Via算力

❶ CNN可解釋性從入門到放棄

Kuo 是機器學習的前輩，看不慣幾年來的調參浪潮，因此自己開疆拓土提出了一套不用反向傳播（用傳統方法 PCA）的 CNN。雖然我不敢苟同，但是一代人有一代人熟悉的方法，這個世界需要弄潮兒，也需要擺渡人。

盡管 CNN 已經取得了 state-of-the-art 的地位，但是仍然存在一些問題：over-parameters：大量的參數進行反向傳播，數學上難以解釋；numerous tricks：復雜的網路結構、Dropout 等讓網路變得難以理解；sensitivitity：受到攻擊時魯棒性差。

針對這些問題 Kuo 搞了一個新的 CNN 模型 FF CNN，模型有三個 優點 ：不需要反向傳播，因此速度更快，資源佔用少；每一個 layer 可解釋，layer 也不多，沒有深度學習的黑箱；是一個半監督（甚至可以是無監督）模型，不依賴於 label。

Kuo 正在改進的 缺點 有：准確率目前略低於帶有 BP CNN，但是仍有提升空間；雖然沒有明確說明，但是模型應該是 problem special 的，需要根據數據集特點手動調整。

此外，Kuo 設計了兩個方面的實驗對比 FF CNN 和 BP CNN：分類問題的准確率、受到攻擊時的魯棒性。

CNN 的含義

CNN 是一系列的特徵映射。這些特徵映射可以分為升維和降維兩類。

大多數時候都是在降維，少數時候是在升維。其中，升維是在掃描整個圖像，得到盡可能多的有效特徵。降維則是從當前特徵中選擇最有效的特徵。升維的方法有卷積。降維的方法有PCA、pooling。保持維度，增強特徵的方法有激活函數、全連接（也可以用於降維）。

卷積的含義

對於卷積公式我們可以這樣理解訓練參數 [圖片上傳失敗...(image-281cf0-1572431090839)]

：對於傳統的 BP CNN，它是過濾器的權重（需要優化的參數），求過濾器的權重與輸入數據的內積即為匹配過濾器的過程。我們還可以這樣考慮，將它當作一組線性空間的基，求基與輸入數據的積即為特徵在低維空間的近似。

池化的含義

卷積幫助我們得到貓的模式，池化幫助我們選擇貓的模式。池化會幫助我們選擇眾多模式中共有的部分。

比如，所有的 9 張貓都有相似的臉，池化就會抹掉其他信息，提取公共的貓臉。我們可以用統計分析模擬這個過程。

這里 Kuo 解釋了為何 max pooling 比 average pooling 更有效。這是因為 max pooling 能夠提取窗格內較遠的信息，從而更好的表徵位置不同而形狀相同的信息。比如，圖中的貓臉位置稍有不同，但是在 pooling 的作用下都回到了畫面中心。

多層感知器的含義

多層感知器在 CNN 中充當的是分類器的角色，每一個隱藏層都是一次映射，將輸入降維。我們可以這樣理解，每一次映射是從 intra-class 到 class 的過程，多次映射後獲得所需維度的 class。

比如，第一次映射區分了蟒蛇、眼鏡蛇、加菲貓、波斯貓，第二次映射區分了蛇和貓。多次映射後得到了在我們所需維度上的分類。

我們可以使用 K-Means 模擬這一過程，對於一個 40 -> 20 -> 10 的多層感知器，我們可以使用 K-Means 聚 40 類、20 類、10 類，模擬每一個隱藏層的輸入和輸出。

有了每一層的輸入和輸出，我們可以使用最小平方回歸（如上圖），求解 intra-class 到 class 的映射過程。從而，將反向傳遞計算 [圖片上傳失敗...(image-401532-1572431249509)]

變成了解方程計算 [圖片上傳失敗...(image-f088c1-1572431249509)]

。

集成與疊加

我們都知道，多層的 PCA 效果較差，因此 FF CNN 無法像 BP CNN 一樣通過疊加 layer 提高對特徵的表徵能力。但是 Kuo 認為，可以通過集成（ensemble）多種 FF CNN 來提高 FF CNN 的性能。FF CNN 就像一個簡單的小機器人，BP CNN 則是一個復雜的大機器人。FF CNN 通過量取勝，BP CNN 通過復雜性取勝。

在上圖中，Kuo 構建了 3 種 FF CNN，在受到攻擊時，可以採用多數投票制進行集成。一個小機器人被打倒，其他的機器人仍能存活下來。此外，Kuo 還列舉了根據 RGB 設計 FF CNN 集成的方法。

雖然 Kuo 沒有闡述 FF CNN 在並行等領域的應用，這個模型效率高、能耗低，比 BP CNN 具有更大的並行可能，未來或許會在嵌入式等領域大放光彩。

FF CNN 與 BP CNN 的應用場景抽象

Kuo 最後的總結很正經，前輩客觀地闡述了 FF 和 BP 的應用場景，批評了一些人（也就是我們這屆差生 233）不分 data collection 青紅皂白就上 BP 的做法。他說：

FF 是一種 data-independent 模型，因此它高效，適合解簡單問題。BP 是一種 data-driven 模型，因此它耗時，適合解復雜問題。

我們拿到一個 dataset 的時候，沒有人會跟你說這個 dataset 是簡單還是復雜的，你的 dataset 可能不是 pure 的。

如果你用 data-driven 模型，復雜的 data 可能會覆蓋簡單的 data 造成過擬合。如果你用 data-independent 模型，可能會因為無法表徵復雜的 data 而效果較差。

一切設計都要因 dataset 制宜。

Kuo 發表了一篇論文「 Interpretable Convolutional Neural Networks via Feedforward Design 」，表述嚴謹清晰，感興趣可以了解一下。

我很佩服這位前輩，手動把消耗大量算力的訓練參數自己 「解」 了出來。現在，我們不止能對結果求交叉熵，對比預測結果和實際 label 的差異，還能在每一步計算 FF CNN 求得的參數和 BP CNN 訓練的參數的差異。

從上圖我們可以看出，這個解和BP求得的解仍有一定距離。

https://zhuanlan.hu.com/p/51673309

❷ 求寶貝坦克通用公式！！！力和度的！如題 謝謝了

觀賞價值:8 技術難度:9.5 打法7:逆風滿力算角 價值:逆風攻擊最實用的打法,盲點小,對手感要求小. 技術要求:半屏13度.一屏30度.1.5屏43度. 90-距離度數-逆風度數X圖中系數=開炮角度 http://photo.viafriend.com/photo ... 33728/840093501.JPG 開炮力量:滿力 圖內注:此風因為後作用力過大,視大小要加上1-5度,注意是"加"不是減,也就是把公式改成90-距離度數+(1-5不等) (打法8參照此注) 觀賞價值:8.5 技術難度:7 打法8:逆風3.0力算角 價值:逆風上風大時打用滿力演算法會折回,用3.0演算法能解決這一問題,並且3.0演算法比起滿力演算法盲點更小,幾乎不存在. 技術要求:0.8屏40度.一屏50度. 90-距離度數-逆風度數X圖中系數=開炮角度 http://photo.viafriend.com/photo ... 33728/840093501.JPG 開炮力量:3.0 觀賞價值:7 技術難度7.5 打法9:89度算力 價值:右攻左木鏢所特有的優勢所在,在深坑中照樣能發起強大攻勢. 技術要求:這種打發與其說是算,不如說是背. 右風: →風5度:半屏1.75力量;一屏2.75力量.左89開炮. →風10度:半屏1.9力量;一屏3力量.左89開炮. →風15度:半屏2.1力量;一屏3.2力量.左89開炮. →風20度:半屏2.25力量;一屏3.45力量.左89開炮. +30度的→風把風力X0.5 +20度的→風把風力X0.75 +10度的→風把風力X0.9 -30度的→風把風力X1.2 -45度的→風把風力X1.25 -60度的→風把風力X1 -85度的→風把風力X0.8 左風: ←風5度:0.6屏2力量;一屏2.5力量.右89開炮. 對於左風資料不多,在這里給大家說聲抱歉.特別左上風力量甚至存在盲點,所以左風的89更多的是需要玩家自身的熟練. 觀賞價值:9.5 技術難度:10

❸ 2018年全球最值得關注的AI晶元初創公司

Wave Computing

Wave Computing在2018取得了不少進展，推出其第一個DataFlow處理單元，收購MIPS，創建MIPS Open，並將首批系統交付給少數客戶。雖然Wave架構有一些非常有趣的功能，但我們更期待用戶的大規模真實體驗反饋。

Wave不是插入到伺服器的加速器，它是用於圖形計算的獨立處理器。這種方法有利有弊。從積極的方面看，Wave不會受到GPU等加速器面臨的內存瓶頸影響。從消極方面來說，安裝Wave設備將是新的升級，需要完全替換傳統的X86伺服器，也讓其成為所有伺服器製造商的競爭對手。

我不認為Wave能從某個點擊敗NVIDIA，但該架構的設計的非常好，該公司已經表示它很快就會有客戶的反饋。

圖1：Wave是從上面顯示的4節點「DPU」構建的系統。Wave Computing

Graphcore

Graphcore是一家資金雄厚（融資3.1億美元，目前估值為17億美元）的英國獨角獸創業公司，擁有全球化的團隊。它正在構建一種新型的圖形處理器架構，其內存與其邏輯單元位於同一晶元上，這應該能夠實現更高的性能。該團隊產品的發布時間暫不明確，不過他們去年四月表示「幾乎准備好發布」了，12月的最新信息表明它將很快開始生產。

Graphcore的投資者名單令人印象深刻，包括紅杉資本、寶馬、微軟、博世和戴爾 科技 。

我了解了該公司的架構，它非常令人印象深刻。從邊緣設備擴展到用於數據中心的訓練和推理的「Colossus」雙晶元封裝。在最近的NeurIPS活動中，Graphcore展示了其RackScale IPU Pod，它在一個32台伺服器的機架中提供超過16 petaflops的算力。雖然該公司經常聲稱它將提供比同類最好GPU強100倍的性能。

Graphcore表示，4「Colossus」GC2（8晶元）伺服器可提供500 TFlops（每秒數萬億次操作）的混合精度性能。單個NVIDIA V100可提供125 TFlops，因此理論上4 個V100就可提供與其相同的性能。

與往常一樣，細節更能發現差別，V100峰值性能僅在重構代碼執行TensorCore的4x4矩陣乘法時才可用，這是Graphcore架構巧妙避免的限制。更不用說V100消耗了300瓦的電能和大量現金這一事實。

此外，Graphcore支持片上互連和「處理器內存」（片上存儲器）方法，可以得到超出TFlops基準所認可的優秀性能。在一些神經網路中，如Generative Adversarial Networks，內存是瓶頸。

再次強調，我們將不得不等待真實的用戶用實際應用程序來評估此體系結構。盡管如此，Graphcore的投資者名單、專家名單和台天價估值告訴我，這可能是一件好事。

圖2：GraphCore展示了ImageNet數據集處理的照片。 可視化可幫助開發人員了解其訓練處理佔用處理周期的位置。

Habana Labs

Habana Labs是一家以色列創業公司，去年9月在第一次AI硬體峰會上宣布它已經准備好推出其首款用於推理的晶元，其創紀錄的性能用於卷積神經網路圖像處理。結果顯示在Resnet50圖像分類資料庫中該處理器每秒分類15,000張圖像，比NVIDIA的T4高出約50％，功耗僅為100瓦。

在2018年12月，Habana Labs的最新一輪融資由英特爾風險投資（Intel Venture Capital）領投，WRV Capital，Bessemer Venture Partners和Battery Ventures跟投，該公司的融資也由此前的4500萬美元增加了7500萬美元。

據悉，Habana Labs新的融資將部分用於流片其名為「Gaudi「的第二款晶元，該晶元將專注於訓練市場，據稱可擴展到1000多個處理器。

其它創業公司

我知道世界上有超過40家公司在為人工智慧設計訓練和推理晶元。我發現大多數公司都在進行簡單的FMA（浮點乘法累加）和混合精度數學（整型8位和浮點16位和32位）。對此我不會感到驚訝，因為這種方法相對容易實現並且會獲得一些成果，但它不會為像NVIDIA，英特爾以及少數初創公司做出不一樣的架構提供持久的架構優勢。

以下是一些引起我注意的公司：

中國AI晶元初創公司

中國一直試圖找到一條擺脫美國半導體的方式，人工智慧加速器可能會提供它一直在尋求的機會。中國設定了2030年要建立一個價值數萬億美元的人工智慧產業的目標，自2012年以來，投資者已經向創業公司投入了超過40億美元的資金。

寒武紀 科技 估值為25億美元，是已經發布了第三代AI晶元的中國獨角獸公司。寒武紀稱它可以用更低的功耗提供比NVIDIA V100更好的AI性能，他們還銷售其AI IP，搭載在華為麒麟970和麒麟980的處理器當中，作為AI加速硬體。

商湯 科技 也許是估值最高的AI創業公司，以在中國推廣智能監控攝像頭而聞名。這些安防攝像頭數量超過1.75億，包括其他公司生產的攝像頭。商湯 科技 在香港成立，最近一輪融資數額達6億美元，由阿里巴巴領投。據報道，這家初創公司的價值目前為45億美元。

商湯 科技 與阿里巴巴、高通、本田甚至NVIDIA等主要公司建立了戰略合作夥伴關系。該公司今天擁有一台超級計算機，運行大約8000塊（可能是NVIDIA提供？）GPU，並計劃再建造5台超級計算機來處理數百萬個攝像頭採集的面部識別數據。

雷鋒網編譯，via forbes

❹ 大學生用什麼電腦合適

推薦華碩天選，

天選以二次元的活力和多元的靈魂，打造出新時代動感出位的科技產品。

搭載新一代AMD 銳龍標壓處理器 Ryzen™ 5 4600H/Ryzen™ 7 4800H,

全新圖靈架構獨顯，選配Nvidia Geforce GTX1650Ti，4GB GDDR6顯存 /

GTX1660Ti，6GB GDDR6顯存 /RTX2060，6GB GDDR6顯存

擁有突破性的圖形性能，游戲暢玩完全沒有問題。正因為是高配比的游戲本，所以玩轉各類游戲各種當下的熱門游戲，都可以輕松運行，採用144Hz IPS電競屏幕，高刷新率帶來流暢的游戲體驗，支持Adaptive-sync技術，消除畫面撕裂，可以帶來最為沉浸式的游戲新體驗

*產品規格可能會依國家地區而有所變動，我們誠摯的建議您與當地的經銷商或零售商確認目前銷售產品的規格。

❺ POA(Proof of Activity)區塊鏈共識演算法

POA(Proof of Activity)演算法是一個區塊鏈的共識演算法，基本原理是結合POW(Proof of work)和POS(Proof of stake)演算法的特點進行工作，POW演算法和POS演算法的具體內容可以參考：

POW演算法 ： https://www.jianshu.com/p/b23cbafbbad2
POS演算法 ： https://blog.csdn.net/wgwgnihao/article/details/80635162

POA演算法相比於其他演算法可以改進網路拓撲，維持在線節點比例，需求更少的交易費同時減少共識演算法過程中的能量損耗。
POA演算法需求的網路中同樣包含兩類節點，礦工和普通參與者，其中普通參與者不一定一直保持在線。POA演算法首先由礦工構造區塊頭，由塊頭選出N個幣，這N個幣的所有者參與後續的校驗和生成塊的過程。
從這里可以看到POA演算法不僅與算力有關，後續的N個參與者的選舉則完全由參與者在網路中所擁有的幣的總數量決定。擁有越多幣的參與者越有機會被選為N個後續的參與者。而後續N個參與者參與的必要條件是這N個參與者必須在線，這也是POA命名的由來，POA演算法的維護取決於網路中的活躍節點(Active)。

POA演算法的一個理想的基本流程是，類似於POW協議，礦工構造出一個符合難度要求的塊頭，通過礦工得到的塊頭計算衍生出N個幣的編號，從區塊鏈中追溯可以得到這幾個幣目前所述的參與者。礦工將這個塊頭發送給這N個參與者，其中前N-1個參與者對這個塊進行校驗和簽名，最後第N個參與者校驗並將交易加入到該塊中，將這個區塊發布出去，即完成一個區塊的出塊。
一個理想過程如下圖所示：

在實際運行中，無法保證網路上所有參與者都在線，而不在線的參與者則無法進行校驗和簽名，這個無法被校驗和簽名的塊頭則會被廢棄。
即在實際運行中，應該是一個礦工構造出塊頭後廣播給各個參與者簽名，同時繼續重新構造新的塊頭，以免上一個塊頭衍生的N個參與者存在有某一個沒有在線，而導致塊頭被廢棄。
因此，在這種情況下，一個塊是否被確認不僅與礦工的計算能力有關同時也與網路上的在線比例有關。
與純POW相比，在與比特幣(POW)同樣10分鍾出一個塊的情況下，POA由於會有參與者不在線而產生的損耗，因此，10分鍾內礦工可以構造的塊的數量會更多，即塊頭的難度限制會降低，那麼礦工在挖礦過程中會造成的能量損耗也會降低。
與純POS相比，可以看到POA的出塊流程並不會將構造區塊過程中的相關信息上鏈，可以明顯減少區塊鏈上用於維護協議產生的冗餘信息的量。

本節對上訴協議中一些參數設置進行分析

在礦工構造出塊頭後對塊頭進行校驗和區塊構造的N個參與者的數量選定比較類似於比特幣中每一個塊的出塊時間的選取。比特幣中選擇了10分鍾作為每一個塊的期望出塊時間並通過動態調節難度來適應。
這里N的取值同樣可以選擇選定值或者動態調節。動態調節需要更加復雜的協議內容，同時可能會帶來區塊鏈的數據膨脹，而復雜的協議也增加了攻擊者攻擊的可能性。另外暫時沒有辦法證明動態調節可以帶來什麼好處。靜態調節在後續的分析(4 安全分析)中可以得到N=3的取值是比較合適的。

從上面的描述可以看到，構造新的區塊的除了礦工還有從塊頭中衍生出來的N個幣所有者。在構造出一個新的區塊後，這些參與者同樣應該收到一定的激勵，以維持參與者保持在線狀態。
礦工與參與者之間的非配比例與參與者的在線狀態相關。給予參與者的激勵與參與者保持在線狀態的熱情密切相關，越多參與者保持在線狀態，能更好地維持網路的穩定。因此，可以在網路上在線參與者不夠多的時候，提高參與者得到的激勵分成比例，從而激發更多的參與者上線。
如何確定當前參與者的在線情況呢？可以最後第N個參與者構造區塊時，將構造出來但是被廢棄的塊頭加入到區塊中，如果被丟棄的塊頭數量過多，說明在線人數過低，應當調節分成比例。
同時最後第N個參與者與其他參與者的分成同樣需要考慮，第N個參與者需要將交易加入區塊中，即需要維護UTXO池，同時第N個參與者還需要將被丟棄的塊頭加入新構建的區塊中。
為了激勵其將廢棄區塊頭加入新構建的區塊中，可以按照加入的區塊頭，適當增加一點小的激勵。雖然加入更多的區塊頭，可以在下一輪的時候增加分成的比例，應當足夠激勵參與者往區塊中加入未使用的塊頭了(這里參與者不可能為了增加分成而更多地加入區塊頭，每一個區塊頭都意味著一位礦工的工作量)。
一個參與者如果沒有維護UTXO池則無法構造區塊，但是可以參與前N-1個的簽名，因此為了激勵參與者維護UTXO池，作為最後一個構造區塊的參與者，必須給予更多的激勵，比如是其他參與者的兩倍。

從3.2的描述中可以知道一個用戶必須在線且維護UTXO池才可能盡可能地獲得利益。這種機制勢必會導致一些用戶將自己的賬戶託管給一個中心化的機構。這個機構一直保持在線，並為用戶維護其賬戶，在被選為構造區塊的參與者時參與區塊的構建並獲取利益。最後該機構將收益按照某種形式進行分成。
上面說到參與者必須用自己的密鑰進行簽名，而託管給某個機構後，這個機構在可以用這個密鑰簽名構造區塊的同時，也有可能使用這個密鑰消費用戶的財產。這里可以採用一種有限花銷的密鑰，這個密鑰有兩個功能，一個是將賬戶中的部分財產消費出去，另一個是將所有財產轉移到一個指定賬戶。在託管的時候可以使用這個密鑰，在被通知部分財產被花費後可以立即將所有財產轉移到自己的另一個賬戶下，以保證財產的安全。

從上面的分析可以看到，POA的安全性與攻擊者所擁有的算力和攻擊者所擁有的股權有關。假設攻擊者擁有的在線股權佔比為 ，則攻擊者的算力需要達到其他所有算力的 倍才能達成分叉。假設攻擊者股權總佔比為 ，網路中誠實用戶的在線比例為 ，則攻擊者的算力需要達到其他所有算力的 倍才能達成攻擊。
攻擊的分析表格如下：

從上文的分析可以看到，POA演算法相比於其他演算法可以改進網路拓撲，維持在線節點比例，需求更少的交易費同時減少共識演算法過程中的能量損耗。同時，PoA協議的攻擊成本要高於比特幣的純PoW協議。

參考文獻：Proof of Activity: Extending Bitcoin』s Proof of Work via Proof of Stake

❻ 國產CPU命名為什麼

現在國產處理器有6種，分別為飛騰、鯤鵬、海光、龍芯、兆芯、申威。

❼ 電腦挖礦是什麼意思

電腦挖礦是用礦機（電腦）對加密貨幣（比如比特幣Bitcoin）開採的一個過程。開采比特幣就像是求解一道數學題，最先得到答案，就獲得相應的獎勵。 所以整個求解並驗證的過程就叫做挖礦，而協助破解數字答案的設備就稱為礦機，由此，運行礦機，獲得收益的人群就被成為礦工。
一、比特幣誕生之初，普通的計算機就可以進行挖礦操作，同時很容易由個人挖出一個塊，但是隨著比特幣的發展、每10分鍾出一個塊的難度調節機制以及全網算力的不斷提高，普通的計算機的計算能力已不足以挖出區塊了，由此衍生出了算力更強的專業礦機，也就是ASIC礦機礦機越集中。但是單台ASIC礦機的算力依舊是有限的，面對不斷提高的全網算力，礦池作為集中礦工算力的運營商也逐步的出現。比如幣印礦池、viapool等等礦池。
二、如何挖礦得到收益礦機越集中？ 礦工挖礦的過程就是通過運行比特幣節點，同步歷史賬本，將最新交易記錄到賬本，並獲得比特幣區塊獎勵的一個過程礦機越集中。對比特幣網路而言，礦工通過挖礦維護比特幣網路安全。對礦工而言，通過挖礦分得比特幣獎勵。當前比特幣爆塊/出塊獎勵為12.5個比特幣（編輯日期：2019年9月2日）。 挖礦即工作量證明PoW（Proof of Work）礦機越集中。工作量證明通過計算一個數值（ nonce ），使得拼湊上交易數據後計算出的 Hash 值滿足規定的上限。在節點成功找到滿足的Hash值之後，會馬上對全網進行廣播，告知全網自己已打包到了新的區塊，網路的節點收到廣播打包區塊後，會立刻對其進行驗證。如果驗證通過，則表明已經有節點成功解迷，自己就不再競爭當前區塊打包，而是選擇接受這個區塊，記錄到自己的賬本中，然後進行下一個區塊的競爭猜謎。網路中只有最快解謎的區塊，才會添加的賬本中，其他的節點進行復制，這樣就保證了整個賬本的唯一性。
三、算力與挖礦收益成正比嗎礦機越集中？算力和收益之間的關系：
1）同難度的情況下礦機越集中，算力越高，收益越高；
2）比特幣每2016個區塊，約兩周的時間進行一次難度調整礦機越集中。可能會因為全網難度調整，而出現算力增加，但收益反而減少的情況
3）比特幣每4年獎勵減半一次，在獎勵減半的收益，用戶挖礦的收益也隨之減半礦機越集中。 算力和收益之間的計算公式： 您一天的挖礦收益=您的算力*一天的時間（86400秒）*塊獎勵（12.5個比特幣）/（全網難度*2^32）