111qqz

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

上一篇《从 RNN 到 Self-Attention》结尾记账时留了一条：去掉 recurrence 之后，顺序不再天然编码在计算过程里，摊平的 attention 层需要额外把顺序信息补回去，「具体怎么补，下一篇再说」。

上一篇《夏普比率到底衡量了什么》的结尾说，接下来换个视角，从公司本身出发聊市盈率。这篇接着写。

上一篇《从 RNN / LSTM / GRU 到早期 Attention》结尾我留了一句话：早期的 attention 并不是为了取代 RNN 而出现的，它只是夹在 encoder–decoder 中间解决 fixed-context bottleneck；但“根据当前需求去读取一组 representation”这种机制，并不一定要依附在 RNN 上。这篇接着讲那个“另一个故事”。

上一篇《风险也不是一个数字》的结尾留了一句：收益和风险都拆成了一组指标，但一项投资还是没法只看其中一边，下一篇写夏普比率，以及"风险调整后收益"到底调整了什么。这篇来还这笔账。

上一篇《收益率不是一个数字》最后留下了一句话：同样赚了 10%，一路平稳和先腰斩再翻倍的体验完全不同。我本来以为接下来该看"怎么比较投资"了，结果发现前面还缺一块——先把风险这半边理清楚。

上一篇《从 RNN 到 LSTM，再到 GRU》把 gate 机制理了一遍：LSTM / GRU 把 recurrent state 的信息流变成了可学习的动态控制，决定什么写入、什么保留、什么暴露。写到那里，我以为 RNN 这条线差不多收尾了。

一笔买入、一笔卖出 # 前段时间把基金从业资格考试的两门科目考完了。准备的过程里，我第一次完整地看到"收益率"这个词下面的各种定义，也发现过去自己对它的把握只有一句话：赚到的钱除以本金。

最近重新复习经典序列模型时，我发现不少资料把重点放在“门（gate）”的数量和复杂公式的罗列上，反而容易忽略这些设计背后的 trade-off。复习的时候，我更想把它们放回 architecture design 的角度看一遍。

最近在重新跟 MIT 6.S191 和 CS336，发现自己处在一个有点尴尬的状态：RNN 的 forward 随时能默写，hidden state 一步一步往前推，没什么好想的。但如果有人接着问"那它到底怎么 backward"，我能说出来的只剩几个词——BPTT、沿时间反向传播、梯度消失——再往下就模糊了。