111qqz

caffe做部署是YYDS! blob layer net 激活函数 卷积 reshape slice loss function reduce eltwise argmax

在很长一段时间里，我对股票市场的理解非常机械，甚至带着一种理所当然的工程偏见。 作为一个长期和分布式系统、性能优化与反馈控制打交道的工程师，我习惯把撮合引擎看作一个纯粹的分布式信息处理系统：全市场的参与者带着各自的信息、算力和风险偏好，用真金白银在订单簿上挂单出清。价格上涨，说明对未来的盈利预期转好；价格下跌，说明基本面恶化或风险溢价上升。

起因 # 上一篇聊随机标签实验的时候，我把注意力放在了模型容量和假设空间上：一个参数量巨大、完全有能力死记硬背随机噪声的神经网络，为什么在面对真实规律的数据时，依然能找到泛化良好的解。

10月16日，美东时间上午，我在看 SOXL 的成交统计时看到了一组让我反复盯着屏幕的数字。 SOXL 是 3 倍做多半导体 ETF，那天跌了超过 6%。我打开成交统计，本来预期应该看到一个主动卖出量远超买入量的页面——毕竟已经跌成这样了。结果是这样的：

前段时间在梳理短期利率时，有一个朴素的疑问困扰了我一阵子。 当时我在看 3 个月期美国国债（3-Month Treasury Bill，简称 3M T-Bill）。直觉上的买卖过程非常直接：假设我花了 9,900 美元买下一张三个月后到期、面值为 10,000 美元的国债。只要美国政府不违约，三个月后财政部如期兑付 10,000 美元，我净赚 100 美元差价。

最近在整理金融基础笔记，梳理到利率和通胀的关系时，发现自己以前对"加息抑制通胀"的理解一直停留在一个很粗糙的直觉上： 美联储加息 → 大家更愿意把钱存进银行 → 市场上流通的钱变少了 → 通胀就下来了。

起因 # 上一篇写完随机标签实验之后，我对泛化的理解更新了一轮：模型有能力记住随机标签，不代表它面对真实数据时只会死记硬背。capacity、learned function 和 generalization 是三件不同的事。

前段时间在看美股盘面，注意到一个经常出现的现象：CPI 数据公布的那几分钟，所有东西同时在动。 那天的情况大概是这样的：CPI 同比上涨超预期，美股三大指数几乎同时跳水，10 年期国债收益率拉升，黄金也在跌。新闻标题写的是"通胀超预期，降息预期降低"。

从 U-Net 文章结尾的一个问题说起 # 上一篇结尾我写：DDPM 里的 U-Net 和 2015 年原版 U-Net 有几处关键扩展，第一个就是 Timestep Embedding——通过 sinusoidal embedding 将时间步 \(t\) 编码成向量，注入到每个 residual block 中。

起因 # 看 6.S191 的课程内容时，讲到 generalization 相关的话题，提到了一篇 2017 年的论文。 说实话，我以前对"泛化"这件事没有太深入地想过。教科书上的经典说法——模型越复杂越容易过拟合，要用正则化控制复杂度——我一直就这么接受下来了。L1、L2、Dropout 这些方法背后的直觉也说得通：限制模型的有效复杂度，不让它过度拟合训练数据中的噪声。没觉得有什么问题。