周末在家选了一个电视剧，最初几集状态游离，后续逐步进入剧情，越看越有意思，简直停不下来。这样的感受，不止一次，很多电视，只要坚持看一阵子，就会上瘾。
原因何在，初期没有入戏，是对故事剧情，人物关系都不了解，信息突兀也不完整，理解起来较为困难，云里雾里的。随着剧情推进，迷雾逐渐打开，对剧情的把控能力提升，可以跟着剧中人物同喜同悲了。关键点，还是在于熟悉了。若是一致都在晕头转向，恐怕谁也不会坚持看下去。
我们这次要拟合的关系是一个一元二次方程 目标 * 理解参数初始化对于模型效果的重要影响。 * 学习模型训练过程中，如何通过观察损失值相应的调整学习率、epoch大小。 数据构建 这次我们在准备数据的时候，就将数据进行划分好，总训练集100个，训练集90个，测试集10个。 # 生成准备y = x^2 + 2x + 1数据，共100个点，并按9:1的比例划分为训练集和测试集,并保存到CSV文件 import numpy as np from sklearn.model_selection import train_test_split # 生成输入数据 x = np.linspace(-10, 10, 100) # 在[-10, 10]范围内生成100个均匀分布的点 # 生成目标输出数据 y = x**2 + 2 * x
在现代人工智能技术中，神经网络通常被应用于复杂的非线性问题，如图像分类、语音识别和自然语言处理。然而，即便是简单的数学关系，像一元线性方程（y = ax + b） 的拟合，对于理解神经网络的基本原理、训练过程及其局限性会是很好的学习案例。 本文将探索如何利用神经网络来拟合这样一个简单的线性方程。我们将从零开始搭建一个基础网络，通过逐步训练，观察网络如何学习到输入与输出之间的线性关系。通过这个简单的示例，我们不仅可以验证神经网络的学习能力，还可以揭示一些训练过程中的常见挑战和优化技巧。 选择拟合的目标方程是： 目标 * 对可视化探索、模型构建、模型训练、模型测试有一个全程直观了解。 * 观察学习率、epoch调整对结果训练结果带来的影响。 数据构建 先来手动制作一批训练数据，以便为神经网络提供可用于拟合的样本数据。可以快速编写一个小脚本，生成 100 对 (x, y) 数据点，并将其保存在 train.csv 文件中。我们选择了一元线性方程 y = ax + b 的形式，后续构建神经网络及训练的目标是，通过训练逐步学习到系数 a
今天在填明年海外部门预算，以往都是敷衍了事，没有在意，这次专门看了具体条目，以及金额数量，才发现预算金额如此庞大，再加上idc成本，人员成本，场地费，税务，剩下的就没多少来。一直以为挣了好多好多，结果算上来净利润还是在百分之三十左右，虽然说对比其他行业来说，已经是一个非常不错的水平了，但对于之前没有详细算过账的感觉来说，一下就打破模糊的偏差认知了。 这个利润率，也是公司坚持投入了好多年，才逐步打平以至营收的。 具体办企业与小商店在底层逻辑上有哪些共同点呢。 一，最后的利润，都是钱经过层层漏斗，漏到最后能留下来的，才是最后到口袋的。哪一个环节没有做好控制，都容易入不敷出。每个环节的成本控制，都不可忽视。对于负责人或老板来说，对每个环节的成本支出必须做到了然于胸。 二，外部合作必不可少，不管是企业还是小商店，都只是经济环节中的某一环，都会有上下游合作方，对于软件公司来说，云平台、支付渠道、投流平台等都会涉及到与其他企业的利益分配。对于小商店来说，进货商、场地租金、营收工具等都需要花钱解决，商店本身只负责末端售卖。大家都是整条产业链中的一环，参与进来才是最重要的。 三，都会有成本，
似乎好久没有看到十分精彩的电影了，新出的电影观影过程中几乎就能才到后续的发展，总会感觉似曾相识或过于老套，引发了一个思考 - 好的故事创意是否不会枯竭。 如果不会枯竭，说明创意是一个永不会灌满的大水池，想不出创意只是能力问题，创意的点还无穷无尽。如何论证呢，无法论证，但是能计算，何解？ 创意也可以分解为创意点的组合，将人类有史以来所有的故事放在一起，进行分解，可以提取出不同维度的要点，并且每个要点都会是可枚举的，即便是还未被创作出来的，其要点数量也会是可枚举的，可枚举的要点排列组合在一起，就会是一个有限数量大小。 如此看来，整个池子是一个固定数量，前面的创意点相对容易挖掘，越到后面，越难挖掘出来，想必这就是电影越来越难以创新的原因了，已挖掘的创意点多了，后续创意需要避开现有点才能被称为创意。 站在人的维度，看的电影越多，后续能触动到你的点就越少了。