deep learning attracts lots of attentionI believe you have seen lots of exciting results before. There are more and more deep learning applications, for example, you can see the growing deep learning

1，SOA pattern effect mitigation by neural network based pre-equalizer for 50G PON107 48 48 1 （regression） PAM4, learning rate: 0.0001, training symbols:5000, test symbols:50002.Machine Learning for 10

1.确定初始学习率在确定初始学习率的时候，从一个很小的值（例如 1e-7）开始，然后每一步指数增大学习率（例如扩大1.05 倍）进行训练。训练几百步应该能观察到损失函数随训练步数呈对勾形，选择损失下降最快那一段的学习率即可。一般300个epoch就够了...

半 导体激光器驱动的性能是决定半导体激光器工作性能的关键因素，半导体激光器的注入电流、 工作温度、长期稳定性这些指标都与其驱动的设计息 息相 关 。 优秀 的 半 导 体激光器驱动 可 以 更好 的 发挥 出 激光器 的器件特性 ， 可 以 保护 器件 ， 且可 以 延 长器件 的 使用 寿 命。若想要 在 半 导 体激光器 安全 、 可靠 的 工 作状态 下得 到 比 较好 的 输 出 光性 能

toeplitz(C,R) 产生一个不对称矩阵，C是第一列，R是第一行C=[1,2,3,4,5]R=[1,2,3]toeplitz(C,R)

负迁移问题，即指辅助领域任务对目标领域任务有负面效果。目前已有少数工作从算法设计角度对负迁移问题进行研究，主要思想是减少在领域间迁移的知识结构，例如仅在领域间共享模型的先验概率、而不共享模型参数或似然函数[57]。这些工作通过降低知识迁移来避免负迁移，因而难免又陷入“欠迁移”困境；如何权衡欠迁移和负迁移成为主要挑战之一。此外，这类算法难以应对各种假设场景，即如果假设条件变化就需要尝试其他迁移学习模

1.确定初始学习率在确定初始学习率的时候，从一个很小的值（例如 1e-7）开始，然后每一步指数增大学习率（例如扩大1.05 倍）进行训练。训练几百步应该能观察到损失函数随训练步数呈对勾形，选择损失下降最快那一段的学习率即可。一般300个epoch就够了...

半 导体激光器驱动的性能是决定半导体激光器工作性能的关键因素，半导体激光器的注入电流、 工作温度、长期稳定性这些指标都与其驱动的设计息 息相 关 。 优秀 的 半 导 体激光器驱动 可 以 更好 的 发挥 出 激光器 的器件特性 ， 可 以 保护 器件 ， 且可 以 延 长器件 的 使用 寿 命。若想要 在 半 导 体激光器 安全 、 可靠 的 工 作状态 下得 到 比 较好 的 输 出 光性 能

https://blog.csdn.net/u013066730/article/details/84831552这篇说的很详细了，我摘出自己看得懂的东西第一栏的Fan：N/A是风扇转速，从0到100%之间变动，这个速度是计算机期望的风扇转速，实际情况下如果风扇堵转，可能打不到显示的转速。有的设备不会返回转速，因为它不依赖风扇冷却而是通过其他外设保持低温（比如我们实验室的服务器是常年放在空调房间里

network compression意义：一些设备，比如可穿戴设备资源（内存和算力）有限，因此需要compress这些network to fit these devicesQ：why larger network is easier to optimize?A plausible explanation is that a large network contains many small n