【39】
目录 题目 NO1.2 NO3.4 NO5.6 NO7.8.9 NO10.11.12 题目 NO1.2 自己的论文当中接收老师的修改：审阅→比较→源文档：考生文件夹：Word.docx→修订的文档：考生文件夹：教师修改→确定→接收→接收所有修订将合并之…...
LeetCode --- 433周赛
题目列表 3427. 变长子数组求和 3428. 最多 K 个元素的子序列的最值之和 3429. 粉刷房子 IV 3430. 最多 K 个元素的子数组的最值之和 一、变长子数组求和 题意要求我们能快速算出 n u m s [ s t a r t . . . i ] nums[start...i] nums[start...i] 这段区间和，其中…...
LLM幻觉（Hallucination）缓解技术综述与展望
LLMs 中的幻觉问题（LLM 幻觉：现象剖析、影响与应对策略）对其可靠性与实用性构成了严重威胁。幻觉现象表现为模型生成的内容与事实严重不符，在医疗、金融、法律等对准确性要求极高的关键领域，可能引发误导性后果&#x…...
Rocky9.5编译freeswitch【记录】
文件目录 tree -dL 1 . ├── flite-2.0.0 ├── freeswitch ├── ldns-1.8.4 ├── libcodec2-2.59 ├── libks ├── ooh323-0.1 ├── opus ├── signalwire-client-c ├── sofia-sip ├── spandsp ├── v8-6.1.298 └── zeromq-2.1.9操作记录 ip a nm…...
自定义数据集 使用tensorflow框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测
在 TensorFlow 中实现逻辑回归、保存模型并加载模型进行预测的过程可以分为以下几个步骤： 准备数据：创建或加载你的自定义数据集。构建逻辑回归模型。训练模型。保存模型。加载模型。使用加载的模型进行预测。 import tensorflow as tf import numpy as…...
WPF进阶 | WPF 数据绑定进阶：绑定模式、转换器与验证
WPF进阶 | WPF 数据绑定进阶：绑定模式、转换器与验证 一、前言二、WPF 数据绑定基础回顾2.1 数据绑定的基本概念2.2 数据绑定的基本语法 三、绑定模式3.1 单向绑定（One - Way Binding）3.2 双向绑定（Two - Way Binding）…...
八股——Java基础（四）
目录 一、泛型 1. Java中的泛型是什么 ? 2. 使用泛型的好处是什么? 3. Java泛型的原理是什么 ? 什么是类型擦除 ? 4.什么是泛型中的限定通配符和非限定通配符 ? 5. List和List 之间有什么区别 ? 6. 可以把List传递给一个接受List参数的方法吗？ 7. Arra…...
2025蓝桥杯JAVA编程题练习Day1
1.刑侦科推理试题 题目描述 有以下10道单选题，编程求这10道题的答案。 这道题的答案是： A. A B. B C. C D. D 第5题的答案是： A. C B. D C. A D. B 以下选项中哪一题的答案与其他三项不同： A. 第3题 B. 第6题 C. 第2题 D.…...
数据结构与算法-要点整理
知识导图： 一、数据结构 包含：线性表（数组、队列、链表、栈）、散列表、树（二叉树、多路查找树）、图 1.线性表 数据之间就是“一对一“的逻辑关系。 线性表存储数据的实现方案有两种，分别是顺序存储结构和链式存储结构。 包含：数组、队列、链表、栈。 1.1 数组…...
SaaS底层盈利逻辑剖析：运维费与服务费的战略抉择
一、引言 1.1 研究背景与意义 在数字化浪潮的推动下，SaaS（软件即服务）行业近年来取得了迅猛发展，成为软件产业中不可或缺的一部分。SaaS 通过互联网提供软件服务，企业无需进行复杂的本地软件安装和硬件购置ÿ…...
Python爬虫之——Cookie存储器
目录 专栏导读1、背景介绍2、库的安装3、核心代码4、完整代码总结 专栏导读 🌸 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手 🏳️🌈 博客主页：请点击——> 一晌小贪欢的博客主页求关注 &…...
时间、空间复杂度)
【数据结构】(2)时间、空间复杂度
一、衡量算法好坏的指标 时间复杂度衡量算法的运行速度，空间复杂度衡量算法所需的额外空间。这些指标，是某场景中选择使用哪种数据结构和算法的依据。如今，计算机的存储器已经变得容易获得，所以不再太关注空间复杂度。 二、渐进表…...
理解 IS-IS 中重要概念之间的关系
本文为 “IS-IS 中重要概念” 相关文章合辑。 未整理去重。 理解 IS-IS、CLNS、CMNS、NSAP、NET 等概念之间的关系 1. 核心概念 IS-IS (Intermediate System to Intermediate System) 一种链路状态路由协议，基于 SPF（最短路径优先）算法计…...
AI 模型评估与质量控制：生成内容的评估与问题防护
在生成式 AI 应用中，模型生成的内容质量直接影响用户体验。然而，生成式模型存在一定风险，如幻觉（Hallucination）问题——生成不准确或完全虚构的内容。因此，在构建生成式 AI 应用时，模型评估与质…...