分类： 神经网络

曾经的存在主义与结构主义的争论，在量子世界中似乎用概率和大量抽样完成了和解 — David 9

上世纪60年代哲学界有一场关于存在主义与结构主义的争论：存在主义认为一个人的发展是由“自由意识”和欲望主导的; 结构主义认为占主导的其实是社会中的经济、政治、伦理、宗教等结构性因素，人只是巨大结构中的一部分。

究竟是什么塑造了一个人也许难以确定。而对于量子世界，一个qubit（量子比特）的状态，不仅受到量子系统的磁场影响，qubit本身也有自身状态的变化概率和扰动。我们一会儿可以看到，量子系统的输出，即那个qubit的最终观测状态，是用概率和大量抽样判定的:

在细讲QNN前（量子神经网络其实是一个量子系统），David 9 有必要介绍一下量子计算本身的一些基础知识 。

首先，量子计算与传统计算机的不同，可从qubit（量子比特）说起，我们知道与电子计算机非“0”即“1”相比，qubit的状态可能同时介于“0”和“1”之间：

即所谓的“薛定谔的猫”的叠加态（superposition）：

(|0>+|1>) （在量子物理中符号|x>表示状态x）

你们可能会问David，为什么状态系数是 1/ ? 这是量子物理中的一个约定（规范化），即平方和等于1：

 α^2+β^2=1

其中α和β就是状态的系数，是不是让你联想到圆形几何 ？

是的，在量子物理中可以把qubit想象成粒子球体（叠加或非叠加态）：

三维世界中qubit的自旋状态非常灵活，可以上自旋（|0>），可以下自旋（|1>），可以像地球一样斜着自旋：

继续阅读【独家】当量子计算遇上神经网络与深度学习，QNN初探（ Quantum Neural Networks），David 9的量子计算系列#1

如果你要选验证集或测试集，就选那些你预料未来数据的样子（Choose dev and test sets to reflect data you expect to get in the future and want to do well on）— 吴恩达

前不久吴恩达新书“机器学习念想”（Machine Learning Yearning）手稿完工（不知道这样翻译会不会被打。。）David 9 忍不住拜读 ，把读后感总结如下，欢迎指正和交流：

纵观全书分三部分：

1. 怎么构建验证集和测试集？
2. 如何构建有效的性能和错误分析机制 ？如何优化模型？
3. 端到端模型的一些讨论

事实上，上手深度学习（机器学习）项目最先要做的和模型本身关系不大，而是构思性能验证系统和错误分析的有效机制。

艺术品最华丽的可能是最后的润色，但其构思、规划以及推敲往往占据大师平时更多心力：

同样，构建一个高效的深度学习系统，首先要有一个好的验证体系、推敲整理过的数据集、高效的错误分析机制，这样最后的润色（模型优化）才能水到渠成。

1. 谈谈验证(测试)集怎么选？

书中建议是，如果你要选验证集或测试集，就选那些你预料未来数据的样子。因此训练集样本分布不需要和验证集（测试集）相同。用白话说就是以你预料“现场”的样本分布为准。 继续阅读吴恩达新书《Machine Learning Yearning》读后感，验证(测试)集怎么选？如何高效分析性能？降低可避免偏差和方差？实操经验总结