拟合数据和预测的区别，预测值和实测值怎么拟合

今天小编为大家分享Windows系统下载、Windows系统教程、windows相关应用程序的文章，希望能够帮助到大家！

深度学习过程中，精度已经很高了为什么还在val loss一直在下降？

准确度是从样本的角度来说的，比如有100个样本，有97个预测正确，那么你的模型的准确率就是97%。

损失是从样本的标签的角度来说的，比如二分类问题，样本的标签为y=1和y=0。现在有一个y=1的样本，那么模型预测它的概率值为0.97，那么此时按照平方损失函数来说，它的损失是（1-0.97）²，也就是说即使模型预测正确了，还是会产生损失。

现在正式回答你的问题，你现在的模型的准确度已经很高了，那么这只能说你的100个样本中有97个预测准确了，什么叫做预测准确呢？对于y=1的样本来说，预测结果为0.51和0.99都算是预测成功了，但是二者产生的损失却不一样，一个是（0.51-1）²，一个是（0.99-1）²。

如果你看懂上面的问题，那么你就应该知道了，出现你这种情况的原因是，大多数样本都已经预测准确了，但是随着预测的进行，不断将模型从预测0.51到0.99了，所以你会看到你的模型准确率不再提高，但是模型损失却不断降低。

这是好事吗？我觉得这可能是好事也可能不是好事。有可能你的模型的拟合能力不断增强了。但是有可能出现过拟合问题，所以此时一定要注意，如果是我，每训练一次我就在验证集上跑一次，此时关注验证集的准确率，如果你发现训练时间越久，验证集的准确率反而在降低，那么此时你就可能出现过拟合了，不过也不要着急，此时你可以用即时停止的方案。

LeCun 曾在推特中表示：深度学习并不像你想象的那么令人印象深刻，因为它仅仅是通过曲线拟合产生的插值结果。

但在高维空间中，不存在插值这样的情况。在高维空间中，一切都是外推。一定程度上也证明了深度学习中一切都是外推！

既然是外推，为什么深度学习能够工作的如此之好呢？从万能逼近定理就解释不通了，我觉得万能逼近定理基于的是“预测时的数据位于内插区域”的假设。

#头条创作挑战赛#

#ESO天文酷图# #天文酷图#

【恒星Psi Phoenics的“能见度曲线”】

【信息来源日期：2001年11月5日】

这张图表显示了红巨星腓尼基星的“能见度曲线”，在两个夜晚（16个数据集；右侧三个点）用两个VLT UT（ANTU+MELIPER）测量天空中三个不同位置，在四个夜晚用40厘米的测试恒星定距仪测量16米基线（8个数据集，左侧一个点）；见下文。根据拟合曲线，角直径的初始值为8.21±0.02毫弧秒（mas）。

来源：ESO

版权：ESO

翻译：baidu*

*：此为机器翻译且未人工审核，可能有不通顺的地方。

ESO：欧洲南方天文台是在南半球研究天文学，组织的一个研究机构，由15个国家组成和支援的一个天文研究组织。它成立于1962年，目的是为欧洲天文学家提供先进的设施和捷径以研究南方的天空。这个组织总部设在德国慕尼黑附近的加兴，雇用了约730名工作人员，每年并接受成员国约1亿3100万欧元的经费。

发布时间：2022年12月03日07时57分53秒

同步自我的微博：

前面有人问个问题回答下吧。

通常来说为了防止系统突然死亡的情况（过度拟合的交易系统最容易出现）

若杠杆不变的情况下，最大回撤变成历史回归之中最大回撤的两倍以上，则要注意策略出现问题。若杠杆变高而变大则折算对应的比例即可，但一般都是以两倍为准。全职交易者最好控制在1.5倍作为实际交易的预期值。

用人话来说，曾经这套规则的1手最大回撤是1000元，现在变成1手最大回撤3000元，则你系统存在逻辑上的问题可能不具备交易优势。你要检测你是否存在过度拟合或统计样本过小过短。

通常是这个标准。若要更精细可以结合ATR变化再计算但可能会过于复杂所以只要记录你的最大风险和最大连亏即可，他们之中的MAX就是你的最大回撤。

直接使用最大回撤可以实现最为简单有效的资金管理。讲义里的最大风险管理法就是这个逻辑。下次我录的时候可以重新提一下。

最大回撤是交易系统当中最为重要的指标之一，因为它决定着你交易系统的质量。

比方说盈利100万最大回撤为50万的系统，在我眼里就远不如盈利80万最大回撤为10万的系统。

本文重点：

这节课主要介绍了监督学习是什么？从两个角度来说的，回归和分类。其基本思想是，我们数据集中的每个样本都有相应的"正确答案"。在根据这些样本作出预测，就像房子（回归）和肿瘤（分类）的例子中做的那样。此外我们还介绍了回归问题，即通过回归来推出一个连续的输出，之后我们介绍了分类问题，其目标是预测出一组离散的结果。

监督学习

假如说想要预测房价，我们现在有一些数据，现在我们把这些数据再坐标轴中画出来，横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是千美元。

现在假如有一套 750 平方英尺房子，那么这房子值多少钱？

应用学习算法在这组数据中拟合一条直线，根据这条线我们可以推测出，一套 750 平方英尺房子可能卖$150,000，当然这不是唯一的算法。

我们还可以用二次方程去拟合这些数据，可能效果会更好。根据二次方程的曲线，我们可以推测出这套房子能卖接近$200,000。

当然这两个方案中有一个能更准确的预测房子的价格。这个是监督学习算法中非常好的例子。

回归问题

所以我们可以看出，监督学习指的就是我们给学习算法一个数据集。这个数据集由"正确答案"组成。就比如在房价的例子中，我们给了一系列房子的数据，我们给定数据集中每个样本的正确价格，即它们实际的售价，然后运用学习算法，算出未知样本的正确答案，就比如那个750 平方英尺房子的卖的价格。

房价预测的问题叫做回归问题。回归这个词的意思是，我们在试着推测出这一系列连续值属性。因为我们试着推测出一个连续值的结果，也就是房子的价格。

分类问题

经典的肿瘤预测问题，我们可以建立一个机器学习算法，用来根据病例来推测乳腺癌良性还是恶性。

现在有一个数据集我们将其画在图中，横轴表示肿瘤的大小，纵轴上标出 1（恶性） 和 0（非恶性），现在我们有 5 个良性肿瘤样本，所以y=1的位置有 5 个恶性肿瘤样本。

假如现在有一个人获得了肿瘤，那么能否根据肿瘤的大小估算出他的肿瘤是恶性的或是良性的概率。这就是一个经典的一个分类问题。

分类指的是，我们试着推测出离散的输出值：良性（0）或恶性（1），而事实上在分类问题中，输出可能不止两个值。比如说可能有两种乳腺癌，所以你希望预测离散输出 0、1、2。

其中0 代表良性，1 表示第 1 类乳腺癌，2 表示第 2 类癌症，这也是分类问题，也就是说分类不只是二分类问题。

我们上图中只有一个肿瘤的尺寸大小这个特征，其中正样本用圈表示，而负样本用※表示。

而有的机器学习的问题中，通常有更多的特征，就还拿肿瘤来举例子来说，可能不仅有肿瘤的大小，还有肿瘤的密度、形状等等特征。

回归和分类总结

回归举例：

你有一大批书籍，你有了前几个月的数据，现在你想预测接下来的三个月能卖多少件？

分类举例：

你收到的邮件，对于每一封邮件，判断是正常邮件还是垃圾邮件

监督学习3.1

五大统计数据，证明重庆抗疫，距离全面胜利，不太远了！11月23日晚上的重庆疫情发布会，极其振奋人心，让重庆人更加坚定了全域协同防控的信心和决心！嗯，具体如下：1，社会面感染者占比逐日下降，从11月12日的62.65%，下降到23日的7.2%。

2，11月23日全天，九龙坡区、渝北区、巴南区、两江新区、高新区的社会面占比低于5%，社会面攻坚清零有了新的进展。

3，有效传播指数（Rt值，也就是一个感染者平均能够传染的人数）稳步下降，采取全域协同防控后，中心城区有效传播指数（Rt值）从11月11日一个感染者平均能够传染1.82人，逐日下降到11月22日的1.14人；如果有效传播指数继续下降到小于1，新感染人数就会越来越少，最终会终止疫情。

4，根据流行病发展拟合S型曲线分析，用累计数据反推新增数据，我市拟合累计曲线R2=0.999，新增数据曲线R2=0.959，感染人数高度符合规律。用发展曲线分析，我市实际新增感染数据已于近日达到峰值。从这几天实际感染数据看，新增感染人数仍在高位波动，前期疫情防控已经取得初步成效，说明采取措施是正确有效的，疾病蔓延趋势逐步得到控制。但仍处关键的吃劲紧要期，需要全社会持续共同努力，积极落实疫情防控各项措施，特别是尽量减少人员流动十分关键、十分重要。

5，每日感染者环比增速逐步下降，用每日初筛阳性人数分析，每日环比增速从11月12日的23%下降到了11月23日的12%。

只是，关键时刻，更加不能掉以轻心，不能松劲，不能麻痹大意，不能掉以轻心！每个人都要切实做好自己健康的第一监护人！每个人，都要更加重视自己的个人卫生安全防护！每个人，都要杜绝敷衍了事、马马虎虎的戴口罩，都要杜绝随地吐痰！在疫情没有结束之前，尽量不要聚集，聚集的时候不要聊天吹牛抽烟！#重庆头条# #光线摄影学院曾兰老师#

数据及模型表明，中国新能源汽车市场已达临界值，进入“到达渗透率临界值之后加速渗透”的加速成长期：

1.中国新能源汽车市场不断创历史：前九个月就实现年度规模首次超200万、渗透率首次超11%、其中乘用车渗透率首次接近2025达20%的目标

2.中国新能源汽车市场，无论是规模还是增速，全球领先

3.根据波士顿咨询公司的科技产品的拟合研究结论：S曲线模型。

一种新产品或商业模式占有率若达到某个特定值（根据历史经验一般为10%，部分产品和模式可能在3%/5%/15%时步入加速成长期，但临界值几乎在20%以下）之后则将进入到加速渗透阶段。

根据这一理论：我国新能源汽车市场已进入“到达渗透率临界值之后加速渗透”的加速成长期，即将踏入S曲线的陡峭阶段

4.挪威新能源汽车市场的新能源汽车渗透曲线验证这一理论的正确性

偏振光探测器新进展

背景介绍

偏振光信号可用于偏振探测与成像。随着集成电路的发展，小型化、集成化和低功耗设计已成为偏振检测的重要方向。对于普通的偏振光检测器中，特定结构的光学介质（例如等离子微腔，量子阱和超晶格结构材料）已被用作偏振滤光材料。但是，这些光学介质无疑会增加设备的尺寸和复杂性。最近，具有面内低对称性和强的极化敏感性的二维材料，例如黑磷，黑砷，锑等，被人们广泛应用于偏振探测器中。越来越多的二维偏振探测器被科学家关注与研究。

成果简介

近日，中国科学院半导体研究所魏钟鸣课题组助理研究员杨珏晗和博士生崔宇、周子琦报道了基于各向异性材料SnS纳米片的具有波长选择特性的偏振光探测器。通过扫描电子显微镜和偏振拉曼光谱确定SnS纳米片的晶格方向。沿着SnS纳米片的偏振易轴制备光电探测器并进行光电测试。测试结果显示，SnS纳米片的迁移率为37.75 cm2· V-1· s-1，光响应度为310.5 A/W，450nm激光器照射下，器件的外量子效应高达8.56×104%。

SnS纳米片的吸收二向色性比在862nm波长最大，达到3.06。在入射偏振光波长为450-1550 nm的范围内，仅表现出对808 nm的明显偏振光响应。因此可认为SnS纳米片器件对于808 nm具有选择性偏振响应这项研究揭示了SnS具有应用于特定波长的偏振光检测潜力。

图1.（a）SnS体材料的光学图片；（b）SnS晶体的原子堆积图；（c）SnS晶体的高分辨扫描电子显微镜图像；（d）[001]晶向的电子衍射图谱。

要点1：SnS单晶结构表征

SnS晶体属于斜方晶系的二维层状半导体材料。从图1（b）中可看出其晶体结构具有面内低对称性的特征，层与层间由范德瓦尔斯力结合。本次研究中，采用化学气相输运的方法制备了高结晶度的单晶SnS晶体。将得到的SnS单晶测量扫描电子显微镜可清晰的看到材料的原子像及电子衍射图片，如图1（c），（d）所示。图1（c）中橙色小球对应S原子，紫色小球对应Sn原子。与晶体堆积图的a轴和b轴对应，确定样品的armchair方向和zigzag方向。

图2. 基于SnS纳米片的吸收各向异性测量。（a）用于测量吸收各向异性的SnS纳米片显微镜图像；（b）不同角度的吸收谱（c）808nm、862nm、1447nm下，吸收与角度依赖关系图（d）zigzag方向与armchair方向的吸收二向色性比（e）zigzag方向与armchair方向的吸收二向色性差（f）808nm下吸收的极坐标图谱

要点2：SnS纳米片的吸收各向异性测量

将确定好armchair方向和zigzag方向的SnS纳米片进行吸收各项异性测试，不同波长的吸收二向色性比如图2（d）中所示。我们可以清晰的看出，在300 nm-750 nm波长下，吸收无各项异性，二向色性比为1。在750 nm-950 nm波长下，出现吸收各项异性，862nm的各向异性达到最强，其二向色性比为3.06。950 nm之后，吸收的各向异性减弱，其吸收主要为激子吸收而非材料本征吸收。

图3. (a) 基于SnS光电探测器不同波长照射下的光响应角度依赖图谱；（b）808nm激光照射下，偏压与角度依赖的光响应高度图；（c）808nm激光照射下，器件光电流的角度依赖极坐标图。

通过机械剥离的方法，将SnS纳米片转移到SiO2/Si衬底上制备两端电极。将线偏光照射在样品表面，改变线偏光的入射方向，测量器件的光电流。图3（a）为不同波长下的光响应角度依赖，可以看出与吸收谱一致，其各向异性在800nm最为显著，因此，我们将SnS纳米片的偏振探测集中在800nm附近。图3（c）为808nm偏振光照射下，器件偏压为1V时，器件的光电流与角度的极坐标图。其中，黑点数据为实验值，红线为拟合曲线。拟合得到基于SnS纳米片的偏振探测器在808nm的偏振二向色性为1.2，且器件性能稳定，可循环探测.

参考文献

网页链接

期货交易技术分析——振荡指标（八）：相对强弱指数

在所有目前广泛应用的动量振荡指标中，相对强弱指数（RSI）与基本的技术分析方法，如趋势线、图表形态、支撑和阻力线等对应得最好。

在RSI中运用这些方法，同时使用超买超卖水平和背离，可以得出对市场运动非常有价值的预见。

RSI是把某日收盘价高于前日收盘价时的价格升高值作为相对强势，与某日收盘价低于前日收盘价时的价格降低值做比较；其公式是：RSI=100-[100/(1+RS)]，其中RS是特定天数里上涨日的收盘变化值的平均数除以同样天数里下降日的收盘变化值的平均数。

例如，计算一个9天的RSI，首先把9天内价格上涨日里获得的点相加除以9；再把9天内价格下降日损失的点相加除以9；然后，用上涨平均数除以下降平均数，得出相对强势(RS)；最后，把RS值代入RSI公式得出一个振荡指标，其数值在0到100之间摆动，而超买和超卖水平一般定在70和30。

当然，任何指标我们都可以自行调整其构建参数，但过度拟合绝不是最佳的策略；RSI自然也不例外…

P.S.：

1、当RSI不能确认一个新低（多头背离）或新高（空头背离）时，通常产生RSI最可靠的买进和卖出信号；

2、多头或空头的RSI背离后，应将注意力集中在市场本身的价格运动上，进而等待价格变化确认RSI信号。

厦门大学：二维h-BN新型电导研究取得重要进展

研究背景：

双极性导电半导体，即p型导电和n型导电层，是构筑光电子器件的重要基本结构。宽禁带半导体（如AlN、GaN、Ga2O3、h-BN等），天然就存在着严重的p、n型掺杂不对称和电导不对称的根本性难题，制约了深紫外光电子器件性能及消毒杀菌应用的发展。也就是说，一旦其n型导电容易获得，p型导电则非常困难，反之亦然。对于近年来受到广泛关注的新型超宽带隙（> 6 eV）h-BN半导体，目前学术界已经实现了有效的p型导电性，但n型导电问题至今一直无法获得突破。

核心创新点：

蔡端俊教授团队在研究中发现，h-BN中的传统n型施主杂质能级（如O、Si、Ge）在禁带中位置都很深，是导致其难以电离激活导电的本质原因。针对此难题，该团队提出了一种Ge-O配位耦合掺杂的理论和方式，引入牺牲性O杂质的轨道耦合作用，对深施主能级进行精细调控，促使其转变为浅能级。实际探索中发现，利用O的 2pz轨道与Ge的4 pz轨道之间强烈的耦合作用，可引发π键和π*键能级的分裂，当通过分裂产生其中一个牺牲性的、更深的能级，则可以有效地将另一个施主能级推高，致使其成为极浅的能级，离化能可减小至接近0 meV而获得有效导电。

实验上，采用低压化学气相外延（LPCVD）方法，引入GeO2作为配位掺杂剂，实现了Ge-O杂质在二维h-BN薄膜中的原位耦合掺杂，电学测试证明通过Ge-O的耦合掺杂，成功在单层h-BN中获得了有效的导电性，其中面外与面内电流分别达到了~100 nA与~20 nA，比本征非掺h-BN（~ pA）以及单质Ge掺（~ pA）、单质O掺（~ 0.5 nA）h-BN都提高了两到三个数量级。通过UPS能谱的测试可知h-BN:Ge-O薄膜的功函数（~ 4.1 eV）显著低于本征h-BN（~ 7 eV），证明其为n型半导体。场效应晶体管FET的器件测试同样证明了h-BN:Ge-O薄膜为n型沟道，并且计算获得其自由电子浓度达到了1.94×1016 cm-3。这是目前国际上第一次终于在超宽禁带半导体h-BN中实现有效的n型导电。课题组同时还完成n型h-BN与p型GaN的垂直型p-n结的制备和表征，获得了高整流比(167.7)和超低电容(pF量级)，展现出开发未来新型高频、高响应光电子器件的巨大优势。

成果启示：

本工作通过轨道耦合的杂质配位掺杂技术为克服h-BN中n型电导难题提供了可行的方案。h-BN中高效n型导电性的实现可有力推动基于双极性导电h-BN的新型二维深紫外光电器件的发展。另一方面，轨道耦合掺杂概念和技术的提出，也可以为宽禁带、超宽禁带半导体中杂质或缺陷能级的调控提供有力手段，并且帮助克服电导不对称的根本性难题。

图文解读：

图1. (a) h-BN中深施主能级示意图；(b) 轨道耦合调控施主能级浅能化的原理示意图；(c) h-BN:Ge-O, (d) h-BN:Ge-O2, (e) h-BN:Ge-O3体系的能带结构图；(f) 三温区LPCVD系统生长n型h-BN的原理示意图；(g) Ge-O掺杂h-BN薄膜外延过程中的反应路径示意图。

图2. (a) h-BN的SEM形貌图及其转移到SiO2衬底上的照片；(b) AFM单层厚度表征；(c) TEM原子分辨图；(d) 二次电子衍射图；(e) 本征h-BN及h-BN:Ge-O薄膜的吸收谱；(f) h-BN:Ge-O薄膜的拉曼光谱；(g) h-BN:Ge-O薄膜的AES组分表征；(h)-(k) h-BN:Ge-O薄膜的B 1s、N 1s、Ge 2p和O 1s的XPS能谱。

图3. (a) 本征h-BN和h-BN:Ge-O薄膜CAFM测试中电流的线扫描结果，其中插图CAFM的测试示意图；(b)-(c) 本征h-BN及h-BN:Ge-O薄膜CAFM测试的电流Mapping结果；(d) h-BN:Ge-O薄膜转移至蓝宝石衬底上Au插指电极阵列的光学显微照片；(e) 本征h-BN和h-BN:Ge-O薄膜的I-V特性曲线；(f) h-BN:Ge-O薄膜的UPS光谱；(g) h-BN:Ge-O薄膜作为沟道层的FET器件和测试示意图；(h)-(i) h-BN:Ge-O单层FET器件的输出特性和转移曲线，插图为器件的实物照片。

图4. (a)-(b) 基于n型h-BN和p型GaN的垂直异质结示意图及实物照片；(c) n-hBN/p-GaN异质结的能带排列示意图；(d)-(e) 线性和对数坐标下基于1层和6层h-BN的n-hBN/p-GaN异质结的I-V特性曲线；(f) 有效电容值随频率的变化趋势及其拟合曲线，以及在3 MHz时的1/C2-V曲线。

大部分新能源车都会让人更容易晕车[晕][晕][晕]

新能源车之所以更容易晕车，是因为抬起油门踏板就开始动能回收了，于是行驶-减速-行驶-减速的切换就会比燃油车频繁很多。

于是，人眼收到的信号和带着减震系统的车身给人体的信号之间总是有延迟。这样的延迟频繁了，人就会晕车。

但为什么说是大部分新能源车是这样呢？难道还有新能源车不会更晕吗？有的。因为只要车厂愿意把动能回收的强度往燃油车的驾驶特性上拟合，就可以做到和燃油车一样的驾驶感受。这样的话，就不会更容易晕车了。

在车辆的研究中，有统计是这样的：日常驾驶中，一半以上的刹车的加速度是 -0.05g。1g 就是 1 个重力加速度。0.05g 就是 0.05 个重力加速度。这个减速和自动挡汽车松开油门踏板后滑行的减速效果是一样的。

纯电动汽车这么设定起来，当然是没有任何难度的，只是很少有厂家愿意这么设定。因为电量实在太宝贵了，这么轻度的减速真收不回多少能量。

今天，大部分新能源车的设定值是这个值的 3-5 倍。换句话说，大部分新能源车为了回收更多的电，会把松开油门踏板后的减速效果提高好几倍，导致这些车和燃油车的驾驶感受就差别很大。

当然，也有少数厂家把选择权留给了用户，比如用户可以设定回收强度，当你选择最低或者关闭动能回收的时候，就类似于燃油车的驾驶特性。

此外，想要驾驶新能源车不晕车，还有一种方法，就是练就一身黄金脚的功夫[笑哭][笑哭][笑哭]

每次抬起油门踏板的时候，都能精准的落在动能回收恰好为零或者非常弱的那个角度上，这样也能减少晕车。

然后就是，两种车的刹车习惯不同，会不会有危险呢？

这方面的法规要求是很严格的。起码从当前各国的车辆标准上，官方并没有认为纯电动汽车的刹车是更不安全的。

实际情况其实是：

从燃油车切换到纯电动汽车后，新的刹车方式是更安全的。因为就算司机按照原来燃油车的习惯刹车，还是要去踩刹车踏板，那么除了踩踏板提供的机械刹车力外，在他的脚刚一离开油门踏板时，动能回收就已经开始启动了，所以最后的刹车是两类刹车效果的叠加，于是会比之前刹得更深一些。所以，从燃油车过渡到新能源汽车后，刹车其实是更安全的。

但还有一种例外情况，就是最开始时开的就是纯电动汽车，这样的司机切换到燃油车后，在刹车习惯上是更危险的。以为抬起油门踏板就开始刹车了，结果发现，哎？车辆怎么没有减速？这时再去踩刹车，中间延迟的零点几秒就提高了风险。

以上内容依据卓克老师《科技参考2》第156课。

在深度学习的过程中，很多神经网络都会用到各种卷积核来进行操作，那么我们就简单讲一下卷积的原理和实现过程。

那么卷积在神经网络中的作用是什么呢？一开始的传统神经网络是没有卷积层的，都是隐藏层加生全连接层的结构，这样在中间得到的特征都是线性的，不能提取到一个局部的特征。而卷积神经网络的出现解决了这个问题，通过对一个局部区域进行卷积操作得到这个局部区域的特征值传入下层大大提升了神经网络提取特征的能力，并且还减小了数据的大小。

可以看到这是一个3*3的卷积核在步长为1的方式遍历这个矩阵，卷积核与其遍历的覆盖区域进行一个点乘(其实是协相关)的运算得到一个值存入后面的矩阵，这样通过卷积核与数据矩阵的遍历运算就可以直接提取（局部感受野）一小块区域的特征，而不必像传统神经网络一样一个值一个值的提取。

Padding的作用

同样的上面这种具有缩放功能的卷积操作，如果这时候我们需要的是跟原来的数据一样大小矩阵传出要怎么做呢？这就是Padding的意义：

可以看到上图输入和输出都是一样大小的矩阵，因为我们在其外围加了一个大小为1 的Padding，这样就可以满足输入输出都是一样的。同理想要扩大或者缩小只要对外围Padding参数根据上面的公式进行调节即可。

padding的用途：

　　（1）保持边界信息，如果没有加padding的话，输入图片最边缘的像素点信息只会被卷积核操作一次，但是图像中间的像素点会被扫描到很多遍，那么就会在一定程度上降低边界信息的参考程度，但是在加入padding之后，在实际处理过程中就会从新的边界进行操作，就从一定程度上解决了这个问题。

　　（2）可以利用padding对输入尺寸有差异图片进行补齐，使得输入图片尺寸一致。

　　（3）卷积神经网络的卷积层加入Padding，可以使得卷积层的输入维度和输出维度一致。

　　（4）卷积神经网络的池化层加入Padding，一般都是保持边界信息和（1）所述一样。

pooling池化的作用则体现在降采样：保留显著特征、降低特征维度，增大kernel的感受野。另外一点值得注意：pooling也可以提供一些旋转不变性。

池化层可对提取到的特征信息进行降维，一方面使特征图变小，简化网络计算复杂度并在一定程度上避免过拟合的出现；一方面进行特征压缩，提取主要特征。

BP神经网络

•BP神经网络中，每一层都是全连接的，假如输入是一幅1000*1000*1 的图像，则输入层与隐层某一个节点将有1000*1000 个权重需要训练，这会导致训练困难。而卷积神经网络的卷积层每个节点与上一层某个区域通过卷积核连接，而与这块区域以外的区域无连接。同样对于一副1000*1000*1的图像，采用10*10的卷积核，那么卷积层每个节点只需要训练100个节点；假若卷积核在图像上扫描的步长为1个像素，则卷积层需要991*991个节点，若每个节点对应不同的卷积核，则需要训练的参数依然是一个天文数字。为此，卷积神经网络提出了权值共享概念，即同一个卷积层内，所有神经元的权值是相同的，也就是用同一个卷积核生成卷积层上的所有节点。因此对于上面的训练，只需要训练100个权重。

•池化层夹在卷积层中间，其主要作用逐步压缩减少数据和参数的数量，也在一定程度上减少过拟合现象。其操作是把上一层输入数据的某块区域压缩成一个值。

全连接的作用

•卷积网络在形式上有一点点像咱们正在召开的“人民代表大会制度”。卷积核的个数相当于候选人，图像中不同的特征会激活不同的“候选人”（卷积核）。

•

•池化层（仅指最大池化）起着类似于“合票”的作用，不同特征在对不同的“候选人”有着各自的喜好。

•

•全连接相当于是“代表普选”。所有被各个区域选出的代表，对最终结果进行“投票”，全连接保证了receiptive field 是整个图像，既图像中各个部分（所谓所有代表），都有对最终结果影响的权利。

•

•全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽。

Science：超长声子寿命的纳米声谐振腔

在光学方面，具有纳米尺度几何结构的光子晶体（photonic crystals）已成为改变块状材料电磁特性的有效方法，并导致超材料能够以前所未有的方式操控光。在一些情况下会出现光子带隙，其中光被禁止传播，从而显著改变这种材料内部的光发射。

而随着声学领域技术的不断革新，同样产生了各种各样关于声子晶体（phononic crystals）的应用，如：控制热流的热晶体，用于声波无散射传输的声子拓扑绝缘体等......

在精密计量（计时和测力）领域，机械谐振腔中的能量衰减时间对其计量性能起着决定性的作用，近日，美国加州理工学院的Oskar Painter等研究人员在机械谐振腔中融合了声子晶体的技术。报道了一种具有超长声子寿命的“纳米声谐振腔”（Nano-acoustic resonator）。

补充：Oskar Painter教授自2019年起担任亚马逊云计算平台（AWS）最新组建的量子计算中心的负责人。研究人员利用声子晶体实现“屏障”（acoustic shielding）作用，进而减少了机械谐振腔中的能量衰减时间。实验测得：声子寿命超过1.5秒，谐振腔的品质因子达到了5×10¹⁰。

这种声谐振腔基于一种光机械晶体（OMC）纳米束谐振器，其原理是典型的光机械谐振腔，整个结构的示意图如图1，耦合波导（coupling waveguide）和谐振器本身都具有大小形状不一的圆孔，其对光传输的作用类似于反射镜，这样波导上下两侧的纳米束谐振器可以近似理解为简单的FP谐振腔。

图1 光机械晶体（OMC）纳米束谐振器的显微图示

同时，光学谐振腔内的光辐射力等效应使材料出现了机械的呼吸模式（breathing mode），呼吸模式反过来对光学模式的谐振产生频移，这种机械模式和光学模型相互作用，就形成了所需的光机械谐振器。中央耦合波导允许外部光纤到芯片的光耦合以及支持波导-两个纳米束OMC腔的侧面耦合。OMC腔的机械呼吸模式产生的材料形变和光学模式的谐振效应的有限元仿真结果验证了两个谐振出现在相同区域，即光机械耦合。

但通常的机械（声学）谐振都具有较大的损耗，为了最大程度地减少机械夹紧损失（clamping loss），研究人员在通常的悬臂式基础上进一步设计了悬臂的结构，引入了声子晶体结构来实现声学上的一种“屏障“。

数值模型表明，屏蔽损耗必须经过精心设计，以提供针对纳米级无序的保护，这种干扰是在器件制造过程中固有地引入的。

图2展示了这种声子晶体屏障的结构和其单位组成结构、屏蔽单元的模拟声带结构。为了实现更好的保护作用，将声带隙增加到3 GHz带宽，并且准确地将纳米束的声呼吸模式与屏蔽间隙的中心对齐。

进一步，研究人员在实验中使用振铃方法（ringdown measurement）测量了这种具有声学屏障的OMC谐振器的能量阻尼和品质因数，对系统作用一小段时间的激励，然后允许系统自由衰减，在衰减末尾再次对系统进行测量，得到能量阻尼和品质因数的相应值。如图3所示，单脉冲激光同时执行了对系统呼吸模式的激励和读出。

在具有不同周期的屏蔽结构的上执行一系列振铃测量，并拟合指数衰减曲线，研究人员发现声学品质因子先随着周期增长而指数增长，随后趋于饱和。

这里的最大声学品质因子超过了10¹⁰，相比于先前未优化的结构，实现了超过三个数量级的提升。在大声子振幅下振铃测量的声子数衰减过程，得到声子寿命为1.47s。

这些经过声学工程处理的纳米级结构为了解量子噪声的起源提供了一种平台，并可能应用在测试各种量子力学塌陷模型和混合超导量子电路中的微型量子存储元件。同时，纳米制造和腔体光力学的先进方法为探索固态材料中的量子声电学提供了一个新的工具包，例如减轻超导中的去相干性（噪声）和色心的方法和量子比特等。

这种极小“有效质量”和极窄“线宽”的OMC腔非常适合精密质量测量和探索替代量子塌陷模型的极限。量子声学设备的小规模，减少的串扰和超长的相干时间则可以显着改善当前量子硬件的连接性和性能。

文章信息

Science 13 Nov 2020: Vol. 370, Issue 6518, pp. 840-843.

论文地址

网页链接

基于超薄铁电畴反转的神经突触器件

成果介绍

由人工突触和神经网络算法组成的神经形态计算为克服当前计算体系的局限性提供了一种新方法。中国科学院物理研究所金奎娟研究员和葛琛副研究员团队研发了一种基于Pt / BaTiO3 / 掺Nb SrTiO3铁电隧道结器件的超低能耗人工突触。这些器件具有出色的忆阻器功能，且可模拟生物突触的短期可塑性和长期可塑性。

研究背景

人工智能、大数据分析、自动驾驶、语音图像识别等智能任务的飞速发展，对计算速度和能耗提出了更高的要求。但现有的计算机运行速度受到了中央处理器和存储器之间数据传输速率的限制。它以神经元和相互连接的突触为基本单元，能在低能耗下同时进行信息的处理和存储（图1a），从而大规模并行操作并解决复杂问题。

图文导读

图1c中清晰的畴边界和图1d中的180°相位差表明，在超薄BTO层（厚2.8 nm）中可以存在具有相反极化方向的铁电畴。在两个反平行畴上的导电原子力显微镜（C-AFM）测试结果如图1e所示，施加正偏压时，电流增加，这表明向下极化的畴具有低电阻状态（LRS）。在经过300次循环后，电流-电压（I-V）曲线仍有良好的可重复性（图1f），这表明该器件疲劳性能良好。

图1 （a）生物突触示意图。（b）Pt / BTO / SNTO 铁电隧道结器件的示意图。（c）BTO / SNTO异质结在±6.5 V下的PFM面外相位图。（d）BTO / SNTO异质结的局部相位图（上）和幅值图（下）。（e）异质结的C-AFM图。（f）300次可重复的电流-电压曲线。

不同脉宽下的电导-电压（G-V）回线（图2a）表明，向下极化畴的电导随着脉宽的增加而逐渐增加，最终，当脉宽超过10 ms时达到饱和。其电导状态可根据脉冲幅度和持续时间进行精细调整。为了研究铁电畴的反转动力学，可用Nucleation - Limited - Switching（NLS）模型描述铁电畴的成核和畴壁移动过程（图2b-e）。模型拟合结果表明铁电隧道结中的多级电导状态可用来构建人工突触。

图2 铁电隧道结器件的畴反转动力学受Nucleation - Limited - Switching（NLS）模型控制。其中G为电导，Son为归一化向下极化面积，t0为畴生长的特征反转时间（开关时间），w为洛伦兹分布的参数。

通过重新配置突触之间的连接强度来实现人脑的学习行为，这称为突触可塑性。突触可塑性分为短期可塑性（STP）和长期可塑性（LTP）两种，它是执行信号处理和神经计算的基础。铁电隧道结中典型的STP行为可通过施加低电压来模拟（图3a）。计算得出，脉冲宽度为20 ns的每个脉冲的能量消耗（0.2-146 fJ）比基于常规互补金属氧化物半导体（CMOS）电路的人工突触的能量消耗（≈900 pJ）低几个数量级，且与人类生物突触的能耗相当（1-10 fJ）。

兴奋性突触后电流（EPSCs）由突触前脉冲触发，并逐渐衰减至初始静止状态，这段时间称为EPSC弛豫时间。在STP模式下，当脉冲间隔超过EPSC弛豫时间时，人造突触对脉冲刺激信号的响应不会受到前一个脉冲的影响。如果脉冲间隔少于EPSC弛豫时间时，则前一个刺激信号的突触响应会增强下一个刺激信号的响应（图3b）。

从STP到LTP的过渡可以通过施加大于铁电畴反转阈值电压的突触前脉冲幅值来实现。图3c表明随着突触前脉冲幅值和数量增加，突触后电流ESPC明显增强，甚至不会衰减到原始值，这表明铁电隧道结出现了长期记忆效应。图3d表明在不同幅值和宽度的脉冲下，铁电隧道结出现稳定的多级电阻状态，这些中间电阻状态在2000 s内保持不变。图3e表明通过交替施加一系列200个相同的脉冲（+1.3和-1.75 V，50 ns），可以在12-150 µS的特定电导范围内获得具有高密度非易失性状态的长期增强（模拟学习和记忆机制）和长期抑制（模拟遗忘机制）。脉冲时序依赖可塑性（STDP）被称为Hebbian学习的一种形式，它由突触前后神经元脉冲的时间相关性引导。

图3 Pt / BTO / SNTO器件的脉冲训练，EPSC演变和STDP特性。

为了证明STP和LTP特性，使用5×5突触阵列记忆了三个字母。在电刺激之前，所有突触均初始化为高电阻状态。用字母“ I”训练后，暂时增强的电流迅速衰减到原始状态（图4b，c）。用字母“ O”训练后，会出现长期记忆，EPSC变大（图4d，e）。用字母“ P”训练后，发生短期记忆。在“ P”之后保持字母“ O”的像素（图4f，g）。总而言之，由于长期记忆的性质，在进行电子培训后仅记住字母“ O”。该实验结果清楚地表明在一台铁电隧道结器件中既具有良好的STP性能又具有LTP性能。

图4 在5×5人工突触阵列中短期增强和长期增强的动态过程。

新能源汽车值不值得购买？小讯和您简单分享下电动车的选择原因

最近，在路上跑的新能源汽车真是越来越多了！新品牌也越来越多，比较常见的主要有特斯拉、比亚迪汉、小鹏P7、蔚来E6、长安新逸动（T3出行全系列车）；

～～～～～～～～～～～～～～～～～～～

为啥越来越多的人接受新能源汽车了呢？无非新能源汽车有以下几点传统汽油车无法比拟的优势：

1、乘坐舒适性，电动车没有发动机的噪音，乘坐在车厢里明显感觉更加静谧、舒适，由于太安静了，有些厂家甚至还人为拟合出各种不同的发动机加速声，以给驾驶者更多的乐趣。但对于普通消费者来说，安静其实已经很好了！

2、动力强劲，相信这点也是很多消费者选择的原因之一。开过电动车的朋友总有一种加速意犹未尽的感觉，动力输出太线性、太直接了，超车简直不要太爽了！比如比亚迪汉据厂家标称百公里加速仅需4秒左右，这在汽车车里只有顶级跑车才能达的到吧！当然，小讯觉得日常驾驶动力够用就好，注意行车安全才是真，但在一些紧急情况下，如高速避险超车，强劲动力还是很有必要！

3、运营成本较低，主要包括两方面，其一是日常能源消耗，汽油车按正常的年使用2万公里计算，直接的油费投入可能需要10000元人民币，而电动车可能仅需1500元人民币。且电动车基本没有通行保养费用，汽油车还需更换滤芯、机油等保养。所以，较低的运营费用也是越来越多人t选择电动车作为日常代步工具的原因之一；

4、续航里程越来越高，过去，很多人无法接受电动车的根本原因还是归结为续航里程实在太短。几年前，大多数电动车续航仅为200公里左右，如果使用较为频繁，可能两三天就要充电，还限制了出行的距离，比如周末就不能到超出主城范围外去活动，这时的电动车就很鸡肋了！

现如今，随着电池技术的发展，电动车的续航最高里程已经可以达到700公里了，常见的电动车续航里程也基本可达500公里！较长的续航里程，基本已经满足大多数人日常代步而无需频繁充电的需求，同时兼顾了周末和家人到主城外耍耍的需求，毕竟续航500公里基本已经达到了很多汽油车，特别是尺寸稍大点汽油的一箱油的续航里程！

5、充电桩越来越多，不管是市政充电桩、普通停车场充电桩、企业内部充电桩，还是家中车库充电桩，只要在主城区里，充电桩数量成倍增加了。充电更加方便了也是电动车普及的前提，这一步越来越近了。

6、科技感更强，电动车不论是外在设计，还是内饰都有较强的未来感，让人不由自主的喜欢！外在，由于没有了发动机，前隔珊无需开孔散热，电动车的设计可以更加前卫，留给设计的空间更足，且车头区域也可设置物品存放处；内饰则更加炫酷，大尺寸液晶屏幕配合氛围灯，豪华感、科技感、未来感十足！

以上，仅是小讯能想到电动车所带来的好处，也是部分朋友选择电动车的原因。在此，小讯抛砖引玉，欢迎大家补充。

～～～～～～～～～～～～～～～～～～～

电动车的造车势力目前主要分两类：

第一类：早前的互联网+汽车概念，部分互联网巨头以互联网的思维、资金投入造车行业，拼命融资烧钱，炒概念，借助新能源的政策利好，最先注册新能源汽车的企业多达百家，但真正存活下来的可能也就现在能看到在路上极少数跑的，比如蔚来、小鹏等，这一类是新造车势力；

第二类：传统的汽油车企业也纷纷投入新能源汽车的，包括几大自主品牌，如长安汽车、吉利汽车、奇瑞汽车等，传统汽车企业的优势在于不管是研发、设计、制造、测试等各环节都有着丰富的经验和完善的管理体系，同时也有着完善的供应商体系支撑！已经在市场上出售运行的车辆数百万辆，是经过市场检验的。

～～～～～～～～～～～～～～～～～～～

小讯从网络上被奇瑞新能源最新发布的一款电动车产品吸引了，带大家了解下。

奇瑞新能源推出的@LIFE绿色智慧模块化技术平台下的首款车型——大蚂蚁，展现出奇瑞不俗的造车实力：

1、续航上达到510km，基本解决了日常出行的续航问题，如果按照一天出行40公里计算，基本接近半月才充一次电；

2、新车的全铝车身框架、后置后驱的布局也能带来出色的驾驶体验。铝合金强度更高，而车上重量会更低；

3、外观新颖，视觉冲击力很强！这款SUV低矮，给人很厚实、安全的感觉，真是感叹中国品牌汽车企业在造型设计上的突飞猛进，同时又能牢牢把握住国人的审美风格，点赞！

4、还有更多的传统功能，小讯就不一一列举了，基本该有的都有了，大家如果喜欢这个车可以到官网关注或4s店试驾。

奇瑞汽车也是中国几大汽车品牌之一，为我们自己的民族品牌点赞、自豪，也希望咱们自己的汽车品牌能越做越好，给国人带来更好的产品和出行体验。

#开大蚂蚁 即刻高能#

wWw.Xtw.com.Cn系统网专业应用软件下载教程，免费windows10系统,win11,办公软件,OA办公系统,OA软件,办公自动化软件,开源系统,移动办公软件等信息，解决一体化的办公方案。