上一章——监督学习与无监督学习回到上一章的第一个例子，依旧是卖房子所有的数据点都拥有Price和Size两个属性/特征,我们根据它的属性制作了一个数据表我们将上面这些数据的集合称之为数据集,而若用它来进行机器学习训练便称其为训练集而机器学习的目的就是通过给出的训练集来学习如何预测房价其中m代表训练集的数据量x代表训练集的输入的特征y代表训练集的输出的目标变量用(x(i),y(i))x^{(i)},

此外还有改进算法，在已知s存储最优子结构的根节点的情况下，用i1，j1区分[i][j]的左右子树期望代价数组m[i][i1],m[j1][j]，其中当s[i][j-1]>i,说明i一定在s[i][j-1]的左子树内那么求m[i][j]的期望代价实际就是求左右区间m【i】【s[i][j-1]】和m【i】【s[i+1][j]】的期望代价之和，直接使得i1=s[i][j-1]，反之i1=i，j1亦然。如

KCP协议是一个基于UDP的可靠传输协议，在我理解看来就是在UDP的基础上模仿TCP的可靠传输机制进行设计，可以实现快速重传，超时重传等功能。github上的KCP协议http://github.com/skywind3000/kcphttp://github.com/skywind3000/kcpKCP协议提供的代码库可以使得在实现了UDP的基础之上直接套用，也就是在UDP之上直接套用了一层协议

MVC架构是本系列的重中之重，MVC框架相信大部分程序员（尤其做前后端的）都不会陌生。MVC的全称是Model-View-Controller（模型-视图-控制器），由于Controller才是中间部分，也许MCV更适合它？MVC 背后的一般思想是将软件的逻辑部分与数据和UI(显示窗口)分开。这有助于减少不必要的依赖关系。Model存储数据：模型严格来说是一个保存值的数据容器。它不执行游戏逻辑或运

让我们来总结一下transformer的整个结构。首先transformer用于解决seq2seq的问题，seq2seq可以让机器自行决定输出的seq的长度，因此会表现出一些特殊的性质，尤其是当我们对seq2seq的model进行硬train的时候，机器竟然也能做到较好的效果。transformer的整个结构就是input→Encoder→Decoder→output→Decoder→endinp

上述空间转换过程被我们称为一个MVP变换，M代表model，V代表view，P代表projection投影。顶点着色器最基本的任务就是将顶点从模型空间转换到裁剪空间，也就是需要在顶点着色器中实现MVP变换。

在模型中，我们的切线空间一般而言是根据模型的UV方向来决定的，UV方向确定xy轴，一般U方向代表切线T，V方向代表副切线B，法线N就是正交的z轴方向（沿着面片的正面为正方向）。当然，由于法线是顶点的信息之一，法线是可以自定义方向的，这也会导致切线方向随之改变。由于切线与UV坐标相关，因此我们对其可以直接应用3阶线性变换$M_{A\to B}$，将切线从原坐标空间A变换到新坐标空间B：

在整个神经网络模型的选择上我们也是这样测试的，例如这三个模型的隐藏层，我们计算得到二号模型的参数对应的验证误差较小，那么我们就可以使用第二个神经网络训练的参数，如果想要得到泛化误差的估计值，我们就可以用这个参数带入计算测试误差。较低，代表了训练误差低，这是必然的，因为我们是基于训练集的数据来最小化代价函数进行参数选择的，因此拟合出来的函数的训练误差一定是较小的。那么假如，我们按照刚才的模型评估的步

在整个神经网络模型的选择上我们也是这样测试的，例如这三个模型的隐藏层，我们计算得到二号模型的参数对应的验证误差较小，那么我们就可以使用第二个神经网络训练的参数，如果想要得到泛化误差的估计值，我们就可以用这个参数带入计算测试误差。较低，代表了训练误差低，这是必然的，因为我们是基于训练集的数据来最小化代价函数进行参数选择的，因此拟合出来的函数的训练误差一定是较小的。那么假如，我们按照刚才的模型评估的步

在整个神经网络模型的选择上我们也是这样测试的，例如这三个模型的隐藏层，我们计算得到二号模型的参数对应的验证误差较小，那么我们就可以使用第二个神经网络训练的参数，如果想要得到泛化误差的估计值，我们就可以用这个参数带入计算测试误差。较低，代表了训练误差低，这是必然的，因为我们是基于训练集的数据来最小化代价函数进行参数选择的，因此拟合出来的函数的训练误差一定是较小的。那么假如，我们按照刚才的模型评估的步