非同步演算法

Ⅰ 三相非同步電動機星形連接時功率的演算法和三角形連接時一樣嗎

公式是一樣的，均為P=√3×U×I×cosφ×η

Ⅱ 三相非同步電動機雙層疊繞跨距的演算法

你說的因該是355-4的吧用72/4=18在用18*5/6=15第一槽到最後一槽之間隔15槽跨距就是1-16啦

Ⅲ 求一非同步動態生成ID編號的.net演算法，像購物網站非同步生成的訂單號一樣

年+月+日+時+分+秒+毫秒+6位隨機値
如：2010 10 11 06 13 300 245376

Ⅳ 兩相電機的額定電流如何計算和三相非同步電機演算法相同嗎

這個電動機額定電壓應該是交流220V的，單相。單相是一根火線和一根零線構成的，不能叫兩相。單相交流電動機的功率計算公式可由下面的式子表示： N=U×I×COSφ 其中N表示功率，單位為瓦或瓦特，單位符號用W表示； U表示電壓有效值，單位為伏或伏特，單位符號用V表示； I表示電流有效值，單位為安或安培，單位符號用A表示； COSφ是功率因數，一般為0.70～0.95。 你提到的電動機額定功率為1.3kW也就是1300W，額定電壓應該是220V，額定電流是8.2A，那麼功率因數應該是0.72。 額定電流的大小與額定轉速沒有什麼直接關系。

Ⅳ fifo演算法是什麼

先進先出演算法是最簡單的分頁替換演算法，是指每次有新的分頁需要調入時，會選擇調入內存時間最久的分頁換出。它簡單，容易實現，但這種絕對的公平方式容易導致效率的降低。

最簡單的分頁替換演算法就是先進先出演算法，當每次有新的分頁需要調入時，會選擇調入內存時間最久的分頁換出。

有兩種實現的方法：第一種是記錄每個分頁被調入到頁框的時間，當每次需要換出分頁時，會找到調入時間最早的一頁，也就是在主存儲器中存在最久的分頁。另外一種方式就是利用FIFO隊列來實現，當要進行分頁替換時，就把隊列最前端的分頁換出，再把要調入的分頁放到隊列的末端。

一、實現機制

使用鏈表將所有在內存的頁面按照進入時間的早晚鏈接起來，然後每次置換鏈表頭上的頁面就行了。新加進來的頁面則掛在鏈表的末端。

二、特點

1、優點

簡單，且容易實現。

2、缺點

這種絕對的公平方式容易導致效率的降低。例如，如果最先載入進來的頁面是經常被訪問的頁面，這樣做很可能造成常被訪問的頁面替換到磁碟上，導致很快就需要再次發生缺頁中斷，從而降低效率。

電子產品

FIFO通常在電子電路中用於硬體和軟體之間的緩沖和流控制。FIFO以其硬體形式主要由一組讀寫指針，存儲和控制邏輯組成。

存儲可以是靜態隨機存取存儲器（SRAM），觸發器，鎖存器或任何其他合適的存儲形式。對於非平凡大小的FIFO，通常使用雙埠SRAM，其中一個埠專用於寫入，另一埠專用於讀取。

電子設備中實現的第一個已知FIFO是1969年在飛兆半導體公司的Peter Alfke。[4]Alfke後來擔任Xilinx的董事。

1、同步性

同步FIFO是其中相同的時鍾用於讀取和寫入的FIFO。非同步FIFO使用不同的時鍾進行讀取和寫入，它們可能會引入亞穩定性問題。非同步FIFO的常見實現方式是對讀和寫指針使用格雷碼（或任何單位距離碼），以確保可靠的標志生成。

關於標志生成的另一條注釋是，必須使用指針演算法為非同步FIFO實現生成標志。相反，在同步FIFO實現中，可以使用泄漏存儲區方法或指針演算法來生成標志。

2、狀態標志

FIFO狀態標志的示例包括：已滿，為空，幾乎已滿和幾乎為空。當讀地址寄存器到達寫地址寄存器時，FIFO為空。當寫地址寄存器到達讀地址寄存器時，FIFO已滿。讀寫地址最初都位於第一個存儲器位置，並且FIFO隊列為空。

在這兩種情況下，讀和寫地址最終都是相等的。為了區分這兩種情況，一種簡單而強大的解決方案是為每個讀取和寫入地址添加一個額外的位，該地址在每次換行時都會反轉。

以上內容參考網路-先進先出演算法

Ⅵ 轉行深度學習，如何解決自己在學習中遇到的瓶頸問題

大數據和高性能的計算能力，讓深度學習技術開始超越人類。隨著深度學習技術在應用上已經取得的快速發展，有人開始認為，科技既然能夠通過互聯網，讓全世界實現信息共享，那麼，隨著以深度學習為代表的人工智慧技術的發展，有理由相信，未來將會有比人的智力更高的新物種被創造出來。

不過，在眾人普遍看好深度學習技術的發展前景時，也有業內專業人士指出，深度技術在發展方面還存在著不少問題。這些問題主要體現在以下幾個方面。

（1）理論問題。
深度學習的理論問題主要體現在統計學和計算兩個方面。對於任意一個非線性函數，都能找到一個淺層網路和深度網路來表示。深度模型比淺層模型對非線性函數具有更好的表現能力。但深度網路的可表示性並不代表可學習性。要了解深度學習樣本的復雜度，要了解需要多少訓練樣本才能學習到足夠好的深度模型，就必須知道，通過訓練得到更好的模型需要多少計算資源，理想的計算優化是什麼。由於深度模型都是非凸函數，也就讓深度學習在這方面的理論研究變得非常困難。

（2）建模問題。
工業界曾經有一種觀點：「在大數據條件下，簡單的機器學習模型會比復雜模型更有效。」在實際的大數據應用中，很多最簡單的模型得到大量使用的情形也在一定程度上印證著這種觀點。

但是，隨著深度學習的快速發展，人們不得不重新思考這種觀點。因為在大數據情形下，往往只有比較復雜或表達能力強的模型，才能充分挖掘海量數據中的信息。隨著深度模型變得更強大，從大數據中發掘出的信息往往更有價值。大數據需要深度模型。比如說，語音識別所涉及的是大數據機器學習問題。其聲學建模所面臨的是高達十億到千億級別的樣本訓練。Google公司在一個語音識別實驗中發現，訓練後的DNN，訓練樣本上的預測誤差，竟然與測試樣本的預測誤差基本相當。而在通常模型上，訓練樣本上的預測誤差要明顯小於測試樣本。這是因為大數據里含有豐富的信息維度，從而讓DNN這樣高容量的復雜模型處於欠擬合狀態。由此也就表明大數據需要深度學習。淺層模型模擬人工經驗抽取樣本特徵，其功能主要是負責分類或預測。在這種情形下，特徵的好壞就成為整個系統性能的關鍵。為此，為了發掘更好的特徵，開發人員就得對需要解決的問題有深入的理解。要做到這一點，就需要反復摸索，這在時間上往往要花費數年。這就表明，人工設計樣本特徵在可擴展性上欠佳。
深度學習的實質是學習更有用的特徵，最終提升分類或預測的准確性。其方法是構建深度模型和海量訓練數據。可以說，特徵學習是目的，深度模型是手段。相對淺層學習來說，深度學習具有多達5層、6層，甚至是10多層的隱層節點，還突出了特徵學習的重要性。深度學習通過逐層特徵變換，讓分類或預測變得更容易。

利用大數據來學習特徵，比通過人工規則來構造規則更能刻畫數據的內在信息。那麼，在推進深度學習的學習理論與計算理論時，能不能提出新的具有強大表示能力的分層模型呢？在具體應用上，又該怎樣設計一個用來解決問題的最合適的深度模型呢？還有，是否存在可能建立一個通用的深度模型或者是建模語言呢？這些都是深度學習必須面對的問題。

（3）工程問題。
對於從事深度學習技術研發的人來說，首先要解決的是利用並行計算平台來實現海量數據訓練的問題。深度學習需要頻繁迭代，傳統的大數據平台無法適應這一點。隨著互聯網服務的深入，海量數據訓練的重要性日益凸顯。而現有的DNN訓練技術通常所採用的隨機梯度法，不能在多個計算機之間並行。採用CPU進行傳統的DNN模型訓練，訓練時間非常漫長，一般訓練聲學模型就需要幾個月的時間。這樣緩慢的訓練速度明顯不能滿足互聯網服務應用的需要。目前，提升模型訓練速度，成為許多大公司研發者的主攻方向。比如谷歌公司，搭建起了DistBelief這個深度學習並行計算平台。通過採用非同步演算法，實現隨機梯度下降演算法的並行化，從而加快模型訓練速度。不過，工程方面盡管取得了一定的進展，但對解決各種服務需求來說，仍然有很長的一段路要走。

深度學習引領著「大數據+深度模型」時代的到來。尤其是在推動人工智慧和人機交互方面取得了長足的進步。同時也應該看到，深度學習在理論、建模和工程方面仍面臨著一系列的難題。而在具體應用方面，深度學習也面臨著一些挑戰。

人工智慧神經網路建設從最初的設想到成為信息技術中的應用，花了超過50年的時間。在克服傳統計算機性能不足方面，神經網路演算法較其他演算法更具有先進性。在早期的實驗中，網路訓練方法是：「迭代地調整每個神經元施加到其輸入的數據，來盡量減少整個網路的輸出與所希望的結果之間的誤差。」這樣的訓練雖然較過去有所改善，但讓深度學習在規模上面臨著一個挑站。

2006年，多倫多大學開發的訓練技術能用於包含多個隱藏層的網路，其中的一種技術叫作「預訓練」。這種方法能讓上層提取高級特徵，但無法解決規模問題。處在較高層的神經元，需要巨大的計算能力。如用於圖像處理應用程序的第一層所需要分析的像素就多達一百萬個。深度網路的多個層連接的數量非常巨大，每個圖像的連接就達幾十億甚至上千億。訓練這樣的大型網路，需要數千億的浮點運算。這樣的巨大規模，讓神經網路的訓練變得非常緩慢

Ⅶ MAT多原鏈使用的非同步排序技術是什麼不太懂

所謂非同步排序技術是相對於同步並行演算法的。
同步排序技術就是在執行過程中的數個任務，會有某個任務在某階段處於等待狀態，直到前一個任務完成運算後，它才能被激活，而在非同步排序技術中就不存在這種現象，任務間的通訊是通過全局變數（共享數據）進行的。各任務間可不必等待輸入，而是根據當前從全局變數得到的信息，可以不斷地執行任務和中斷獲取數據。
因而非同步演算法可以帶來地優點就是避免任務間的同步通訊開銷，從而改善加速比。

簡而言之就是，能夠同一時間處理多個不同的運算，從而提升系統性能。

Ⅷ 深度強化學習 如何訓練

多謝邀請。關於gym可參考我的知乎專欄帖子：強化學習實戰 第一講 gym學習及二次開發 - 知乎專欄。關注該專欄，可以學到很多強化學習的知識（理論知識和實踐知識）。

下面正式回答你的問題：搞深度強化學習，訓練環境的搭建是必須的，因為訓練環境是測試演算法，訓練參數的基本平台（當然，也可以用實際的樣機進行訓練，但時間和代價是相當大的）。

現在大家用的最多的是openai的gym（ github.com/openai/gym ），或者universe

(github.com/openai/unive),。這兩個平台非常好，是通用的平台，而且與tensorflow和Theano無縫連接，雖然目前只支持python語言，但相信在不久的將來也會支持其他語言。下面我根據自己的理解，講下關於gym的一些事情。

Gym的原理是什麼？它是新東西嗎？

在我看來，gym並不是完全的新東西，它不過是用python語言寫的模擬器。對於模擬器大家肯定並不陌生。學控制的人都用過或聽過matlab的simulink，學機械的人應該用過動力學模擬軟體adams，gym在本質上和simulink，adams沒什麼區別。

如果把Gym，simulink，adams等等這些模擬器去掉界面顯示（如動畫顯示），剩下的本質不過是一組微分方程。所以Gym，simulink，adams等等一切模擬器的本質是微分方程。比如，運動學微分方程，動力學微分方程，控制方程等。Gym在構造環境時，主要的任務就是構建描述你模型的微分方程。

我們舉例說明：

Gym中的CartPole環境是如何構建的：

下面的鏈接是gym中CartPole環境模型：

github.com/openai/gym/b
在該環境模型中，最核心的函數是def _step(self, action)函數，該函數定義了CartPole的環境模型，而在該函數中最核心的代碼如下：

圖中方框中又是這段代碼中最核心的地方，這兩行代碼便決定了CartPole的模型。簡單的模型，通過手工推導便可完成。

那麼對於復雜的模型，比如戰斗機器人，各種大型游戲怎麼辦呢？

這就需要專門的多剛體模擬軟體了，這些軟體背後的核心技術都是物理引擎。大家可以搜下物理引擎這個詞，游戲以及各種模擬軟體都要用到物理引擎，用的多的而且開源的物理引擎有：ODE, Bullet, Havok, Physx等。原則上來說利用這些物理引擎都可以搭建訓練環境。Gym在搭建機器人模擬環境用的是mujoco，ros裡面的物理引擎是gazebo。

下面針對你的問題，逐條回答：

1. gym中CartPole, MountainCar這種環境的構建原理是怎樣的？

答：這種簡單的環境只需要手動推導便可寫出動力學方程，然後可以人為編寫環境模型。只是，gym中除了給出了動力學方程，還加入了界面程序，將結果更直觀地顯示出來。

2. gym中的環境源代碼能不能查看和修改？

Gym是開源開發工具，所有代碼都可查看和修改。可以模仿gym已有的例子自己創建環境。Gym創建環境很方便，只需要編寫你的環境模型，並將你的環境模型注冊到環境文件中即可，至於如何構建新的環境，請關注我的知乎專欄，我會在後面講一講。我的專欄中深入剖析了gym並給出了創建自己環境的實例，強化學習實戰 第一講 gym學習及二次開發 - 知乎專欄。