想请问如何计算Chi-Square Tests

Posted 2023-05-06

参考技术A 你在呢度问
好难学到野
考试也越难应付
不如问返呀SIR啦
我估我同你同班呢!我都系做呢题
但我地唔使做A PART!答案如上述朋友讲一样 你跟返几个STEP做........其实不是想像中难: 首先设定H0同H1先
就是2者(fe & fo)相同或不同 STEP 2: 先写fo (即observe左的资料
391
202呢堆) 设fe(即假设跟返90年既比率
各车占市场应该多少
画表会清楚d) fo-fe 得出差额
然后将差额自乘
得出总和
好明显如果相差越大
越难认同H0
因为H0话
90年同家下一样嘛......... STEP 3: 查表看出T不能大过几多 代入算式(test statistic)
notes有
degree of freedom是5-1 (因为假如4个数系老作
最后总要有一个是逼出来的数
所以随意既数值是4
上堂都有讲) 如果计出test statistic大过suppose既数
就要reject H0了!
参考: 有兴趣MSN: [email protected]
(a) Since (i) the observed and expected frequency are greater than 5 (ii) Each new car buyer buys one car only So it is appropriate to carry out a chi-squre test using these data (b) Frequency 391 202 275 53 79 Expected 360 260 210 90 80 Difference Square / Expected 2.6694 12.93846 20.11905 15.2111 0.0125 Total 50.95056 Chi square-critical=9.49 Since 50.95056 > 9.49
reject H0 and conclude that the current market shares differ from those of 1990.
我做文职
133磅
用简单经济方法!减左22磅
改善头痛
胃痛
晕车浪
植物曲胀 我个女14岁
三个月减20磅.改善鼻敏感
流鼻血
读书仲好咗
仲拿第一添. 肠胃健康、暗疮瘦身 营养蛋白素 一杯营养代餐相当于33种蔬菜
6种水果
内含200多种营养素
蛋白素相等于5钱燕窝、2份蔬菜、1份水果、1块牛扒同半杯鲜奶！ 浓缩芦荟汁 功能 : 促进体内的自我洁净功能，令消化系统更健康 纾缓消化系统的压力 维护消化系统功能的正常运作，确保肠胃的洁净 清除体内毒素。 增强免疫功能。 对抗炎症，消炎止痛。 促进伤口愈合。 HealthComeTrue/life 提供健康讲座、免费脂肪测试及健康分析一次

Caffe框架GPU与MLU计算结果不一致请问如何调试？

Caffe框架GPU与MLU计算结果不一致请问如何调试？

某一检测模型移植到Cambricon Caffe上时，发现无法检测出结果，于是将GPU和MLU的运行结果输出并保存后进行对比，发现二者计算结果不一致，如下图所示：

 

 

 

 

 第一张为GPU模式下，第二张为GPU模式，二者使用的输入和数据预处理方式均完全一样，该输出为网络第一层卷积的部分输出。

用Cambricon Caffe提供的test_forward工具验证该模型在CPU和MLU模式下的输入，结果仍不一致，如下图所示：

 

 

 

 

 第一张为MLU模式下的输出，第二张CPU模式下的输出。

请问这种情况下如何调试具体哪里出现了问题？

在GPU模式下ROIPooling层的输出结果为：

 

 

 在MLU模式下运行，结果为：

 

 

 最后在CPU模式下使用ROIPooling算子，计算结果为：

 

 

 

 

  对比CPU和GPU的运算结果可知，仅处理了第一个ROI，修改了ROIPooling层部分代码才能得到正确结果。而MLU模式下的ROIPooling层的结果是完全错误的。

首先在GPU上使网络输出Proposal层的运算结果，如下：

 

 

 使用Proposal算子在CPU模式下运行的结果为：

 

 

 MLU模式下的结果为：

 

 

 将Proposal层替换为Python的Proposal层，在CPU模式下的运算结果为：

 

 

 与GPU计算结果是一致的，所以认为Proposal算子有问题。

MLU100上的数据格式为FP16/INT8, 运算结果不一致是合理的，具体正确性要看误差，可以用MAPE度量一下误差，一般FP16不会超过%1。另外如果是faster-rcnn网络，不要直接比较proposal层之后的结果，只能直接比较proposal层前的结果。proposal层之后的结果因为涉及到bbox，无法直接比较，可以用IOU之类的方法比较。最后MLUfaster-rcnn的输出结果layout和CPU的输出结果layout不同，因此两者的后处理方式是不一致的，具体可以参考我司提供的后处理示例。

重新对比了一下GPU与MLU的输出结果，Proposal层之前的处理结果是正确的，但是MLU的Proposal和ROIPooling层有问题。在输入特征相同的情况下，使用FasterRCNN的Proposal层和MLU的Proposal层得到的结果是不一致的；使用FasterRCNN的Proposal层得到正确的ROI后，输入到ROIPooling层只处理了第一个ROI，我修改了CPU版本的ROIPooling层才可以得到正确的结果。

MLU100上的数据格式为FP16/INT8, 运算结果不一致是合理的，具体正确性要看误差，可以用MAPE度量一下误差，一般FP16不会超过%1。另外如果是faster-rcnn网络，不要直接比较proposal层之后的结果，只能直接比较proposal层前的结果。proposal层之后的结果因为涉及到bbox，无法直接比较，可以用IOU之类的方法比较。最后MLUfaster-rcnn的输出结果layout和CPU的输出结果layout不同，因此两者的后处理方式是不一致的，具体可以参考我司提供的后处理示例。