小编Lon*_*ong的帖子

据我所知，apktool 和 baksmali 都能够从 .apk (.dex) 文件中生成 smali 代码，而 apktool 使用了 dexlib2。它们都是APK打包/解包工具

但是我仍然不清楚apktool 和 smali/baksmali 之间的主要区别是什么。在 .dex 文件和扩展功能的功能方面？

PS：我刚刚发现的一个区别是 apktool 能够处理一个 apk 中的多个 dex 文件，而 baksmali 不能（至少目前是这样）

我确实尝试过阅读源代码，但由于缺乏经验，我无法真正理解这两个工具的工作流程。如果有人可以建议一些阅读材料或流程图等，我将不胜感激。

谢谢！

我理解autograd是用来暗示自动微分的。但究竟什么是tape-based autograd中Pytorch为什么有一些肯定或否定它这么多的讨论。

例如：

这个

在pytorch中，没有传统意义上的胶带

而这

我们本身并没有真正构建梯度磁带。但是图表。

但不是这个

Autograd 现在是用于自动微分的核心 Torch 包。它使用基于磁带的系统进行自动区分。

为了进一步参考，请将其与GradientTapein进行比较Tensorflow。

我尝试传递给GridSearchCV其他评分指标，例如balanced_accuracy二元分类（而不是默认值accuracy）

  scoring = ['balanced_accuracy','recall','roc_auc','f1','precision']
  validator = GridSearchCV(estimator=clf, param_grid=param_grid, scoring=scoring, refit=refit_scorer, cv=cv)

并得到这个错误

ValueError: 'balanced_accuracy' 不是有效的评分值。有效选项为 ['accuracy','adjusted_mutual_info_score','adjusted_rand_score','average_precision','completeness_score','explained_variance','f1','f1_macro','f1_micro','f1_samples','f1_owls_mallows', ','homogeneity_score','mutual_info_score','neg_log_loss','neg_mean_absolute_error','neg_mean_squared_error','neg_mean_squared_log_error','neg_median_absolute_error','neg_median_absolute_error','normalized_mutual_sample_precision,'precision_precision,'precision_precision,'precision_precision,'precision,'precision 'precision_weighted','r2','recall','recall_macro','recall_micro','

这很奇怪，因为 'balanced_accuracy'应该是有效的， 如果没有定义，balanced_accuracy那么代码工作正常

    scoring = ['recall','roc_auc','f1','precision']

此外，上述错误中的评分指标似乎与文档中的不同

任何想法为什么？非常感谢

scikit-learn 版本是 0.19.2

我正在用Keras进行二进制分类 loss='binary_crossentropy'，optimizer=tf.keras.optimizers.Adam最后一层是keras.layers.Dense(1, activation=tf.nn.sigmoid)。

据我所知，loss价值是在训练阶段用来评估模型的。但是，当我Keras对测试数据集使用模型评估时（例如m_recall.evaluate(testData,testLabel)，也有一些loss值，并附带accuracy以下输出所示的值）

test size:  (1889, 18525)
1889/1889 [==============================] - 1s 345us/step
m_acc:  [0.5690245978371045, 0.9523557437797776]
1889/1889 [==============================] - 1s 352us/step
m_recall:  [0.24519687695911097, 0.9359449444150344]
1889/1889 [==============================] - 1s 350us/step
m_f1:  [0.502442331737344, 0.9216516675489677]
1889/1889 [==============================] - 1s 360us/step
metric name:  ['loss', 'acc']

loss测试期间的意义/用途是什么？为什么它是如此之高（如0.5690在m_acc）？准确度评估对我来说似乎不错（例如，0.9523在中m_acc），但我也很担心loss，这是否会使我的模型表现不佳？

PS m_acc，m_recall等等都只是我的名字我的模型的方法（它们是由不同的指标受训GridSearchCV）

更新： 我只是意识到loss …