LocalDisk H
2.1K posts

LocalDisk H
@helloh1n1
零度可乐死忠粉,唱反调乐队主唱,抬杠工程队包工头,信仰飞天意面神教(麻酱拌面分舵),@hellobabybei 的头号黑粉,略懂编程
赫尔辛根默斯肯 Inscrit le Nisan 2019
130 Abonnements66 Abonnés
LocalDisk H retweeté


@nina27mdzs 整体来说应该是北方地区方言更加类似于普通话,而南方地区的差异性会更大。北方即便是方言,基本上全国都能听懂。南方方言可能在相隔十公里的村落中,彼此之间的方言就难以理解
中文
LocalDisk H retweeté


@biantaishabi5 但是通常不会认为神经网络的挑战是陷入局部最优。建模方法不同,面对的挑战自然也不同了。近年来,运筹学领域甚至经常用神经网络技术来辅助跳脱局部最优的困局。
中文

@helloh1n1 他说的就是优化领域啊,神经网络的计算没有什么好说的呀,它就是个自回归的条件概率函数,那有什么不好算的?直接算就完了。这两个计算,一个是正向,一个是反向啊。一个顺着时间走,一个(试图)逆着时间走。计算难度完全不一样。
中文

这个其实最根本的原因还是这个场选错了。所以需要什么模拟退火这种东西帮你退出局部最优。假设有个对的场,那变分让你一路往下,就到最优解就完了。但是为什么选不中正确的场呢?因为很多时候选的目标也不对呀,我们把静态的目标当成目标,最优的目标应该是个轨迹,而不是最后那个静态的点。
Rainier@mtrainier2020
在优化领域里面有个常识就是步步最优,很容易陷入局部最小值。神经网络早年的问题就是非常容易陷入局部最优。 人生也一样,如果没有很强的使命感,没有理想,没有vision,每一步看起来都是最优,上最好的小学,上最好的初中,上最好的高中,上最好的大学,最热门的专业,毕业找起薪最高的公司,最快速的爬ladder。 等到你爬到半空的时候,发现你陷入了局部最优。 比下肯定是绰绰有余的,公司总监,副总。 钱么,也差不多够了。 但是回过头来看,这是不是你的全局最优呢? 大家可以看看nasdaq的很多公司的创始人,看看科创板公司的创始人,看看大公司里面的那些同僚,看看他们的成长轨迹。 你就会发现,步步最优,很容易陷入局部最优。 说起奥赛金牌,认识两个老乡,物理金牌,一路走,在美国读博,工作。做了几年都回去创业了。 最后不约而同都选了光相关的领域。 最近大家都知道,这个领域爆火了。 而人家在10年前就躬身入局了。
中文


















