LiZeng001

请问为什么做预测时，输入图片像素不做归一化？就是class Predict(object)第24行： x = np.array([1 - flatten_img]) 为何不是 x = np.array([1 - flatten_img]) / 255.0 训练集做了归一化，预测时的输入数据不做也可以得到正确预测，这是为什么呢？ 这两种操作有什么区别呢？

@Linf-p @geektutu 谢谢回复。 进一步做了些测试，这里是否归一化对最终结果(argmax)影响不大，但是明显影响各个分类的概率分布。尝试了 (/2, 4, 9, 16, 127, 200, 255)等归一化系数，影响softmax的分布。如：未归一化的预测结果为6，对应softmax向量第6个值的大小落在[0.6, 1.0]区间内。不做归一化时，一般为1.0， 归一化系数越大(→255.0)，则softmax对应值越小，但是最终结果都是6. =============================================================== 目前觉得不明白的是这一步： x = np.array([1 - flatten_img]) 1-flatten_img是什么意思呢？ 我用实际图片进行了测试，和用np生成的矩阵结果相差很大，具体如下： 图片大小(8,8,1)，采用“img = Image.open(image_path).convert('L')”读入，并转为ndarray后为 [[249 249 249 249 248...

x = np.array([1 - flatten_img])建议改为 x = np.array([255 - flatten_img]) 灰度反转

> @LiZeng001 你好， > > 1. 因为是开放域抽取，所以输入必须包含schema以引导模型抽取相应结果。对于事件域未知的语料，一阶段的抽取目标可以用『触发词』代替，例如： > > ``` > {"触发词": ["时间", "赛事名称"]} > ``` > > 相比零样本直接调用，更推荐在场景相关的语料上标注少量数据进行微调定制 > > 2. 我们提供了UIE数据蒸馏的解决方案，可以将开放域抽取转为封闭域抽取，这样就不会有schema遍历的问题，具体可以参考这里的例子：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/uie/data_distill 您好，谢谢回答。仍存在一些问题： 对于#1，如果语料事件域未知，则整个schema都未知，那对应的role列表也是未知的，所以示例中的["时间", "赛事名称"]也是无法给出的啊。 对于#2，建议的思路是转化为封闭域，对于数据的要求是同域同分布。而实际的情况是，所有语料可能涉及N个不同的事件域，但是每条语料具体属于哪个域未知，因此无法转为封闭域抽取。除了[LIC2021事件抽取任务基线](https://aistudio.baidu.com/aistudio/projectdetail/1639964 )中给出的枚举分类的思路(需要增加一级pipiline)，有没有什么方法可以获得语料的事件域呢？这样就可以映射到预定义好的schema了。