1.21博弈论第三讲笔记

囚犯困境

  1. 囚犯困境及其原因
  2. 真实世界中的囚犯困境
  3. 如何走出囚犯困境

一,囚犯困境的来源

在这里插入图片描述
游戏规则决定游戏的结局
很多时候均衡的结果与事实的真相是没有关系的

二,囚犯困境的定义及原因分析

(1)一般条件下的囚犯困境
在这里插入图片描述
(2)对称条件下的囚犯困境

在这里插入图片描述
(3)原因分析
表面上看囚犯对自身利益的追求是导致囚犯困境的原因,其实真正的原因是:囚犯们在追求自身利益的同时,以更多的损害他人利益为代价。
囚犯困境的根本原因在于:私人成本与社会成本的差异,即个人行为的负外部性。

#损人利己和损己利人本质上是一样的,是一个硬币的正反两面,从一方看来是损己利人的行为,在另一方看来是损人利己的行为,问题的关键是指所损失的部分和利得的部分哪个更多。

#如果有一种制度,在该制度下,每个人都只能通过利人才能实现利己的目标,这一定是一种好的制度。(市场的逻辑)

#大跃进谎言形成的原因:人民公社环境下的偷懒博弈

三,真实世界的囚徒困境

(1)大萧条与凯恩斯革命
1929-1932年西方大萧条:工业产值下降,物价下跌,平均失业率升高,市场调节能力失灵,无法实现充分就业的目标
凯恩斯对大萧条的解释:1.消费需求不足2.投资需求不足3.价格刚性(其中1.2都具有正外部性,正外部性:生产和消费给他人带来收益而受益者不必为此支付的现象。)
(2)价格战
价格战:商品差不多的情况下通过降价的手段来争取多获利,但一方降价另一方也跟着降价。当两家企业打价格战都是无利可赚的。
(3)独裁与多数人的懦弱
枪打出头鸟,起先反抗的人会先被制裁。
(4)民主与多数人的暴政
民主必须与法治相辅相成,才能避免多数人的暴政。

四、如何破解囚犯困境

一、道德教化(社会学基本定理)
二、制度建设(财产私有)
如:圈地运动,人民公社
三、温故知新
让历史告诉未来(重复博弈)

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值