熱門Ptt文章

[爆卦]根式運算題目是什麼？優點缺點精華區懶人包

雖然這篇根式運算題目鄉民發文沒有被收入到精華區：在根式運算題目這個話題中，我們另外找到其它相關的精選爆讚文章

在 根式運算題目產品中有45篇Facebook貼文，粉絲數超過3,992的網紅台灣物聯網實驗室 IOT Labs，也在其Facebook貼文中提到， 阿里巴巴 AI 「看圖回答」 測驗擊敗微軟、臉書、特斯拉，準確率還首次超越人類！ 陳宜伶 2021-08-25 看圖回答問題是人類生活及溝通的基本條件，但是對 AI 來說卻是一項高難度任務。 阿里巴巴達摩學院打造出來的 AI 語言模型 AliceMind，幾天前首度打破圖像問答（VQA）世界紀...

　同時也有4部Youtube影片，追蹤數超過2萬的網紅數學老師張旭，也在其Youtube影片中提到，【摘要】 本影片透過一些基本的例題練習了第一型的微積分基本定理，雖然簡單但困難的技術總是扎根在最基本的練習上，因此初學者還是應該好好練習這樣的題目，透過這樣的題目把定理本身想透徹 【勘誤】 4:04 應為 x^(p+1) / (p+1) 才對 若有發現其他錯誤，歡迎留言告知 【講義】 請到張旭老...

「根式運算題目」的推薦目錄

根式運算題目 在 ?賭Sir｜數學考試專家 Instagram 的最佳貼文

2021-09-03 14:17:26

唔少M1爭標組嘅學生，都對自己嘅能力存有錯覺，以為自己嘅失分係源於概念不清。然而，根據我多年來舉辦操卷班嘅經驗，爭標組嘅真正死穴 Careless Mistakes😵，而當中嘅「Careless」往往係有規律、有路捉，並唔係純粹嘅無運🤨⁣ ⁣ 大部份嘅失分位都係來自繁複運算當中嘅失誤❌ 例如錯正負號...

根式運算題目 在 高均數學/升學帳 Instagram 的最讚貼文

2021-08-18 20:59:51

【學測數學準備心得】 這個系列希望和大家分享 獲得老師舉辦的獎學金活動獎項的同學 在學測數學這一科是怎麼準備獲得好成績 希望不只是從老師的角度 也能從學長姐的準備方式 提供接下來要準備學測的學弟妹一些方向 方法沒有最好、只有最適合自己 如果從學長姐的心得分享 能汲取經驗運用到考試上 相信就能避...

根式運算題目 在 Spark Light 工作坊 Instagram 的最佳貼文

2021-08-18 20:27:06

｜Spark Light 工作坊｜ 📍｜主題｜ ▫️ 如何讀好數學 📍｜前情題要｜ ▫️ 如果問說最不擅長的科目是什麼，數學往往是最常出現的回答，在段考排名或者大考也往往是決定勝負的關鍵一科，LHS小編也收到或見過很多關於數學的問題，那麼究竟該怎麼讀好數學呢？數學真的就只是有天份才能讀好嗎？在了...

  • 台灣物聯網實驗室 IOT Labs

    根式運算題目 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文

    2021-08-31 15:09:55
    有 0 人按讚

    阿里巴巴 AI 「看圖回答」 測驗擊敗微軟、臉書、特斯拉，準確率還首次超越人類！

    陳宜伶
    2021-08-25

    看圖回答問題是人類生活及溝通的基本條件，但是對 AI 來說卻是一項高難度任務。

    阿里巴巴達摩學院打造出來的 AI 語言模型 AliceMind，幾天前首度打破圖像問答（VQA）世界紀錄，答題準確率甚至超越人類基準，並且擊敗同樣有參加挑戰的微軟、FB 隊伍，象徵達摩學院的人工智慧技術邁出關鍵一步。

    VQA 挑戰是什麼？

    圖像問答（Visual Question Answering）挑戰的緣起，是因為國際電腦視覺與技術辨識大會 （Conference on Computer Vision and Pattern Recognition，CVPR）希望鼓勵企業攻克 AI 多模態機器學習（MultiModal Machine Learning）的難題，因此從 2015 年開辦 VQA 挑戰賽，吸引來自世界各地的網路企業、科研單位參賽。

    今年的 VQA 挑戰賽和往年一樣，題庫包含了超過 25 萬張真實照片，總共有 110 萬道題目。這些題目會考驗 AI 是否能辨別圖像，比如說在一張人群的照片中算出有幾個兒童、或是在圖片中辨認出書桌上的車鑰匙，進而推測房間主人是有車的。

    VQA 技術已經被廣泛導入阿里巴巴平台，像是它的 AI 客服機器人「小蜜」（Alime）就已經被淘寶、天貓商家等電商平台採用。消費者輸入問題後，AI 客服會根據商品資訊和顧客問題給出答案。

    另一方面，VQA 技術不僅能運用在電商，還可用於醫學圖像辨識，以及電動車的智慧駕駛分析。

    阿里巴巴的 AI 模型為何成績能夠超越人類？

    這幾年人工智慧（AI）逐漸滲透到各行業，也推動更多科技革命，AI 技術逐漸成為企業數位轉型、對抗疫情，並讓經濟重返正軌的重要力量。

    由阿里巴巴達摩學院打造的 AI 深度語言模型系統 AliceMind 在這次的 VQA 測驗中，答題準確率拿到 81.26%，首次超越了人類答題的準確率 80.83% ，更讓馬雲投資的達摩學院在 AI 發展上取得重大進展。

    AliceMind 採用了多種專有技術，包括多樣化的視覺表示（diverse visual representations）、「多模態」預訓練語言模型（multimodal pretrained language models）、「跨模態」語義融合和對齊技術（ adaptive cross-modal semantic fusion and alignment technology）。這些技術不僅可以讓阿里巴巴的 AI 理解問題並分析圖像，還可以讓 AI 用近似人類的語感回答問題。

    阿里巴巴達摩院自然語言處理（NLP）負責人 Si Luo 表示：「這代表我們在『機器學習』領域又取得了一個重要里程碑，AliceMind 在視覺與文本的『多模態』理解及推理上，測試分數媲美人類認知水準，彰顯了我們研發 AI 的努力成效。」

    打造出這款 AI 模型的達摩學院是什麼來歷？

    2017 年，馬雲認為阿里巴巴應該要把眼光放遠，致力解決未來世界經濟、社會等問題，在此願景下成立了研究單位「達摩學院」（ DAMO Academy），號稱要在 3 年投入超過 1000 億人民幣，將重點放在基礎科學和顛覆式技術創新研究上。

    Si Luo 表示，人工智慧分為運算智慧、感知智慧、認知智慧及創造智慧 4 個層次。這次 AliceMind 參與的 VQA 測試內容屬於認知智慧部份。

    負責人也補充說，這不代表有一天我們會被機器人取代，反而這些智慧機器可以用來輔助我們的日常工作和生活，因此人們可以很專注在他們擅長的創作上。

    資料來源：https://buzzorange.com/techorange/2021/08/25/vqa-ai-alibaba/

  • Taipei Ethereum Meetup

    根式運算題目 在 Taipei Ethereum Meetup Facebook 的最佳解答

    2021-08-09 22:53:44
    有 8 人按讚

    📜 [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

  • 賭Sir（杜氏數學）

    根式運算題目 在 賭Sir（杜氏數學） Facebook 的精選貼文

    2021-08-06 21:30:50
    有 3 人按讚

    唔少M1爭標組嘅學生，都對自己嘅能力存有錯覺，以為自己嘅失分係源於概念不清。然而，根據我多年來舉辦操卷班嘅經驗，爭標組嘅真正死穴 Careless Mistakes😵，而當中嘅「Careless」往往係有規律、有路捉，並唔係純粹嘅無運🤨⁣
    ⁣
    大部份嘅失分位都係來自繁複運算當中嘅失誤❌ 例如錯正負號、作答混亂、睇錯數字，尤其是 Probability Distribution 嘅題目，往往需要抄寫一堆小數點後五、六個位嘅機率數字，除咗易寫錯同易睇錯之外，寫得亂更加會影響考試情緒😐 除此之外，高估自己筆算能力而放棄用計數機驗算，亦係屢見不鮮嘅壞習慣。⁣
    ⁣
    一個小失誤分分鐘冇成 10 分😱⁣
    以上嘅失誤看似小事一樁，但實情係 M1 嘅題目經常環環相扣，尤其是 Section B 嘅 Probability 文字題，以及 Trapezoidal Rule 嘅 Error 題，一個小失誤能夠導致損失超過 10 分，嚴重粗疏嘅爭標組同學，更有機會墜入護級組別。⁣
    ⁣
    多啲善用計數機驗算🧮⁣
    喺爭標組嘅溫習策略裏面，必定要有檢討及制定「作答系統」嘅環節，用熟各種題型嘅答題格式，每次都以固定嘅劇本作答，而且喺過程裏面建立計數機驗算嘅習慣，盡量減少筆算、甚至係心算嘅比重，例如善用 CASIO 計數機嘅外置 Program 計算各種 Distribution 嘅 Probability，以及 Trapezoidal Rule 嘅最終答案，仲有善用 CASIO 3650p 嘅 Differentiation 以及 Integration 內置功能，將答案嘅準確度提升至100%，直接鎖定得分😍⁣
    ⁣
    ---------⁣
    #M1解題王 會以題目 keyword 切入，同你極速 KO M1 題目；記住 Save 低個 post，方便你大考前攞出嚟溫🔥⁣
    ------------⁣
    🎲賭Sir｜高階數學考試專家⁣
    ⁣
    🎓21 項數學公開試．以一 Take 過考取完美戰績⁣
    ⁣
    DSE：Math+M1+M2【5**】⁣
    CE & AL：Math+A.Math+Pure+Applied【A】⁣
    IAL：C12+C34+F1+F2+F3+M1+M2+M3+S1+S2+S3+D1【A】⁣
    IGCSE：Mathematics+Further Pure Mathematics 【9】⁣
    ⁣
    🖥最高人氣補習網紅‧貼地教數別樹一格⁣
    ⁣
    頻道 #杜氏數學 2016年創辦，訂閱65,000+，多條教學影片點擊100,000+；2018年獲出版社邀請，撰寫暢銷書《5**數學男人嫁得過》推廣「聰明應試」理念，並鼓勵年青人堅守自信。⁣
    ⁣
    🧠以心理學、高效學習融入補習教育當中⁣
    ⁣
    從中文大學風險管理學士畢業之後，鑽研超速學習法（Ultralearning）及教育心理學，將高效學方法先行用於自己身上，無間斷學習新知識；四年後重返校園，完成中文大學數學碩士（大數據分析）課程，期間考入門薩學會（Mensa），實證超速學習法。⁣
    ⁣
    🏆座右銘⁣
    ⁣
    好多人以為自己因為對數學無興趣，所以數學低分；事實剛好相反：因為自己數學低分，所以對數學無興趣。試諗下，若然你有歌神嘅聲線，你仲會對唱歌無興趣嗎？⁣
    ⁣
    ------------⁣
    #數學 #DSE #dser #math #maths #afterschool #dsemath #examskills #mathtutor #followme #2022DSE #2023DSE #2024DSE #tutor #mathtutor #DSEfighter #tutotial⁣

你可能也想看看

搜尋相關網站