雖然這篇導函數怎麼算鄉民發文沒有被收入到精華區:在導函數怎麼算這個話題中,我們另外找到其它相關的精選爆讚文章
在 導函數怎麼算產品中有27篇Facebook貼文,粉絲數超過3,460的網紅Taipei Ethereum Meetup,也在其Facebook貼文中提到, 📜 [專欄新文章] 區塊鏈管線化的效能增進與瓶頸 ✍️ Ping Chen 📥 歡迎投稿: https://medium.com/taipei-ethereum-meetup #徵技術分享文 #使用心得 #教學文 #medium 使用管線化(Pipeline)技術可以提升區塊鏈的處理效能,但也...
同時也有3部Youtube影片,追蹤數超過3萬的網紅孫在陽,也在其Youtube影片中提到,您、我每天都在創造大數據,可惜我們沒有收集大數據,或還停留在不知怎麼收集的階段。少部份人手上都有大數據,卻不知如何分析這些資料。當世界都在談大數據變黃金時,從馬雲到釋昭慧都侃侃而談,您還能不懂什麼是大數據嗎?您也許已經聽過無數的大數據神話,但對於大數據仍停留在一知半解階段嗎?美國歐巴馬政府將大數據視...
「導函數怎麼算」的推薦目錄
- 關於導函數怎麼算 在 辣媽英文天后 林俐 Carol Instagram 的最佳貼文
- 關於導函數怎麼算 在 好日曆 Instagram 的精選貼文
- 關於導函數怎麼算 在 如履的電影筆記 Instagram 的最讚貼文
- 關於導函數怎麼算 在 Taipei Ethereum Meetup Facebook 的精選貼文
- 關於導函數怎麼算 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於導函數怎麼算 在 Facebook 的最佳解答
- 關於導函數怎麼算 在 孫在陽 Youtube 的最佳解答
- 關於導函數怎麼算 在 孫在陽 Youtube 的最佳解答
- 關於導函數怎麼算 在 孫在陽 Youtube 的最讚貼文
導函數怎麼算 在 辣媽英文天后 林俐 Carol Instagram 的最佳貼文
2021-08-03 12:32:11
感謝熱情認真的李學長, 今天要來介紹「建中科學班」! ———————————————————— 科學班考試三月多就考了,獨立招生。 📍考進科學班有什麼優點? 主科老師會是比較有經驗的,幾乎沒有地雷老師。老師還會同時兼任你的專題研究老師 🔆三年不分班,會有電神互相切磋討論。 教學資源多,可以借用科學...
導函數怎麼算 在 好日曆 Instagram 的精選貼文
2021-09-17 19:36:00
吐司抹上果醬的那面 掉到地上時永遠會先著地 有些討厭的事情 不管你再怎麼預防 它註定就是會發生 你並沒有做得不好 只是自信心不足帶來的恐慌 但只要你相信自己在面對挑戰的當下 已經用上了 100% 的洪荒之力 就算結果不盡人意 也不需要因此感到懊悔 - 以前高中段考的時候 每考完一科的中場休息 ...
導函數怎麼算 在 如履的電影筆記 Instagram 的最讚貼文
2020-05-03 21:49:31
《#青春豬頭少年不會夢到懷夢美少女》保留對未來的期許 (7.8/10) ⠀ #主頁新網站請多幫忙點擊 @looryfilmnotes ⠀ 《青春豬頭少年不會夢到懷夢美少女》是一部日本青春動畫電影,由增井壯一執導,石川界人、瀨戶麻沙美、水瀨祈配音,劇情講述高中生梓川咲太與學姊戀人櫻島麻衣一起過著甜蜜的...
-
導函數怎麼算 在 孫在陽 Youtube 的最佳解答
2017-05-06 18:56:57您、我每天都在創造大數據,可惜我們沒有收集大數據,或還停留在不知怎麼收集的階段。少部份人手上都有大數據,卻不知如何分析這些資料。當世界都在談大數據變黃金時,從馬雲到釋昭慧都侃侃而談,您還能不懂什麼是大數據嗎?您也許已經聽過無數的大數據神話,但對於大數據仍停留在一知半解階段嗎?美國歐巴馬政府將大數據視為「21 世紀的新石油」,是「挖不完的金礦」,您、我也該開始學習大數據分析了。
本課程以Excel Power BI做大數據分析為題,先知道大數據是什麼、大數據分析方法、視覺化呈現結果,是一種最容易上手、簡單易學的方法。首先以提升管理品質為目標,期進一步能做到服務層級,並達到提升工作效率。期待結合更多的開放數據,讓大家都具備大數據分析能力,提升國家的軟實力。 -
導函數怎麼算 在 孫在陽 Youtube 的最佳解答
2017-05-06 17:03:50用Excel Power BI做大數據分析(II)
您、我每天都在創造大數據,可惜我們沒有收集大數據,或還停留在不知怎麼收集的階段。少部份人手上都有大數據,卻不知如何分析這些資料。當世界都在談大數據變黃金時,從馬雲到釋昭慧都侃侃而談,您還能不懂什麼是大數據嗎?您也許已經聽過無數的大數據神話,但對於大數據仍停留在一知半解階段嗎?美國歐巴馬政府將大數據視為「21 世紀的新石油」,是「挖不完的金礦」,您、我也該開始學習大數據分析了。
本課程以Excel Power BI做大數據分析為題,用 Excel Power BI 做大數據分析,先知道大數據是什麼、大數據分析方法、視覺化呈現結果,是一種最容易上手、簡單易學的方法。首先以提升管理品質為目標,期進一步能做到服務層級,並達到提升工作效率。
。期待結合更多的開放數據,讓大家都具備大數據分析能力,提升國家的軟實力。
導函數怎麼算 在 Taipei Ethereum Meetup Facebook 的精選貼文
📜 [專欄新文章] 區塊鏈管線化的效能增進與瓶頸
✍️ Ping Chen
📥 歡迎投稿: https://medium.com/taipei-ethereum-meetup #徵技術分享文 #使用心得 #教學文 #medium
使用管線化(Pipeline)技術可以提升區塊鏈的處理效能,但也可能會產生相應的代價。
Photo by tian kuan on Unsplash
區塊鏈的擴容方案
說到區塊鏈的效能問題,目前討論度最高的應該是分片(sharding)技術,藉由將驗證者分成多組的方式,可以同時分別處理鏈上的交易需求,即使單分片效能不變,總交易量可以隨著分片/驗證者集的數量線性增加。
除了分片,另一個常用來提升程式效能的方案是將計算步驟拆解,以流水線的方式將複雜的運算攤平,降低系統的閒置時間,並大幅提升工作效率。為了達到管線化預期的目的,會需要先知道系統的瓶頸在哪。
區塊鏈的效能瓶頸
熟悉工作量證明設計哲學的人應該會知道,區塊鏈之所以需要挖礦,並不是為了驗證交易的正確性,而是要決定交易的先後順序,從而避免雙花和帳本分裂的發生。可以說,區塊鏈使用低效率的單線程設計,並付給礦工高額的成本,都只為了一件事,就是對交易的全局排序產生共識。
在這樣的基礎之上,區塊鏈在一段時間內可以處理的交易數量是有限的,這之中包含許多方面的限制,包括 CPU 效能、硬碟空間、網路速度等。其中,關於 TPS(每秒交易數) 提升和對硬體的要求大致上是線性增加的,但在設計共識演算法時,通訊複雜度常是平方甚至三次方的關係。
以現在的目標 TPS 來說,處理交易和生成一個合法的區塊並不困難,只是因為區塊鏈的特性,新區塊需要透過洪水法的方式擴散到全網路,每個節點在收到更新請求的時候都要先執行/驗證過區塊內的交易,等於整個廣播的延時會是「驗證區塊時間×經過的 hop 數量」這麼多。似乎網路越分散、節點越多,我們反而會需要降低計算量,以免讓共識不穩定。
管線化的共識機制
使用權益證明取代工作量證明算是行業發展的趨勢,除了環保或安全這些比較顯然的好處之外,權益證明對產生共識的穩定性也很有幫助。首先,權益證明在同一時間參與共識的節點數是已知的,比較容易控制數量級的邊界;其次,權益證明的出塊時間相較工作量證明固定很多,可以降低計算資源不足或閒置的機率。
相較於工作量證明是單一節點出塊,其餘節點驗證,權益證明的出塊本身就需要很多節點共同參與,瓶頸很像是從驗證轉移到通訊上。
以 PBFT 為例,每次產新區塊都需要經過 pre-prepare, prepare, commit 三個階段,你要對同意驗證的區塊簽名,還要對「你有收到某人的簽名」這件事簽名,再對「你有收到 A 說他有收到 B 的簽名」這件事簽名,過程中會有很多簽名飛來飛去,最後才能把一個區塊敲定。
為了降低每兩個區塊間都需要三輪簽名造成的延遲,後來的共識演算法包括 HotStuff 和 Casper FFG 採用了管線化的區塊驗證過程。也就是對區塊 T 的 pre-prepare 同時是對 T-1 的 prepare 和對 T-2 的 commit。再加上簽名聚合技術,出塊的開銷在複雜度等級和係數等級都降低許多。
然而,要保持管線化的區塊生產順利,需要驗證者集合固定不變,且網路通訊狀況良好。如果會經常更動驗證者集合或變換出塊的領導者,前後區塊間的相依性會是個大問題,也就是 T 的驗證者集合取決於 T-1 裡有沒有會導致刪除或新增驗證者的交易,T-1 的合法性又相依於 T-2,以此類推。
當激烈的分叉出現的時候,出塊跟共識的流水線式耦合就從優雅變成災難了。為了避免這種災難,更新的共識演算法會限制驗證者變更的時機,有些叫 epoch 有些叫 checkpoint,每隔一段時間會把前面的區塊徹底敲定,才統一讓驗證者加入或退出。到這些檢查點的時候,出塊的作業流程就會退化成原本的三階段驗證,但在大部分時候還是有加速的效果。
管線化的狀態更新
另一個可以用管線化加速的是區塊鏈的狀態更新。如前所述,現在公鏈的瓶頸在於提高 TPS 會讓區塊廣播變慢,進而導致共識不穩定,這點在區塊時間短的以太坊上尤其明顯。可是如果單看執行一個區塊內的交易所花的時間的話,實際上是遠遠低於區塊間隔的。
只有在收到新區塊的時候,節點才會執行狀態轉移函數,並根據執行結果是否合法來決定要不要把區塊資訊再廣播出去。不過其實只要給定了交易集合,新的狀態 s’ = STF(s, tx) 應該是確定性的。
於是我們有了一個大膽的想法:何不乾脆將交易執行結果移出共識外呢?反正只要大家有對這個區塊要打包哪些交易有共識,計算的結果完全可以當作業留給大家自己算吧。如果真的不放心,我們也可以晚點再一起對個答案,也就是把這個區塊執行後的新狀態根包在下個區塊頭裡面。
這就是對狀態更新的管線化,在區塊 T 中敲定交易順序但暫不執行,區塊 T+1 的時候才更新狀態(以及下一批交易)。這麼做的好處十分顯而易見,就是將原本最緊繃的狀態計算時間攤平了,從原本毫秒必爭的廣播期移出來,變成只要在下個塊出來之前算完就好,有好幾秒的時間可以慢慢來。新區塊在廣播的每個 hop 之間只要驗證交易格式合法(簽名正確,有足夠的錢付手續費)就可以放行了,甚至有些更激進的方案連驗簽名都省略了,如果真的有不合法交易混進去就在下個區塊處罰礦工/提案者便是。
把負擔最重的交易執行移出共識,光用想的就覺得效能要飛天,那代價呢?代價是區塊的使用程度會變得不穩定。因為我們省略了執行,所以對於一筆交易實際用掉多少 gas 是未知的。本來礦工會完整的執行所有交易,並盡可能的塞滿區塊空間,然而在沒有執行的情況下,只能以使用者設定的 gas limit 當作它的用量,能打包的交易會比實際的上限少。
緊接著,下一個問題是退費困難。如果我們仍然將沒用完的手續費退還給使用者,惡意的攻擊者可以透過發送 gas limit 超大,實際用量很小的交易,以接近零的成本「霸佔」區塊空間。所以像已故區塊鏈 DEXON 就直接取消 gas refund,杜絕濫用的可能。但顯然這在使用者體驗和區塊空間效率上都是次優的。
而最近推出的 smartBCH 嘗試擬了一套複雜的退款規則:交易執行後剩餘的 gas 如果小於 gas limit 的一半(代表不是故意的)就退款;如果剩餘量介於 50%-75% 可以退一半;超過 75% 推斷為惡意,不退款。乍看是個合理的方案,仔細一想會發現製造的問題似乎比解決的還多。無論如何,沒用掉的空間終究是浪費了,而根據殘氣比例決定是否退款也不會是個好政策,對於有條件判斷的程式,可能要實際執行才知道走哪條路,gas limit 一定是以高的情況去設定,萬一進到 gas 用量少的分支,反而會噴更多錢,怎麼想都不太合理。
安全考量,退費大概是沒希望了。不過呢,最近以太坊剛上線的 EIP1559 似乎給了一點方向,如果區塊的使用程度能以某種回授控制的方式調節,即使偶爾挖出比較空的區塊似乎也無傷大雅,也許能研究看怎麼把兩者融合吧。
管線化方案的發展性
考慮到以太坊已經堅定地選擇了分片的路線,比較激進的單鏈高 TPS 管線化改造方案應該不太有機會出線,不過管線化畢竟是種歷史悠久的軟體最佳化技巧,還是很有機會被使用在其他地方的,也許是 VDF 之於信標鏈,也許是 rollup 的狀態轉換證明,可以坐等開發者們表演。
倒是那些比較中心化的 EVM fork/sidechain,尤其是專門只 for DeFi 的鏈,管線化加速可以在不破壞交易原子性的前提下擴容,確實是有一些比分片優秀的地方可以說嘴,值得研究研究,但這就要看那些機房鏈們有沒有上進心,願不願意在分叉之餘也投資發展自己的新技術了。
給我錢
ping.eth
區塊鏈管線化的效能增進與瓶頸 was originally published in Taipei Ethereum Meetup on Medium, where people are continuing the conversation by highlighting and responding to this story.
👏 歡迎轉載分享鼓掌
導函數怎麼算 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
為了讓 AI 不斷打怪升級,DeepMind 打造「宇宙」
作者 雷鋒網 | 發布日期 2021 年 07 月 30 日 8:15 |
DeepMind 又給我們小驚喜。我們都知道,強化學習苦於類化能力差,經常只能針對單個任務從頭學習。
DeepMind之前開發的AlphaZero,儘管可以玩圍棋、西洋棋和日本將棋,但每種棋牌遊戲都只能從頭訓練。類化能力差也是AI一直被詬病為人工智障的一大原因。人類智慧的厲害之處,就在藉鑑之前經驗迅速適應新環境。
但類化能力不是一蹴而就,就像玩遊戲,也是先做簡單任務,逐步升級到複雜任務。《空洞騎士》(Hollow Knight)一開始只需要隨意走動揮刀砍怪,但噩夢級難度的「苦痛之路」關,沒有前面累積的技巧,只能玩寂寞。
多任務宇宙
DeepMind此次採用「課程學習」,讓智慧體於不斷擴展升級的開放世界學習。也就是說,AI新任務(訓練資料)是基於舊任務不斷生成。智慧體可盡情鍛鍊自己,簡單的如「靠近紫色立方體」,複雜點的如「靠近紫色立方體或將黃色球體放在紅色地板」,甚至和其他智慧體玩耍,如捉迷藏──「找到對方,且不要被對方發現」。
每個小遊戲存在世界小角落,千千萬萬個小角落拼成龐大的物理模擬世界,如下圖的幾何「地球」。總體來說這個世界的任務由三個要素構成,即任務=遊戲+世界+玩家,並根據三要素關係,決定任務的複雜度。
複雜度的判斷有四個維度:競爭性、平衡性、可選項、探索難度。
比如「搶方塊」遊戲,藍色智慧體需要把黃色方塊放到白色區域,紅色智慧體需要把黃色方塊放到藍色區域。這兩個目標矛盾,因此競爭性較強;同時雙方條件對等,平衡性比較高;因目標簡單,所以可選項少;DeepMind把探索難度評為中上,可能是因定位區域算較複雜的場景。
再如「球球喜歡和方塊一起玩」遊戲,藍色和紅色智慧體有共同目標,讓相同顏色的球體和方塊放在相近位置。
這時競爭性自然很低,平衡性毋庸置疑很高的;可選項比上面遊戲高很多;探索難度沒有定位區域,智慧體隨便把球體和方塊放哪都行,難度就變小了。
基於這四個維度,DeepMind打造超大規模「宇宙」任務空間,幾何「地球」也只是這宇宙的小角落,是四維任務空間的一點。DeepMind將「宇宙」命名為XLand,包含數十億個任務。
來看XLand的全貌,由一系列遊戲組成,每個遊戲在許多模擬世界進行,這些世界的拓樸和特徵平滑變化。
終生學習
數據有了,接下來得找到合適的算法。 DeepMind發現,目標注意代理(GOAT)可學習更通用的策略。
具體來說,智慧體輸入包括第一視角的RGB圖像、本體感覺以及目標。經過初步處理後,生成中間輸出,傳遞給GOAT模組,會根據智慧體目前目標處理中間輸出的特定部分,邏輯分析目標。
邏輯分析是指,每個遊戲可藉由一些方法,構建另一個遊戲,並限制策略的價值函數的最優值上限或下限。
DeepMind提出一個問題:對每個智慧體,什麼樣的任務是最好的?換句話說,打怪升級時,什麼樣的關卡設置才讓玩家順利升級為「真」高手,而不是一刀9999?
DeepMind的答案是,每個新任務都基於舊任務生成,「不會太難,也不會太容易」。其實恰好是讓人類學習時感覺「爽」的興奮點。
訓練開始時,太難或太容易的任務可能會鼓勵早期學習,但會導致訓練後期的學習飽和或停滯。不要求智慧體某任務非常優秀,而是鼓勵終身學習,即不斷適應新任務。所謂太難、太容易是較模糊的描述。需要量化方法,在新任務和舊任務之間彈性連接。
怎麼不讓智慧體做新任務時不適應而「暴死」?進化學習就提供很好的靈活性。總體來說,新任務和舊任務同時進行,且每個任務有多智慧體參與「競爭」。舊任務適應好的智慧體,會選拔到新任務繼續學習。
新任務中,舊任務的優秀智慧體權重、瞬間任務分佈、超參數都會複製,參與新一輪「競爭」。除了舊任務的優秀智慧體,還有很多新人參與,這就引進隨機性、創新性、靈活性,不用擔心「暴死」問題。
當然,因任務不斷生成、動態變化,一個任務可訓練不同長處的智慧體,並往不同方向演化(隨著智慧體相對性能和強健性進行)。最終每個智慧體都會形成擅長任務的集合,就像春秋戰國時期「百家爭鳴」。說打怪升級顯得格局小,簡直是模擬地球。
DeepMind表示,「這種組合學習系統的特性是,不最佳化有界性能指標,而是更新定義的通用能力範圍,這使智慧體開放式學習,僅受環境空間和智慧體的神經網路表達能力的限制。」
智慧初現
最終這複雜「宇宙」升級、進化、分流的智慧體長成了什麼優秀物種?DeepMind說,智慧體有很明顯的零樣本學習能力,比如使用工具、合圍、數數、合作+競爭等。
來看具體例子。首先智慧體學會臨機應變。目標有三個:
黑色金字塔放到黃色球體旁邊
紫色球體放到黃色金字塔旁邊
黑色金字塔放到橙色地板
AI一開始找到一個黑色金字塔,想拿到橙色地板(目標3),但搬運過程瞄見黃色球體,瞬間改變主意,「我可以實現目標1啦」,將黑色金字塔放到黃色球體旁邊。
第二個例子是,不會跳高,怎麼拿到高台上的紫色金字塔?智慧體需要想辦法突破障礙,取得高台上的紫色金字塔,高台周邊並沒有類似階梯、斜坡的路。
因不會跳高,所以智慧體「掀桌子」,把周邊幾塊豎起來的板子弄倒。然後一塊黑色石板剛好倒在高台邊,「等等,這不就是我要的階梯嗎?」這過程是否體現了慧體的智慧,還無法肯定,可能只是一時幸運。關鍵還是,要看統計數據。
經過5代訓練,智慧體在XLand的4千個獨立世界玩了約70萬個獨立遊戲,涉及340萬個獨立任務,最後一代每個智慧體都經歷2千億次訓練步驟。智慧體已能順利參與幾乎每個評估任務,除了少數即使人類也無法完成的任務。
DeepMind的研究,或許一定程度體現「密集學習」重要性。也就是說,不僅資料量要大,任務量也要大。這也使得智慧體在類化能力有很好表現,如資料顯示,只需對一些新複雜任務進行30分鐘集中訓練,智慧體就可快速適應,而從頭開始用強化學習訓練的智慧體根本無法學習這些任務。
往後我們也期待這「宇宙」更複雜和生機勃勃,AI經過不斷演化,不斷給我們帶來驚喜(細思極恐)的體驗。
資料來源:https://technews.tw/2021/07/30/deepmind_xland/
導函數怎麼算 在 Facebook 的最佳解答
是的,指考。
不意外的,又有一波擔憂國家數理發展,以及另一波擔心語言發展,還有其他波的擔心XX發展,加上奧運舉辦,體育發展的憂慮也刷一波
依照各方大德的憂慮,想要達成全部目標,我們現在的國民教育應該會從小一開始改成全住宿制,每天課程排到晚上9,一路上到大學還得要義務化。
簡稱,不可能的任務。
看不懂?嗯,因為這算月經文..........年經文才對。
我的意思很簡單啦,每次大考考完,除了那些每年都要靠邀幾句的校長,總會多出一批新人,憂心教育內容每況愈下,學子未來值得擔憂,國家競爭力缺乏等等。從教改啟動前就開始罵,罵到今天還是沒停。
坦白說,我對罵沒意見,但總要有具體點的建議出來。具體的建議可不是什麼提高數學教學強度,增加閱讀測驗等等,這叫做毫不具體。
具體的事項,要很明確的講出:
「必須從國一開始上三角函數,國二要會球座標」
「當前作文與閱讀課不敷需求,每周要加到5堂課」
用產業界的說法,就是你得提出目標-需求-資源,不然誰曉得你想幹嘛。那種高喊今年業績要提高的老闆很多,拍桌說業務要更積極搶單的經理更多,但具體計畫寫下來,恐怕是沒幾個能動的。
說不出個所以然,只是單純地看到數理教學內容變少,然後看則新聞說半導體落後,就膝蓋反射認定是教改失敗,學生程度太差,這連結相關度說有多高嘛...........
唉
我是希望,每個老師或是教授,真想對教育內容有建設性意見,不要只是碎念,請從現場時數去反推課程合理性,自己做不到也沒關係,試著想一次就曉得多麻煩,沒教過學校會很難這種「分配力學」。
做不到的人可以反過來,從希望達成的目標去反推該做什麼,這個業界也常做。那就是,你覺得我們哪些產業,或是未來需要哪些能力,必需在教育上立刻改變?
例如「半導體業是國家未來重點項目,所以要增加基層作業員素質,故全國技職體系都該開設鍍膜工藝、真空技術、現場操作技巧,所以今年就該鼓勵現場工程師轉職,進修教育學分後,分發到高職開始進行高強度的基層訓練。」(從爆肝工程師變成爆肝技工的概念)
或如「綠能產業是未來重點,所以國中理化課程應該大幅增加相關內容,電磁學要放到國二,基礎理化放到國一,生物課程另開,增加時數從文科挪走。並在國三大幅增加實驗課程,除高中以外,高職開設新的電力與製造工程師課程。」(人社科去死的概念)
不然喔,永遠只是在那邊憂國憂民,因為憂的範圍超級大,所以基本上台灣所有的問題都可以被囊括進去,可以給抱怨者宇宙無敵大的憂國情懷,卻沒有半個人可以提出具體解決辦法。
但不去討論實際運作的狀態,多數人都只是看著小孩課本,抱怨怎麼內容變那麼簡單,然後看了新聞說XX國很強,就反射認為都是課本教壞,這種想法沒有意義啦。
沒篇幅了,所以我這邊就提一個問題,看有沒人會想討論,之後再來講:
我們教育究竟是要傾向全民篩選制,還是積極放長線釣大魚的概念。這兩者雖然可以並行,但若全力推動一種,另一種就會被當成不公平喔。