群晖性能调优指南
群晖DSM虽然在易用性方面非常不错，但是系统上的很多机制可以说是非常搓了，我的DS918+，自行添加内存到16G双通道，按理来说，NAS上跑的那点东西，16G内存是完全够用了，但就是这样，群晖也特别喜欢用虚拟内存，导致开机久了，我打开docker控制台，都要等7，8秒 原因就在于，群晖的配置都非常寒酸，那么高的价格只舍得配2G，4G的内存，DSM默认的vm.swappiness值设定为10，内存高的建议修改为1 所以，如果想要提高群晖系统的流畅度，首先就是要加大你的内存，之后修改DSM的vm.swappiness数值 ssh 进群晖，输入如下命令即可，不需要重启（对大部分Linux系统也适用） 目录 临时生效版 永久生效版 添加到群晖计划任务中 添加开机时刷新sysctl.conf 简单说一下vm.swappiness vm.swappiness 优化 相关文章推荐 临时生效版 之前的方法方法，虽说是永久生效，但是群晖并不会读取/etc/sysctl.conf，所以实际上，我们还是要重启后刷新一下sysctl.conf。不如直接开机时就执行修改swappiness的命令，这条命令...
深度学习笔记之约束优化
有时候，在 x 的所有可能值下最大化或最小化一个函数 f(x) 不是我们所希望的。相反，我们可能希望在 x 的某些集合 S 中找 f(x) 的最大值或最小值。这被称为约束优化 (constrained optimization)。在约束优化术语中，集合 S 内的点 x 被称为可行 (feasible) 点。 我们常常希望找到在某种意义上小的解。针对这种情况下的常见方法是强加一个范数约束，如 ∥x∥ ≤ 1。约束优化的一个简单方法是将约束考虑在内后简单地对梯度下降进行修改。如 果我们使用一个小的恒定步长 ϵ，我们可以先取梯度下降的单步结果，然后将结果投影回 S。如果我们使用线搜索，我们只能在步长为 ϵ 范围内搜索可行的新 x 点，或者我们可以将线上的每个点投影到约束区域。如果可能的话，在梯度下降或线搜索前将梯度投影到可行域的切空间会更高效 (Rosen, 1960)。 一个更复杂的方法是设计一个不同的、无约束的优化问题，其解可以转化成原始约束优化问题的解。例如，我们要在 x ∈ R2 中最小化 f(x)，其中 x 约束为具有单位 L2 范数。我们可以关于 θ 最小化 g(θ) = ...
冷门高频股票因子
一些不常见的高频因子，分享给有缘人。 写得比较随意，大致有几块：Order aggressiveness、order book shape、撤单、事件聚集、订单薄韧性、异常挂单、逐笔。一、Order aggressiveness（1）订单侵略性，其实就是挂单的激进程度。假设你是买家，你挂单的价格越高，你就越激进；反过来，你是卖家，你挂单价格越低，你越是激进的卖家。举个例子，买家挂单越接近bid1，越激进；卖家挂单越接近ask1，越激进； （2）订单侵略性，体现了买家/卖家完成交易的迫切程度。通过整个订单薄，我们可以知道所有买家整体的激进程度、和所有卖家整体的激进程度；通过这个，就能构建一系列因子了。此外，买卖aggressiveness的差异，也是一系列因子； （3）一个订单的执行概率和订单薄的厚度、参与者对即将到来的订单的预期有关；买盘越厚，一个潜在的买家下market order的概率更大；这套说法对卖方同样适用；bid ask的厚度体现了看涨和看跌者的相对力量。 （4）不要用静态的思维来看待订单薄，要从动态的角度来分析。订单薄性质的变化，体现了多空力量的动态变化，是未来价格...
test
群晖性能调优指南
群晖DSM虽然在易用性方面非常不错，但是系统上的很多机制可以说是非常搓了，我的DS918+，自行添加内存到16G双通道，按理来说，NAS上跑的那点东西，16G内存是完全够用了，但就是这样，群晖也特别喜欢用虚拟内存，导致开机久了，我打开docker控制台，都要等7，8秒 原因就在于，群晖的配置都非常寒酸，那么高的价格只舍得配2G，4G的内存，DSM默认的vm.swappiness值设定为10，内存高的建议修改为1 所以，如果想要提高群晖系统的流畅度，首先就是要加大你的内存，之后修改DSM的vm.swappiness数值 ssh 进群晖，输入如下命令即可，不需要重启（对大部分Linux系统也适用） 目录 临时生效版 永久生效版 添加到群晖计划任务中 添加开机时刷新sysctl.conf 简单说一下vm.swappiness vm.swappiness 优化 相关文章推荐 临时生效版 之前的方法方法，虽说是永久生效，但是群晖并不会读取/etc/sysctl.conf，所以实际上，我们还是要重启后刷新一下sysctl.conf。不如直接开机时就执行修改swappiness的命令，这条命令...
深度学习笔记之约束优化
有时候，在 x 的所有可能值下最大化或最小化一个函数 f(x) 不是我们所希望的。相反，我们可能希望在 x 的某些集合 S 中找 f(x) 的最大值或最小值。这被称为约束优化 (constrained optimization)。在约束优化术语中，集合 S 内的点 x 被称为可行 (feasible) 点。 我们常常希望找到在某种意义上小的解。针对这种情况下的常见方法是强加一个范数约束，如 ∥x∥ ≤ 1。约束优化的一个简单方法是将约束考虑在内后简单地对梯度下降进行修改。如 果我们使用一个小的恒定步长 ϵ，我们可以先取梯度下降的单步结果，然后将结果投影回 S。如果我们使用线搜索，我们只能在步长为 ϵ 范围内搜索可行的新 x 点，或者我们可以将线上的每个点投影到约束区域。如果可能的话，在梯度下降或线搜索前将梯度投影到可行域的切空间会更高效 (Rosen, 1960)。 一个更复杂的方法是设计一个不同的、无约束的优化问题，其解可以转化成原始约束优化问题的解。例如，我们要在 x ∈ R2 中最小化 f(x)，其中 x 约束为具有单位 L2 范数。我们可以关于 θ 最小化 g(θ) = ...
冷门高频股票因子
一些不常见的高频因子，分享给有缘人。 写得比较随意，大致有几块：Order aggressiveness、order book shape、撤单、事件聚集、订单薄韧性、异常挂单、逐笔。一、Order aggressiveness（1）订单侵略性，其实就是挂单的激进程度。假设你是买家，你挂单的价格越高，你就越激进；反过来，你是卖家，你挂单价格越低，你越是激进的卖家。举个例子，买家挂单越接近bid1，越激进；卖家挂单越接近ask1，越激进； （2）订单侵略性，体现了买家/卖家完成交易的迫切程度。通过整个订单薄，我们可以知道所有买家整体的激进程度、和所有卖家整体的激进程度；通过这个，就能构建一系列因子了。此外，买卖aggressiveness的差异，也是一系列因子； （3）一个订单的执行概率和订单薄的厚度、参与者对即将到来的订单的预期有关；买盘越厚，一个潜在的买家下market order的概率更大；这套说法对卖方同样适用；bid ask的厚度体现了看涨和看跌者的相对力量。 （4）不要用静态的思维来看待订单薄，要从动态的角度来分析。订单薄性质的变化，体现了多空力量的动态变化，是未来价格...
test
Subscribe to Test
Subscribe to Test
Share Dialog
Share Dialog
<100 subscribers
<100 subscribers
来源：《数学分析教程》 中国科学技术大学出版社 page12 作者：常庚哲，史济怀
假设a,b,c是三个给定的实数。令a0=a,b0=b,c0=c，并归纳地定义：
证明：数列{an},{bn},{cn}都有极限，且极限是1/3(a+b+c)。
当然，这个题目非常好证明，而且证明方法多而精彩。
但是这个题目值得分享的地方在于，其几何表述非常有趣。显然，a1就是b0和c0的中点。假设有一个三角形，三个端点分别是a0,b0,c0.
obviously，从a0到an，这个三角形的面积在不断递减，而且下一个三角形的面积是上一个三角形的一半。由极限的定义可以证明，当n趋向于无穷的时候，这个三角形面积为零。进一步得出结论：an=bn=cn=1/3(a+b+c)。
来源：《数学分析教程》 中国科学技术大学出版社 page12 作者：常庚哲，史济怀
假设a,b,c是三个给定的实数。令a0=a,b0=b,c0=c，并归纳地定义：
证明：数列{an},{bn},{cn}都有极限，且极限是1/3(a+b+c)。
当然，这个题目非常好证明，而且证明方法多而精彩。
但是这个题目值得分享的地方在于，其几何表述非常有趣。显然，a1就是b0和c0的中点。假设有一个三角形，三个端点分别是a0,b0,c0.
obviously，从a0到an，这个三角形的面积在不断递减，而且下一个三角形的面积是上一个三角形的一半。由极限的定义可以证明，当n趋向于无穷的时候，这个三角形面积为零。进一步得出结论：an=bn=cn=1/3(a+b+c)。
No activity yet