什么是每个类别的sample和对应的hs？用中文怎么表达？

每个类别的sample和对应的hs，可以翻译成“每个类别的样本和对应的语义向量表示”。其中，样本指的是具体的图像或数据样本，语义向量表示则是对样本所属类别的语义描述，通常使用向量的形式表示。在论文Semantics disentangling for generalized zero-shot learning中，hs表示类别信息，hn表示实例信息。因此，每个类别的sample和对应的hs指的是，对于每个类别，通过样本的视觉特征和hs向量表示，来表示该类别的特征信息。

相关问题

Python 里的sample（）用途是？

sample() 是 Python 的一个内置函数，用于从指定的序列中随机选取 n 个元素，返回一个新的列表。该函数的语法为 sample(sequence, k)，其中，sequence 表示一个可迭代对象，k 表示选取元素的个数。例如，可以使用 sample() 从一个列表中随机选取若干个元素，或者从一个字符串中随机选取几个字符等。

如果每个样本是“实验次数”和“成功次数”描述的呢，怎么计算p值？

如果每个样本是“实验次数”和“成功次数”描述的，你可以使用SciPy库中的`stats.chi2_contingency()`函数来进行显著性检验。这个函数可以计算卡方检验的p值，用于检验两个分类变量之间是否有关联。

下面是一个简单的Python代码示例，可以实现两个样本的显著性检验：

import numpy as np
from scipy.stats import chi2_contingency

# 假设有两个样本，每个样本包含实验次数和成功次数
# 样本1：100次实验，其中成功了50次
sample1 = np.array([[50, 50], [50, 50]])

# 样本2：100次实验，其中成功了70次
sample2 = np.array([[70, 30], [70, 30]])

# 计算卡方值和p值
chi2, p, dof, expected = chi2_contingency([sample1, sample2])

# 打印结果
print("卡方值为：", chi2)
print("p值为：", p)

在这个代码示例中，我们首先定义了两个样本，每个样本都包含实验次数和成功次数。然后，我们使用`chi2_contingency()`函数计算卡方值和p值。最后，我们打印了结果。

在这个示例中，p值表示两个样本之间的差异是否显著。如果p值小于0.05，则我们可以认为两个样本之间的差异是显著的。