[升两星，散分...]－－第二篇

gxgyj 2005-10-24 02:28:13
终于双多了一颗星星，高兴...

顺便问一各位有没有用过

Windows Longhorn


2005年10月24日17时30分揭贴！
...全文
359 30 打赏 收藏 转发到动态 举报
写回复
用AI写文章
30 条回复
切换为时间正序
请发表友善的回复…
发表回复
gxgyj 2005-10-25
  • 打赏
  • 举报
 回复
实在是不好意思...
因为后来公司网络挂了...
^_^
smiler007 2005-10-24
  • 打赏
  • 举报
 回复
结吧，不然，偶后面又会来人接分了...
sunnysmile 2005-10-24
  • 打赏
  • 举报
 回复
恭喜！
xjoil 2005-10-24
  • 打赏
  • 举报
 回复
恭喜恭喜
老之 2005-10-24
  • 打赏
  • 举报
 回复
jf
ly_liuyang 2005-10-24
  • 打赏
  • 举报
 回复
Vista
现在Beta的
其实还不错的:)

只要你的系统够好,AMD S939 3000+,1GRAM,GF6600
那就可以看到新的Desktop效果
_____________________
http://lysoft.7u7.net
zhangl_cn 2005-10-24
  • 打赏
  • 举报
 回复
抢分
leonkim 2005-10-24
  • 打赏
  • 举报
 回复
恭喜
抢分
yaccor 2005-10-24
  • 打赏
  • 举报
 回复
赶快抢分
WGYKING 2005-10-24
  • 打赏
  • 举报
 回复
严重恭喜
baiduan 2005-10-24
  • 打赏
  • 举报
 回复
我也来
fenggy2002 2005-10-24
  • 打赏
  • 举报
 回复
恭喜恭喜
接分接分
abc3000 2005-10-24
  • 打赏
  • 举报
 回复
接分
CDSoftwareWj 2005-10-24
  • 打赏
  • 举报
 回复
gxgx
zhxr2003 2005-10-24
  • 打赏
  • 举报
 回复
恭喜
caoxuan 2005-10-24
  • 打赏
  • 举报
 回复
恭喜 没听说过 惭愧
不若人生一场醉 2005-10-24
  • 打赏
  • 举报
 回复
接
g961681 2005-10-24
  • 打赏
  • 举报
 回复
恭喜~~~~~~~~~~~

********************************************************************
* Know Something About Everything, And Everything About Something!
********************************************************************
fei19790920 2005-10-24
  • 打赏
  • 举报
 回复
收分啦
szuzsq 2005-10-24
  • 打赏
  • 举报
 回复
恭喜
加载更多回复（10）
变分贝叶斯估计：KL散度及变分自由能
这可以通过最小化KL散度来找到最优的变分分布，从而近似真实的后验分布。它是变分推断中的一个目标函数，通过最小化变分自由能，可以找到一个近似分布，使其尽可能接近真实的后验分布。变分自由能与最大化证据下界是等价的，因为最大化 ELBO 的过程等价于最小化其负值，即最小化变分自由能，且通常通过迭代的方式进行。通过最小化变分自由能，我们在近似分布的选择中取得了折中，同时考虑了与真实后验的接近度和模型对观测数据的拟合。其中，Q 是我们希望找到的近似分布，P 是真实的后验分布，X 是观测数据，Z 是未知的潜在变量。
【重温童年】基于tkinter模块设计的Q宠大乐斗武器升星模拟器：重温经典，畅享休闲时光
与传统的Q宠大乐斗不同，这款模拟器还加入了一个创新的功能——自定义升星概率。玩家可以根据自己的喜好和策略，为不同的武器设置不同的成功率和降级率。比如，你可以将“嗜血”这把武器的升星难度设置得极高，以体现其稀有性和强大威力；也可以将“平底锅”这样的普通武器设置得相对容易升星，让玩家在升级过程中感受到更多的成就感。这种自定义的概率设置，不仅增加了游戏的趣味性和挑战性，还让玩家在升级过程中有了更多的策略和选择。你可以根据自己的武器库和卷轴数量，制定出最合适的升级计划，从而在游戏中占据先机。
DL：RBM学习算法——Gibbs采样、变分方法、对比散度、模拟退火
RBM学习方法 当前在对RBM 的研究中，典型的学习方法有Gibbs 采样(Gibbs sampling)算法，变分近似方法(variational approach)，对比散度(contrastive divergence,CD)算法，模拟退火(simulate annealing) 算法等。下面对这些方法进行对比。 1、Gibbs采样算法 （1）简介 G
正向KL散度与反向KL散度
KL散度的公式是 KL[p(x)∣∣q(x)]=∫xp(x)logp(x)q(x)dx KL[p(x)||q(x)] = \int_{x}p(x)log{p(x) \over q(x)}dx KL[p(x)∣∣q(x)]=∫x​p(x)logq(x)p(x)​dx 假设真实分布为p(x)p(x)p(x)，我们想用分布q(x)q(x)q(x)去近似p(x)p(x)p(x)，我们很容易想到用最小化KL散度来求，但由于KL散度是不对称的，所以并不是真正意义上的距离，那么我们是应该用KL[p∣∣q]KL[p||q]
容器里有10升油，现在只有两个分别能装3升和7升油的瓶子，需要将10 升油等分成2 个5 升油。程序输出分油次数最少的详细操作过程
引入 1、容器里有10升油，现在只有两个分别能装3升和7升油的瓶子，需要将10 升油等分成2 个5 升油。程序输出分油次数最少的详细操作过程。 思考 这题主要是要求了输出分油次数最少的操作，网上很多算法都是寻找可行解，没有找出最优解。 仔细分析这题发现思路很简单： 开始总共只有两种倒法，十升向7升的到，十升向3升的到，然后不回倒，下一步倒向另一个，当7升的倒满了之后，再回倒入10升的杯子中，进入循环，直到有解为止。 最终状态一定是10升的杯子有5升，7升的杯子有5升。 状态 10升 7升 3升
非技术区

830

社区成员

53,568

社区内容

发帖
与我相关
我的任务
社区描述
Delphi 非技术区
社区管理员
  • 非技术区社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章