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

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