Delta

51CTO 博客地址： https://blog.51cto.com/13969817 博客园博客地址： https://www.cnblogs.com/bxapollo Microsoft Graph 是一个RESTful web API，可以通过它来访问Microsoft 云服务器资源，注册应用程序并获取用户或服务的身份验证令牌后，可以向Microsoft Graph API请求。 默认的情况下，DeltaLinks（Token）是一个用户范围的API，可用于类似同步的行为，比如可以获取一个完整的权限枚举来验证，Delta尝试将基于权限的更改范围限定为与caller相关的更改，如果caller的访问权限没有因权限更改而改变，则该项可能不会包含在增量结果中。 获取权限的前提条件： 确保遵守aca .ms/scanguidance中的建议，否则将导致获取权限更改范围的缩小。 获取权限的方法： 对Sites.FullControl使用仅适用于应用程序的身份验证 所有范围和pass header“preferred”=“deltashowsharingchanges,hierarchicalsharing” 实现步骤： 在AAD创建一个应用程序，并且有Sites.FullControl等如下权限。 2.采用如下powershell脚本生成Access Token 和 Delta

机器学习笔记——梯度下降优化方案 一、梯度下降粒度优化 1.1 Batch gradient descent 1.2 Stochastic gradient descent 1.3 Mini-batch gradient descent 1.4 三种方法的代码分析 二、梯度下降参数优化 2.1 步长与梯度的关系 2.2 AdaGrad 与 RMSProp 2.4 AdaDelta 2.5 Momentum 与 Nesterov Momentum 2.6 Adam 2.7 AdaBelief 一、梯度下降粒度优化 1.1 Batch gradient descent 批量梯度下降（Batch gradient descent）是根据所有样本训练得到的梯度来更新参数。每更新一次参数便要用到所有的训练样本数据集，决定了批量梯度下降法训练时间长、收敛速度缓慢。 1.2 Stochastic gradient descent 随机梯度下降（Stochastic gradient descent）每次仅根据单个样本 ( x i , y i ) (x^i,y^i) ( x i , y i ) 计算得到的梯度来更新参数。随机梯度下降计算简单收敛速度快，但收敛过程易震荡不稳定。不稳定的特征有好有坏，好处在于可以让参数跳出局部最优，坏处在于收敛结果不精确。 下面是批量梯度下降与随机梯度下降的示意图

前言：现在从事的嵌入式产品设计，很多都是基于TCP/IP的，要求研发的设备能够接入广域网进行远程设置和访问，这就涉及到了路由的工作原理和路由器的使用。包括家庭中用到的ADSL、无线路由器以及在工业现场使用的企业及路由器、交换机，自己都曾接触和使用过，但一直都停留于表面的操作理解。现在由于产品研发的需要，希望能够进一步加深对路由器内部运行机制的理解，澄清一些模糊的认识，所以特写此文。 在阅读此文之前，我们先界定一下主机的概念：主机是连接到一个或多个网络的设备，它可以向任何一个网络发送和从其接收数据，但它从不把数据从一个网络传向另一个。说的直白一些，1台主机就是网络中用于连接的1台设备。 1、为什么要使用路由器？ 现在我们从事嵌入式产品设计，要接触到很多网络的概念，例如以太网、wifi网、485网络、MBUS网络、CAN网络、Zigbee网络等等。我们在进行项目的深入研发过程中，就会注意到一个非常重要而且突出的问题，就是“单一网络中的主机的数目是有一定限制的，不能够无限增大”。 在单一网络中，过多的主机会导致如下问题： a、带宽资源耗尽； b、每台设备都会浪费很多时间处理无关的广播数据； c、网络变的无法管理，任何错误都可能导致整个网络瘫痪； d、每台主机都可以监听到其它设备的通信。 上述问题只有通过网络分段加以解决，但同时我们又必须提供一个很好的机制能够让不同网段之间的设备进行通信

1 概述 　　在之前介绍的几种方法，我们对值函数一直有一个很大的限制，那就是它们需要用表格的形式表示。虽说表格形式对于求解有很大的帮助，但它也有自己的缺点。如果问题的状态和行动的空间非常大，使用表格表示难以求解，因为我们需要将所有的状态行动价值求解出来，才能保证对于任意一个状态和行动，我们都能得到对应的价值。因此在这种情况下，传统的方法，比如Q-Learning就无法在内存中维护这么大的一张Q表。 　　针对上面的问题，于是有人提出用一个模型来表示状态，动作到值函数的关系。我们令状态为 $s \in S $，行动为 $a \in A $，引入一个状态价值函数 $\hat{v}$，函数的参数为 $w$，接收状态 $s$ 的输入，则有： 　　　　$ \hat{v}(s, w) \approx v_{\pi}(s) $ 　　对于动作-状态价值函数也是一样可以表示为： 　　　　$ \hat{q}(s,a,w) \approx q_{\pi}(s,a) $ 　　还有一种表现形式是输入状态向量 $s$，输出每个动作 ${a_i}\in{A}$ 所对应的 $\hat{q}(s,a_i,w) $。具体的如下如所示： 　　 　　虽说有上面三种表达形式，但一般我们用第三种方式，这一种方法会获得所有动作的Q值，这样就可以很方便的使用贪婪策略和$\epsilon-greedy$。 　

读书笔记: 博弈论导论 - 11 - 完整信息的动态博弈 战略协议 战略协议(Strategic Bargaining) 本文是Game Theory An Introduction (by Steven Tadelis) 的学习笔记。 协议是多方对一个剩余(surplus)，通过提议，尝试达成一致意见。 一个两人协议博弈的过程： 第一回合 玩家1提出分配$(x, 1-x)$，玩家1得到x，玩家2得到1-x。 如果玩家2表示接受，博弈结束，$v_1 = x, v_2 = 1-x$。如果玩家2反对，进入下一轮 第二回合 剩余变成了$1 - \delta$。折扣率$0 < \delta < 1$ 玩家2提出分配$(x, 1-x)$，玩家1得到x，玩家2得到1-x。 如果玩家1表示接受，博弈结束，$v_1 = \delta x, v_2 = \delta (1-x)$。如果玩家1反对，进入下一轮。 第三回合及以后 博弈如上继续，在奇数回合，玩家2的反对则导致其在下一轮变成提议者，反之亦然。 每个回合的继续，到导致剩余的一次折扣，在第t个回合，剩余未$\delta^{t-1}$。 协议博弈和之前博弈的不同之处： 如果提议被接受，博弈会在任何回合结束。 收益只有在整个博弈结束时才产生，而不是每个回合就会产生。 只有一轮的协议：最后的话博弈(The ultimatum game) take

/* ——————————————————————————————————————————————————————————— 【结果填空题】T1 (分值：5) 题目：购物单 小明刚刚找到工作，老板人很好，只是老板夫人很爱购物。 老板忙的时候经常让小明帮忙到商场代为购物。 小明很厌烦，但又不好推辞。 这不，XX大促销又来了！老板夫人开出了长长的购物单，都是有打折优惠的。 小明也有个怪癖，不到万不得已，从不刷卡，直接现金搞定。 现在小明很心烦，请你帮他计算一下， 需要从取款机上取多少现金，才能搞定这次购物。 取款机只能提供100元面额的纸币。 小明想尽可能少取些现金，够用就行了。 你的任务是计算出，小明最少需要取多少现金。 以下是让人头疼的购物单，为了保护隐私，物品名称被隐藏了。 ------------------------------- **** 180.90 88折 **** 10.25 65折 **** 56.14 9折 **** 104.65 9折 **** 100.30 88折 **** 297.15 半价 **** 26.75 65折 **** 130.62 半价 **** 240.28 58折 **** 270.62 8折 **** 115.87 88折 **** 247.34 95折 **** 73.21 9折 **** 101.00 半价 **** 79.54

为了搞明白这个没少在网上搜，但是结果不尽人意，最后找到了一篇很好很详细的证明过程，摘抄整理为 latex 如下。 （原文： https://blog.csdn.net/weixin_41718085/article/details/79381863 ） 更新：为了让看博客的带哥们能直观的看，我编译截图了，放在这里，latex 源码在下面 这个只是为了应付作业总结的，所以没有认真检查过，如果内容、正确性（尤其是这个）和格式上有什么问题请务必在下面评论区中指出。 \documentclass{article} \usepackage{xeCJK} \usepackage{amsmath} \setCJKmainfont{Noto Serif CJK SC} \title{人工神经网络反向传播算法\\链式法则在人工智能中的应用} \begin{document} \maketitle \section{背景} \subsection{人工神经元} 人工神经元是一个运算，它将输入分别以不同的权重组合相加并做一次偏移操作后进行某个非线性运算得到输出，以数学语言描述即是 \[ x^{(j + 1)} = \sigma(b + \sum_i W_i x_i^{(j)}) \] 其中 \(j\) 指神经元所处的层数，本例中 \(x_i^{(j)}\) 是来自第 \(j\) 层的第 \(i\)

前言 相关延申 对数函数$f(x)=log_a^;x$，其抽象函数为$f(x)+f(y)=f(x\cdot y)$； $f(x)-f(y)=$$f(\cfrac{x}{y})$； 典例剖析 <LT>例1</LT>【2016浙江高考题】已知$a>0$，$b>0$，且$a\neq 1$，$b\neq 1$，若$log_ab>1$，则【D】 <div class="XZXX">$A、(a-1)(b-1)<0$ $B、(a-1)(a-b)>0$ $C、(b-1)(b-a)<0$ $D、(b-1)(b-a)>0$</div> 分析： 由$log_ab>1=log_aa$可得， ①当$a>1$时，得到$b>a$，即$b>a>1$，则有$b-a>0$且$b-1>0$； ②当$0<a<1$时，得到$b<a$，即$b<a<1$，则有$b-a<0$且$b-1<0$； 综上可得，$(b-1)(b-a)>0$，故选$D$. <LT>例2</LT>【2019届高三理科数学对数与对数函数课时作业第9题】若实数$a$的值能使得函数$f(x)=$ $log_a(x^2+\cfrac{3}{2}x)$ $(a>0，a\neq 1)$在区间$(\cfrac{1}{2}，+\infty)$内恒有$f(x)>0$，则$f(x)$的单调递增区间为【】 <div class="XZXX">$A.(0，+\infty)$；

TensorFlow Ops 1. Fun with TensorBoard In TensorFlow, you collectively call constants, variables, operators as ops. TensorFlow is not just a software library, but a suite of softwares that include TensorFlow, TensorBoard, and Tensor Serving. To make the most out of TensorFlow, we should know how to use all of the above in conjunction with one another. In the first part of this lecture, we will explore TensorBoard. TensorBoard is a graph visualization software included with any standard TensorFlow installation. In Google ' s own words : "The computations you'll use TensorFlow for - like

典例剖析 <LT>例1</LT>均值不等式中有一类常考题型，比如，求限定条件下的最值问题，对应的解决方法是：常数代换,乘常数再除常数。 【模型1】：已知$2m+3n=2，m>0，n>0$，求$\cfrac{4}{m}+\cfrac{1}{n}$的最小值[或求$\cfrac{4n+m}{mn}$的最小值，难度稍微增大一点]。 思路：给定条件是整式，求分式的最值，常数代换,乘常数再除常数，部分使用均值不等式 分析如下：$\cfrac{4}{m}+\cfrac{1}{n}=\cfrac{1}{2}\cdot (2m+3n）(\cfrac{4}{m}+\cfrac{1}{n})=\cfrac{1}{2}\cdot (8+3+\cfrac{2m}{n}+\cfrac{12n}{m})=\cdots$ <!--- 思维模式： $\begin{gather*} &2m+3n=4 \\ &\cdots \\&\cdots\end{gather*}$ $\Bigg\}\xrightarrow[或间接推出]{直接给出} 2m+3n=4\xrightarrow[乘常数除以常数]{其他式子}$ $\begin{cases} &\cfrac{4}{m}+\cfrac{1}{n} \\ &\cfrac{1}{m}+\cfrac{4}{n} \\ &\cdots\end{cases}$---> 【模型2】：已知