人工智能技术文章
-
JiWER 计算语音识别误差时，参考文本与识别文本必须经过相同的正规化规则。本文用 Compose 组合清理与替换步骤，并将同一个变换对象同时传给两侧，说明 WER、CER 和自定义词替换的写法。413 收藏 -
JiWER 不只返回 WER 数字，还能通过 process_words 得到逐句的 AlignmentChunk 对齐对象。本文说明 WordOutput.alignments 的结构、四类词位操作、四个索引字段，以及如何用 visualize_alignment 输出可读的对齐文本。392 收藏 -
SHAP Explanation 的 values 形状需要结合样本、特征和模型输出一起读取。本文用单输出与多输出示例说明 shape、feature_names、output_names 的对应关系，以及如何按样本和输出安全切片。438 收藏 -
SHAP Explainer 可以用 NumPy 数组或 pandas DataFrame 作为表格背景数据。本文比较 Independent 与 Partition 的遮罩假设，说明 max_samples、特征相关性和字段一致性如何影响解释基线，并给出可直接改造的初始化代码。455 收藏 -
Captum NoiseTunnel 的 SmoothGrad 与 SmoothGradSquared 都会对加噪输入重复计算归因，但前者聚合原始归因均值，后者聚合平方后的归因均值。本文用公式、代码和选型表说明符号、强度与参数边界。450 收藏 -
通过固定权重示例说明Captum NoiseTunnel如何包装Saliency完成多次加噪归因，介绍采样数、噪声幅度、分批处理，以及解释服务的资源限制与配置记录。500 收藏 -
Captum Saliency 的 abs 默认会把输入梯度取绝对值。本文用固定线性分类器对比 abs=True 与 abs=False，说明方向、幅度、target 和输入形状各自代表什么，以及如何避免把梯度误当成概率或因果结论。303 收藏 -
Captum Saliency 对多分类输出需指定归因目标。本文用线性三分类模型演示统一类别与逐样本 target，说明梯度形状、abs 参数及真实模型接入条件。385 收藏 -
Captum IntegratedGradients 返回的 convergence delta 是完整性差值的逐样本近似误差信号。本文说明它比较什么、如何读取，以及怎样结合 n_steps 和 method 做有边界的判断。399 收藏 -
Captum IntegratedGradients 的 baseline 决定解释从哪里出发。本文按图像、表格、多输入和文本场景说明基线选择、参数对齐与 convergence delta 复盘方法。284 收藏 -
PEFT 中启用和停用 LoRA，关键是区分临时禁用全部适配器、按名称切换活动适配器，以及永久卸载模块。本文用 PeftModel 和 Transformers 两种接口说明调用边界，并给出状态检查清单。483 收藏 -
PEFT通过merge_and_unload返回保留适配器效果的普通模型。文章说明返回值使用、完整导出、可撤销合并，以及恢复接口与还原原始权重的区别。185 收藏 -
用 TemplateProcessing 为 Hugging Face Tokenizers 配置 single 与 pair 模板，说明 $A、$B、special_tokens 和 type_id 的对应关系，并整理句对长度与常见配置错误。420 收藏 -
用 tokenizers.normalizers.Sequence 按顺序组合 NFD、Lowercase、StripAccents 等正规化器，说明如何挂到 Tokenizer、观察结果并保留对齐信息。415 收藏 -
用CrossEncoder重排候选文档，保留corpus_id与业务ID映射，并区分召回缺失、分数含义、语言不匹配和长文本截断问题。224 收藏