深度学习模型可解释性研究综述

深度学习技术以数据驱动学习的特点,在自然语言处理、图像处理、语音识别等领域取得了巨大成就。但由于深度学习模型网络过深、参数多、复杂度高等特性,该模型做出的决策及中间过程让人类难以理解,因此探究深度学习的可解释性成为当前人工智能领域研究的新课题。以深度学习模型可解释性为研究对象,对其研究进展进行总结阐述。从自解释模型、特定模型解释、不可知模型解释、因果可解释性四个方面对主要可解释性方法进行总结分析。列举出可解释性相关技术的应用,讨论当前可解释性研究存在的问题并进行展望,以推动深度学习可解释性研究框架的进一步发展。     

迅速准确地作出椭圆图形

经常从事压力容器设计方面工作的同志都知道,作椭圆封头图形是难免的。现在在作椭圆形封头时,一般均采用简化画法,即用四段圆弧作扁圆来代替椭圆。这种作图法的关键在于分别找出大圆弧半径AC与小圆弧半径BD。在找这两个尺寸时要作n条精确的辅助线,找出后还要将其擦去,比较麻烦。实际上,这两个半径的值可根据⊿EFB～⊿EOC～⊿AFC的关系求出。在标准封头(长     

圆柱杆件结构的计算机辅助设计

本文介绍了在圆柱杆件系统设计工作中,运用计算机进行辅助设计,在保证设计质量的同时,大大提高了工作效率。