my991201的博客

的形状取决于卷积层的参数：输入通道数、输出通道数和核的大小。是 3，那么卷积层的权重张量的形状应该是。沿着序列长度进行一维卷积。

在基础上修改了一点点本地文件所在位置E:\0.code\2014drebin\drebin-master把原本的androguard文件删除，导入了androguard库运行代码（cd到了src目录）

它生成了分类结果的详细报告，包含了每个类的精确度 (precision)、召回率 (recall)、F1 分数 (F1-score) 和支持数 (support)。具体来说，在线性分类模型（如线性支持向量机（Linear SVM）或线性回归模型）中，这种乘法计算表示每个特征对决策函数输出的影响。总的贡献值 0.15 是决策函数的输出（忽略偏置项），通常这个值再经过一个激活函数（例如 SVM 中的符号函数）得到最终的分类结果。通过这种方式，你可以识别出在每个样本的预测中最重要的特征，并生成相应的解释。

首先，创建一个自定义任务来运行你的 Lua 脚本使用th命令。打开 VSCode，然后按打开命令面板。输入并选择它。选择，然后选择Others。这将打开一个新的tasks.json文件。添加一个新的任务来使用th运行你的脚本："tasks": ["args": ["${file}"],"group": {},},

学习时间序列模型

一些重要的链接

normalization layers（归一化）的作用：加快神经网络的训练速度dropout layers:防止过拟合，比较简单可以拿来练手，看有没有看懂官方文档embedding layers:自然语言处理用到的，distance function:计算误差self.liner1 = Linear(196608,10)# 输入feature, 输出feature# 搭建网络。