report中跨数据集取数

       例如有销售和生产两个数据集,销售中有销售数量,日期和员工,生产中有生产数量,日期和员工,现在我需要把销售数量和生产数量同时展现在一个表中。
  我们可以使用 Lookup 从指定的数据集中为具有一对一关系的名称-值对检索对应的值。例如,对于表中的 ID 字段,可以使用 Lookup 从未与数据区域绑定的数据集中检索对应的“名称”字段。上面例子的表达式在数据集为“销售”的基础上可以写成:=Lookup(Fields!日期.Value & Fields!员工.Value, Fields!日期.Value & Fields!员工.Value, Fields!生产数量.Value, "生产") 表示从数据集“生产”中取员工号和日期和当前数据集"销售"中员工号和日期相同的“生成数量”!

转载于:https://www.cnblogs.com/emmy/archive/2011/03/03/1969660.html

模型数据集能力差的原因可能是因为传统的目标检测模型是针对单个数据集进行训练的,而不同数据集之间的目标类别和标签空间可能存在差异。引用\[1\]提到了一种解决方案,即采用多检测头的方式训练一个multi-head模型,共享模型的backbone,对于不同的数据集使用不同的检测头,每个数据集的loss单独计算。这样训练出来的模型可以识别多个数据集的目标。然而,当前的模型可能没有做到统一标签空间,导致在不同数据集上检测出相同类别的目标时会输出重复的检测框。 另外,引用\[2\]指出目前常用的目标检测数据集包含的类别数量有限,使用单个数据集训练的目标检测模型已经不能满足数据集的需求。因此,如何集成训练多个数据集成为了一个热门的研究方向。 此外,引用\[3\]提到了不同的采样策略对模型的效果影响很大。平衡不同数据集间的样本数量和平衡数据集内的长尾效应都是重要的采样策略。 综上所述,模型数据集能力差可能是因为传统的目标检测模型针对单个数据集进行训练,而不同数据集之间的目标类别和标签空间存在差异。为了提高模型的数据集能力,可以考虑采用多检测头的训练方式,集成多个数据集进行训练,并采用合适的采样策略来平衡不同数据集间的样本数量和数据集内的长尾效应。 #### 引用[.reference_title] - *1* *2* *3* [如何一个模型走天下?集成训练多数据集,打造通用目标检测模型方法详解](https://blog.csdn.net/OpenDataLab/article/details/127791600)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值