3.6 用况模型与OOA模型
在本书中用况模型是OOA模型的一部分，是进一步实施OOA的基础，具体内容如图318所示。
用况模型进一步的OOA模型
《面向对象分析与设计》一3.6 用况模型与OOA模型
2017-08-01
1096
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
本节书摘来自华章出版社《面向对象分析与设计》一书中的第3章，第3.6节，作者 麻志毅，更多章节内容可以访问云栖社区“华章计算机”公众号查看
目录
相关文章
|
8月前
|
机器学习/深度学习
自然语言处理
并行计算
大模型开发：什么是Transformer架构及其重要性？
Transformer模型革新了NLP，以其高效的并行计算和自注意力机制解决了长距离依赖问题。从机器翻译到各种NLP任务，Transformer展现出卓越性能，其编码器-解码器结构结合自注意力层和前馈网络，实现高效训练。此架构已成为领域内重要里程碑。
227
3
3
|
2月前
|
机器学习/深度学习
自然语言处理
人机交互
综合RLHF、DPO、KTO优势，统一对齐框架UNA来了
在大型语言模型（LLM）的预训练中，尽管模型已接触数万亿个标记，但仍可能生成不符合预期的响应。为解决这一问题，研究者提出了RLHF、DPO和KTO等对齐技术。然而，这些技术各有局限。为此，论文《UNA: Unifying Alignments of RLHF/PPO, DPO and KTO by a Generalized Implicit Reward Function》提出了一种新的统一对齐方法UNA。UNA通过引入广义隐式奖励函数，成功将RLHF/PPO、DPO和KTO统一起来，简化了训练过程，提高了模型的鲁棒性和性能。
99
15
16
|
6月前
|
机器学习/深度学习
自动驾驶
|
7月前
|
存储
XML
SQL
|
8月前
|
机器学习/深度学习
人工智能
自然语言处理
大模型开发：描述模型可解释性的重要性以及如何实现它。
模型可解释性在AI和机器学习中至关重要，尤其在金融风控等领域，它关乎信任、公平性和法规合规。通过建立信任、发现偏见、排查错误和满足法规要求，可解释性促进了模型的改进和社会接受度。研究者采用简单模型、局部和全局解释方法、模型可视化及原型/反例等策略提升模型透明度。这是一项结合算法、专业知识和伦理的跨学科挑战。
400
1
1
|
机器学习/深度学习
数据采集
人工智能
|
机器学习/深度学习
数据采集
算法
|
机器学习/深度学习
自然语言处理
算法
|
机器学习/深度学习
人工智能
自然语言处理
|
人工智能
自然语言处理
文字识别