A partire dal 29 aprile 2025, i modelli Gemini 1.5 Pro e Gemini 1.5 Flash non sono disponibili nei progetti che non li hanno mai utilizzati, inclusi i nuovi progetti. Per maggiori dettagli, vedi Versioni e ciclo di vita dei modelli.
public abstract FeatureNoiseSigma getFeatureNoiseSigma()
È simile a noise_sigma, ma offre maggiore flessibilità. Puoi fornire un sigma del rumore separato per ogni caratteristica, utile se le loro distribuzioni sono diverse. Non viene aggiunto rumore alle funzionalità non impostate. Se questo campo non viene configurato, per tutte le funzionalità verrà utilizzato noise_sigma.
public abstract FeatureNoiseSigmaOrBuilder getFeatureNoiseSigmaOrBuilder()
È simile a noise_sigma, ma offre maggiore flessibilità. Puoi fornire un sigma del rumore separato per ogni caratteristica, utile se le loro distribuzioni sono diverse. Non viene aggiunto rumore alle funzionalità non impostate. Se questo campo non viene configurato, per tutte le funzionalità verrà utilizzato noise_sigma.
Si tratta di un singolo valore in virgola mobile che verrà utilizzato per aggiungere rumore a tutte le funzionalità. Utilizza questo campo quando tutte le caratteristiche sono normalizzate in modo che abbiano la stessa distribuzione: scala all'intervallo [0, 1], [-1, 1] o punteggio z, dove le caratteristiche sono normalizzate per avere 0-media e 1-varianza. Scopri di più sulla normalizzazione.
Per ottenere risultati ottimali, il valore consigliato è pari a circa il 10% -20% della deviazione standard della funzionalità di input. Consulta la sezione 3.2 dell'articolo di smoothGrad: https://arxiv.org/pdf/1706.03825.pdf. Il valore predefinito è 0,1.
Se la distribuzione è diversa in base alla caratteristica, imposta invece feature_noise_sigma per ciascuna caratteristica.
Il numero di campioni di gradiente da utilizzare per l'approssimazione. Più elevato è questo numero, più preciso è il gradiente, ma anche la complessità di runtime aumenta.
L'intervallo valido del relativo valore è [1, 50]. Il valore predefinito è 3.
È simile a noise_sigma, ma offre maggiore flessibilità. Puoi fornire un sigma del rumore separato per ogni caratteristica, utile se le loro distribuzioni sono diverse. Non viene aggiunto rumore alle funzionalità non impostate. Se questo campo non viene configurato, per tutte le funzionalità verrà utilizzato noise_sigma.
Si tratta di un singolo valore in virgola mobile che verrà utilizzato per aggiungere rumore a tutte le funzionalità. Utilizza questo campo quando tutte le caratteristiche sono normalizzate in modo che abbiano la stessa distribuzione: scala all'intervallo [0, 1], [-1, 1] o punteggio z, dove le caratteristiche sono normalizzate per avere 0-media e 1-varianza. Scopri di più sulla normalizzazione.
Per ottenere risultati ottimali, il valore consigliato è pari a circa il 10% -20% della deviazione standard della funzionalità di input. Consulta la sezione 3.2 dell'articolo di smoothGrad: https://arxiv.org/pdf/1706.03825.pdf. Il valore predefinito è 0,1.
Se la distribuzione è diversa in base alla caratteristica, imposta invece feature_noise_sigma per ciascuna caratteristica.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2024-05-17 UTC."],[],[],null,["# Interface SmoothGradConfigOrBuilder (1.32.0)\n\n public interface SmoothGradConfigOrBuilder extends MessageOrBuilder\n\nImplements\n----------\n\n[MessageOrBuilder](https://cloud.google.com/java/docs/reference/protobuf/latest/com.google.protobuf.MessageOrBuilder.html)\n\nMethods\n-------\n\n### getFeatureNoiseSigma()\n\n public abstract FeatureNoiseSigma getFeatureNoiseSigma()\n\nThis is similar to\nnoise_sigma,\nbut provides additional flexibility. A separate noise sigma can be\nprovided for each feature, which is useful if their distributions are\ndifferent. No noise is added to features that are not set. If this field\nis unset,\nnoise_sigma\nwill be used for all features.\n\n`.google.cloud.vertexai.v1.FeatureNoiseSigma feature_noise_sigma = 2;`\n\n### getFeatureNoiseSigmaOrBuilder()\n\n public abstract FeatureNoiseSigmaOrBuilder getFeatureNoiseSigmaOrBuilder()\n\nThis is similar to\nnoise_sigma,\nbut provides additional flexibility. A separate noise sigma can be\nprovided for each feature, which is useful if their distributions are\ndifferent. No noise is added to features that are not set. If this field\nis unset,\nnoise_sigma\nwill be used for all features.\n\n`.google.cloud.vertexai.v1.FeatureNoiseSigma feature_noise_sigma = 2;`\n\n### getGradientNoiseSigmaCase()\n\n public abstract SmoothGradConfig.GradientNoiseSigmaCase getGradientNoiseSigmaCase()\n\n### getNoiseSigma()\n\n public abstract float getNoiseSigma()\n\nThis is a single float value and will be used to add noise to all the\nfeatures. Use this field when all features are normalized to have the\nsame distribution: scale to range \\[0, 1\\], \\[-1, 1\\] or z-scoring, where\nfeatures are normalized to have 0-mean and 1-variance. Learn more about\n[normalization](https://developers.google.com/machine-learning/data-prep/transform/normalization).\n\nFor best results the recommended value is about 10% - 20% of the standard\ndeviation of the input feature. Refer to section 3.2 of the SmoothGrad\npaper: \u003chttps://arxiv.org/pdf/1706.03825.pdf\u003e. Defaults to 0.1.\n\nIf the distribution is different per feature, set\nfeature_noise_sigma\ninstead for each feature.\n\n`float noise_sigma = 1;`\n\n### getNoisySampleCount()\n\n public abstract int getNoisySampleCount()\n\nThe number of gradient samples to use for\napproximation. The higher this number, the more accurate the gradient\nis, but the runtime complexity increases by this factor as well.\nValid range of its value is \\[1, 50\\]. Defaults to 3.\n\n`int32 noisy_sample_count = 3;`\n\n### hasFeatureNoiseSigma()\n\n public abstract boolean hasFeatureNoiseSigma()\n\nThis is similar to\nnoise_sigma,\nbut provides additional flexibility. A separate noise sigma can be\nprovided for each feature, which is useful if their distributions are\ndifferent. No noise is added to features that are not set. If this field\nis unset,\nnoise_sigma\nwill be used for all features.\n\n`.google.cloud.vertexai.v1.FeatureNoiseSigma feature_noise_sigma = 2;`\n\n### hasNoiseSigma()\n\n public abstract boolean hasNoiseSigma()\n\nThis is a single float value and will be used to add noise to all the\nfeatures. Use this field when all features are normalized to have the\nsame distribution: scale to range \\[0, 1\\], \\[-1, 1\\] or z-scoring, where\nfeatures are normalized to have 0-mean and 1-variance. Learn more about\n[normalization](https://developers.google.com/machine-learning/data-prep/transform/normalization).\n\nFor best results the recommended value is about 10% - 20% of the standard\ndeviation of the input feature. Refer to section 3.2 of the SmoothGrad\npaper: \u003chttps://arxiv.org/pdf/1706.03825.pdf\u003e. Defaults to 0.1.\n\nIf the distribution is different per feature, set\nfeature_noise_sigma\ninstead for each feature.\n\n`float noise_sigma = 1;`"]]
