網路商城大優惠

不管是老手媽媽還是新手媽媽都看這邊！我們都知道所有的產品裡，小朋友的商品應該是最難選的

小朋友長得又快，過了一個時期又瞬間抽高，怎麼選是一門很大的學問了，也可以避免買錯捶心肝~~

因為網路很發達，臉書又這麼普及媽咪買東西更是方便，尤其媽咪一定會到很多親子網站或是親子社團去了解產品的優缺點

不過看了這麼多網站真真假假的資料，【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)是我在看到最多人推薦的好物

對於我這個精打細算的好媳婦好媽媽來說，真是太棒囉！

通常有在關注相關婦幼產品的媽媽，不用考慮了，這款是我花有夠多時間才彙整出來的好物，不怕比較的啦

很多媽咪也都大推這款產品，真的很值得入手！

到貨速度也很快，光這一點就大推了！

所以我個人對【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)的評比如下

質感：★★★★

使用爽感：★★★★☆

性能價格：★★★★☆

趁現在宅經濟發酵，大家又很保護小朋友不隨意出門，網購就變成媽咪們在家的興趣了~

而且廠商優惠只在這個時候~~

不然被掃光了也只能怪自己速度不夠快～下次記得手刀加速啊!

詳細介紹如下~參考一下吧

完整產品說明

品牌名稱

對象與族群

• 4個月~6個月
• 7個月~9個月
• 10個月~12個月
• 1歲~3歲

認證

• 無認證

重量

• 0g~200g

產地

• 韓國

口味

• 米餅

商品規格

• 1.商品組合/規格：3包
  2.商品品名：韓國Naeiae-寶寶無添加米棒
  3.商品重(容)量：35g/包
  4.內容物名稱(成分)：依商品上中文標所示
  5.食品添加物名稱：依商品上中文標所示
  6.原產地(國)：韓國
  7.製造廠商或國內負責廠商名稱：錦達貿易有限公司
  8.製造廠商或國內負責廠商地址：台北市大同區塔城街7號2樓
  9.製造廠商或國內負責廠商電話：02-2559-273
  10.以消費者收受日算起，至少距有效日期前?日以上：72
  11.食品業者登錄字號：A-184119798-00000-5
  12.投保產品責任險字號：新光產物 130007AKP0000585
  備註欄：無
  
  
  1.商品組合/規格：4包
  2.商品品名：韓國Naeiae無添加寶寶米餅
  3.商品重(容)量：30g/包
  4.內容物名稱(成分)：依商品上中文標所示
  5.食品添加物名稱：依商品上中文標所示
  6.原產地(國)：韓國
  7.製造廠商或國內負責廠商名稱：錦達貿易有限公司
  8.製造廠商或國內負責廠商地址：台北市大同區塔城街7號2樓
  9.製造廠商或國內負責廠商電話：02-2559-273
  10.以消費者收受日算起，至少距有效日期前?日以上：72
  11.食品業者登錄字號：A-184119798-00000-5
  12.投保產品責任險字號：新光產物 130007AKP0000585
  備註欄：無

非常推薦【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)給大家

↓↓↓限量特惠的優惠按鈕↓↓↓

↓↓↓找不到適合的商品嗎，本月好物推薦一起來看吧↓↓↓

標籤註解：

PTT鄉民【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)限量,團購,限時,週年慶,禮物,優惠,【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)特價,開箱,比價,活動,好評,推薦

mobile01網友【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)哪裡便宜,採購,優缺點,試用【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃),好用,CP值,經驗,好康,集購,下殺,免比價,去哪買？,

名人推薦【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃)介紹,部落客,排行,【韓國Naeiae】無添加寶寶米餅七入組(6個月以上適吃),體驗,精選,限定,折扣,折價卷,dcard推薦,直播主推薦,網紅推薦熱賣款

熱點新知搶先報

摘要 深度神經網絡（DNN）已被廣泛應用。 我們引入了一種稱為 DeepConcolic 的 DNN 測試和調試工具，該工具能夠以足夠的嚴格度檢測錯誤，從而適用於在高安全性要求的應用程式中測試 DNN。 DeepConcolic 是第一個為 DNN 實施 Condicolic 測試技術的工具，也是第一個為用戶提供調查 DNN 特定部分的功能的測試工具。 該工具已開放，可以在https://youtu.be/rliynbhoNLM上找到演示視頻。 1. 介紹 在高安全性要求的應用（例如自動駕駛汽車，醫療保健和無人機）中廣泛部署深度神經網絡（DNN）增加了對測試，驗證並最終證明實現 DNN 軟體可靠性的工具的需求。 測試一直是提供支持安全性保證的主要方法，並且可以對高安全性要求的軟體系統進行認證。 由於其複雜性，DNN 通常被視為黑盒，因為很難通過檢查來了解其行為。 相比之下，白盒方法利用程序的結構來收集安全性保證。 以找到支持系統行為安全性保證的方式來應用白盒測試具有挑戰性。 我們考慮結構覆蓋率指標，這是白盒測試的一個典型範例。例如，具有 100％語句覆蓋率的測試套件至少會執行一次程序的所有語句。雖然結構覆蓋率不能保證正確的功能，但是它經常用作測試套件窮舉性的代理指標。結構覆蓋率指標，例如修改後的條件/決策覆蓋率（MC / DC），被用作評估包括航空電子設備在內的許多應用領域中許多高層安全標準中測試套件窮舉性的一種方法。目前已經存在結構覆蓋標準來檢查 DNN ，並指導測試套件的生成以支持對 DNN 的等效測試。雖然 DNN 中的結構覆蓋率不能直接反映行為的置信度，但是當與其他技術結合使用時，所提出的技術可能會提供一種理解測試體系是否足夠的手段。 在本文中，我們介紹了 DeepConcolic，一種用於測試和調試 DNN 的工具。 它的測試生成是根據聲明覆蓋率和 MC / DC 的覆蓋率準則進行的； 它採用了一種 Concolic 的分析方法用於檢查 DNN 的不同行為，並能夠隔離 DNN 中可能存在問題的組件。 Concolic 測試是一種用於測試軟體的混合方法，最近已應用到 DNN 的測試中。 更具體地說，測試過程會在 DNN 的具體執行及其符號執行之間反覆切換，以找到觸發特定行為的輸入。 該工具不僅對使用基於覆蓋率測試 DNN 的 DNN 測試工程師有用，而且對需要分析 DNN 內部結構的 DNN 開發人員也很有用。 A.DNN ... DNN 中的層可以是密集（完全連接）層，卷積層，歸一化層或最大池化層，其激活函數為例如 ReLU，softmax 等。特別是每個卷積層中的神經元都屬於所謂的特徵圖，該特徵圖由內核操作定義。 對於任何輸入，DNN 都會分配一個標記為 N(x).label 的標籤。 B.DNN 的安全性 ... 已經提出了許多算法來尋找對抗性樣例。 但是，這種攻擊方法無法量化到用於測試 DNN 的足夠級別。 這一事實激發了最近為 DNN 開發覆蓋率標準。 已經為 DNN 設計了幾種結構覆蓋率標準，包括神經元覆蓋及其擴展，以及 DNN 的 MC / DC 變體。 此類覆蓋標準旨在定義更可能捕獲 DNN 中對抗行為的測試條件。 神經元覆蓋率要求，對於網絡中的每個神經元，必須至少存在一個使其激活值大於某個閾值的輸入。 另外的標準將神經元覆蓋範圍從單個神經元推廣到一組神經元。 DNN 的 MC / DC 變體捕獲了一個事實，即層中（一組神經元）的特徵（決策）直接由上一層中其連接的特徵（條件）決定。因此需要測試條件使得每個條件特徵必須顯示，無論其對決策功能的影響如何。 2.DeepConcolic 工具 DeepConcolic 工具的總體架構如圖 1 所示。原則上，給定 DNN 模型和覆蓋標準，DeepConcolic 會生成測試套件並返回覆蓋結果。 為了為 DNN 生成有意義的測試用例，還提供了一些輸入測試數據作為查找合適的附近測試用例的參考。 ... 圖 1 DeepConcolic 工具 具體來說，該工具有以下特徵 a)測試標準：DeepConcolic 是一種覆蓋率指導的測試工具，目前支持神經元覆蓋率和 DNN 的 MC / DC 變體。 b)預處理：預處理模塊格式化輸入數據並配置後端測試引擎，即生成測試用例的後端引擎和梯度上升（GA）搜尋引擎。 特別的，定義了一個 testobjectt 類來對格式化的輸入和用於運行 DeepConcolic 的命令行配置進行編碼。 同時，coveringlayert 類封裝要覆蓋的每個 DNN 層，並實現覆蓋標準所需的數據結構。 c)Concolic 引擎：Conolicic 引擎是我們兩個測試用例生成引擎之一。 它實現了 Y. Sun 等人在」 Concolic testing for deep neural networks」文中闡述的算法。 Concolic 測試結合了具體輸入的執行和符號分析技術，可以有效地滿足指定覆蓋率標準中的測試條件。 用戶可以從以下兩種符號技術中進行選擇：（1）線性規劃（LP）方法：使用範數進行優化，這是兩個輸入的每個維度之間的最大變化； （2）全局優化方法：適用於（輸入圖像的）像素級的 L0 範數。 在」 Concolic testing for deep neural networks」文中提供了更多細節。 d）GA 搜尋引擎：我們集成了 Y. Sun 等人在」Structural test coverage criteria for deep neural networks」一文中提及的自適應 GA 搜索算法以生成測試用例。 基於梯度的搜索算法已在其他幾篇近期著作中證明對 DNN 測試有效。 e)測試套件：DeepConcolic 生成的測試套件由一組輸入對以及它們之間的距離組成。 f)Oracle：Oracle 遵循 1.B 節中對抗性樣例的定義，根據該定義，從測試套件中挑選出對抗性樣例。 這可以通過指定正確分類的輸入在進行不同分類之前可以偏離多遠的距離來實現。 g)覆蓋率報告：該報告包括達到指定標準的覆蓋率級別，以及在每個步驟中生成的測試用例的數量，對抗性樣例的數量，每個對抗性樣例的距離以及一些可追溯性信息等。 h)其他：作為白盒測試工具，DeepConcolic 的目的之一是幫助開發人員了解和診斷 DNN 的內部結構。 DeepConcolic 的便捷命令行選項可用於指定要測試的特定層或神經元子集。 除了覆蓋率報告外，DeepConcolic 還向對抗性樣例返回定量統計數據，以說明網絡的健壯性。 請注意，此類統計信息需要在目標應用程式的上下文中進行分析，並且其可接受性需要在安全性論證中進行驗證。 總而言之，我們發現使用 DeepConcolic 有以下優點。 它根據指定的測試條件為 DNN 生成測試用例和對抗性樣例。 開發人員可以使用測試結果來比較不同的 DNN 模型，並且可以使用對抗性樣例來改進和重新訓練 DNN 或制定對抗性樣例緩解策略。 此外，使用 DNN 的主要安全挑戰是由於缺乏對 DNN 決策方式的了解。 DeepConcolic 工具能夠測試 DNN 的每個特定組件，這有助於對 DNN 的內部結構進行人工分析。 通過了解這些結構，我們改善了 DNN 的置信度。 這與提供保證不同，就像測試常規軟體並不提供保證。 DeepConcolic 用 Python 實現，並且是開源的。 它在 GitHub 上公開可用。 唯一的其他公共 DNN 結構覆蓋率指導測試工具是 K. Pei 等人在」 DeepXplore: Automated whitebox testing of deep learning systems」文中介紹的 DeepXplore，專用於神經元覆蓋率。 DeepConcolic 和 DeepXplore 之間的初步比較在」 Concolic testing for deep neural networks」文中詳細介紹。 A.使用示例 DeepConcolic 工具為用戶提供了命令行選項列表。 在這裡，我們通過示例解釋其用法。 例如，以下命令 python deepconcolic.py --model cifar10.h5 --cifar10-data --outputs outs --layer-index 3 --feature-index 0 --criterion ssc --cond-ratio 0.1 調用 DeepConcolic 來測試在 CIFAR-10 數據集上訓練的 DNN 模型，並使用「--cifar10-data''標誌自動加載輸入數據。 隨後，所有測試結果將被存放到指定的目錄輸出中。 --layer-index 和--feature-index 分別設置要測試的層索引和特徵圖索引。 選項--criterion ssc --cond-ratio 0.1 配置 DNN 的 MC / DC 變體。 以下命令在預訓練的 VGG16 模型上運行 DeepConcolic。 輸入數據存儲在名為 inputs 的目錄中。 --top-classes 5 表示該模型將考慮 top-5 精度，而--labels labels.txt 指定輸入數據的標籤。 python deepconcolic.py --vgg16 --data inputs --outputs outs --criterion ssc --cond-ratio 0.1 --top-classes 5 --labels labels.txt 3.實驗 在本節中，我們通過將 DeepConcolic 應用到使用 CIFAR-10 數據集訓練的中等大小的 DNN 模型中來證實其實用性，該數據集包含 10 種不同類別（例如，汽車）中的 60,000 張 32x32 彩色圖像。 實驗是在具有 2.90GHz Intel Core i7、16GB 內存和 NVIDIA Quadro M1200 的移動工作站上進行的。 在實驗中，我們通過運行 DeepConcolic 獲得每個選定層的十個特徵圖，然後測試兩個單獨的卷積層（第 2 層和第 7 層），然後檢查神經元覆蓋範圍和 DNN 的 MC / DC。 對於每個特徵圖，如果 DeepConcolic 工具未在 12 小時內終止，則將其強制停止。 總體而言，MC / DC 覆蓋需要數十萬個測試用例，這與僅需要數千個測試用例的神經元覆蓋相反。 在圖 2 中，我們給出了有關特徵圖的覆蓋率結果。 也就是說，每次應用 DeepConcolic 生成針對具有特定特徵圖的測試條件的測試時，似乎在後一層的特徵圖很難覆蓋，並且覆蓋結果顯示出更高的標準偏差。 這可能可以通過多次運行該工具來解決的。 ... 圖 2 與特徵圖相關的覆蓋率結果 圖 3 報告了在生成的測試用例中對抗性樣例所占的百分比。 由 DNN 的 MC / DC 變體定義的測試條件證明，在捕獲對抗性示例方面具有優勢，並且能夠找到比神經元覆蓋範圍高得多的對抗性示例。 儘管如此，有趣的是，在神經元覆蓋的情況下，在更深的層中發現了更多的對抗性例子； 這可能表明神經元激活在隨後的層中對對抗行為具有更強的影響。 ... 圖 3 各個特徵圖中檢測到的對抗性樣例 圖 4 展示了幾個檢測到的對抗樣例。 我們還繪製了圖 5 中來自 MC / DC 的 DNN 的總對抗示例的分布圖，表明它們在較深的層中檢測到較小的輸入擾動。 在 DNN 中，可以將較新的層視為對較早層活動的改進，並且由針對 DNN 的 MC / DC 變體定義的測試條件確實捕獲了這種關係。 ... 圖 4 對抗性樣例 ... 圖 5 每個距離內的累積對抗樣例 4.相關工作 尋找對抗性樣例的現有研究應用了基於梯度下降或進化技術的啟發式搜索算法。 他們無法回答這些產生的對抗性例子代表什麼，或者它們彼此之間有多麼相似或不同。 最近已經提出了幾種可以回答這些問題的覆蓋率指導的測試用例生成方法。神經元覆蓋率度量了測試套件激活的神經元的百分比。這種方法的的擴展指定了一組神經元（在同一層）的測試條件。 DNN 的 MC / DC 變體是捕獲 DNN 中相鄰層要素之間因果關係的唯一覆蓋標準。A. Odena 等人在」 TensorFuzz: Debugging neural networks with coverage-guided fuzzing」文中介紹了近似最近鄰算法用於指導 DNN 中的模糊測試。C.-H. Cheng 等人在」 Quantitative projection coverage for testing ML-enabled autonomous systems」中的闡述的覆蓋率要求，當將測試數據集投影到指定的有限分區中時，每個區域中至少應有一個數據點，且不少於相關的權重。在 M. Wicker 等人的」 Feature-guided black-box safety testing of deep neural networks」和 M. Wu 等人的」 A gamebased approximate verification of deep neural networks with provable guarantees」的論文中，將輸入空間離散為超矩形，以便為每個超矩形生成一個測試用例。當超矩形足夠小時，此方法將徹底搜索輸入域。R. Ashmore 等人的」 Boxing clever: Practical techniques for gaining insights into training data and monitoring distribution shift」的文中介紹了一種「Boxing Clever」方法，通過將輸入域劃分為一系列超矩形來評估訓練數據。 DeepConcolic 的 condicolic 引擎與 DNN 的形式驗證有關。 基於 SAT / SMT 或 MILP 的典型符號驗證方法只能縮放到具有數百個隱藏神經元的 DNN。 使用全局優化的最新研究能夠處理更大的網絡。 相比之下，在每個步驟中，condicolic 測試都僅象徵性地編碼了整個 DNN 行為的一部分。 5.結論 DeepConcolic 是用於測試和調試深度神經網絡的工具。 測試用例的生成取決於 DNN 的神經元覆蓋範圍和 MC / DC 變體，這些變體可能適合不同的標準。 我們認為，這種白盒測試工具的一個有價值的應用是評估 DNN 的內部結構，這有助於為 DNN 提供安全性和魯棒性的依據。 致謝 本文由南京大學軟體學院 2020 級碩士生曹振飛翻譯轉述 感謝國家重點研發計劃（2018YFB1003900）和國家自然科學基金（61832009，61932012）支持！

↓↓↓限量特惠的優惠按鈕↓↓↓

↓↓↓更多嬰幼兒產品一起來看吧↓↓↓

WWW456TTVVV45TYGQ

文章來源取自於：

每日頭條 https://kknews.cc/code/lvogkve.html

MOMO購物網 https://www.momoshop.com.tw/goods/GoodsDetail.jsp?i_code=7375028&memid=6000007380&cid=apuad&oid=1&osm=league

如有侵權，請來信告知，我們會立刻下架。

DMCA：dmca(at)kubonews.com

聯絡我們：contact(at)kubonews.com

【這產品好多人推薦】【刷台新銀信用卡享優惠】【專櫃百貨也推薦】
【直播主也推薦的好物】 【momo購物節這款有優惠】 【Shelley Kyle 雪莉凱】SK芭蕾舞女香水體霜 200ML【刷台新銀信用卡享優惠】 【使用這個有訣竅，看看開箱心得吧】 【Wonderland】字母條紋居家休閒衣褲組【這一款Dcard上口碑還不錯】 【使用心得】 【Lil Woodzeez】咬一口冰淇淋專賣店(動物家族)【momo特惠價產品】 【今年最推薦產品】 【TOPU ONE】14.7-20.8cm 輕量柔軟防臭減壓幼稚園室內鞋童鞋(藍&水色)【知名網紅推薦】 【上市發開箱文預熱】 【GreySa 格蕾莎】母嬰專用仰角枕(防吐奶│防溢奶枕│孕婦托腹)