芝诺悖论之阿基里斯与龟问题

故事:

阿基里斯是古希腊神话中身手矫健并且善跑的英雄,在一次阿基里斯与乌龟赛跑的比赛中(设A为起点),乌龟被允许先出发;当阿基里斯起跑时,乌龟已经抵达路途中的某处(设为B点)。因为阿基里斯跑的很快,他很快就到了B点,而这时,乌龟已经又向前移动了一点距离到了C点,当阿基里斯跑到了C点,乌龟已经爬到更远的D点,以此往复,尽管阿基里斯一直在追赶乌龟,他们之间的距离也在逐渐缩短,但阿基里斯却永远都追不上乌龟。

上面芝诺提出的问题,看似合理,但根据我们的生活常识,我们知道它是个悖论,但又说不出来哪里不合理。问题的关键在于,当时的人们并不知道一个物理公式,速度=距离/时间。

┴───────┴────┴───┴──┴──┴──
A       B    C   D  E  F

原理:

在故事中一次次循环的每一个阶段中,B→C,C→D,…,逐步递减距离的同时,时间间隔也在减少,而无穷多个步骤不对应无限长的时间,所以这个是悖论的关键问题所在,解决这个问题的办法,就是用数学上的几何级数。 1+1/2+1/4+1/8+1/16+1/32+…,将下面的小数一直加下去就会越来越接近2。我们应当考虑每阶段阿基里斯与乌龟之间逐渐递减的距离,而不是两者的个别位置。由于他们各自以不同的等速度前进,两者之间的距离也已等速逐渐减少。

应用到阿基里斯追乌龟的问题上,假如阿基里斯速度是10m/s,乌龟速度是1m/s,乌龟在前面100m。实际情况是阿基里斯必然会在100/9秒之后追上乌龟。按照悖论的思路,5秒之后两者的速度会减半,再过两秒半再减半,再过已有四分之一秒之后再减半,循环下去。当我们将这些逐步递减的时间间隔中逐步递减的跑步距离累加起来,还是会得到10秒之后超过乌龟的结果。而这10秒正是无穷级数的总和,5s+2.5s+1.25s+0.625s+…累加起来,直到下一个累加的分数小道让我们原因停下来为止。

这里写图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 38
    评论
bp法是一种用于神经网络训练的算法,包括信号的正向传播和误差的反向传播两个过程。正向传播是从输入层到输出层的信号传递过程,通过神经网络的参数进行线性变换和非线性激活操作,最终得到预测结果。反向传播是根据预测结果和真实标签之间的误差,通过链式法则计算参数的梯度,并利用梯度下降算法更新参数,不断优化网络的预测结果。 在Python中实现bp算法可以使用各种深度学习框架,比如TensorFlow、PyTorch等。通常需要定义神经网络的结构,包括输入层、隐藏层和输出层,以及每个层之间的连接权重和偏置。然后,通过迭代训练数据集,不断更新参数,直到达到预设的训练目标。 下面是一个使用Python实现的线性全连接层的代码示例: ``` class LinearLayer: def __init__(self, input_D, output_D): self._W = np.random.normal(0, 0.1, (input_D, output_D)) # 初始化不能为全0 self._b = np.random.normal(0, 0.1, (1, output_D)) self._grad_W = np.zeros((input_D, output_D)) self._grad_b = np.zeros((1, output_D)) def forward(self, X): return np.matmul(X, self._W) + self._b def backward(self, X, grad): self._grad_W = np.matmul(X.T, grad) self._grad_b = np.matmul(grad.T, np.ones(X.shape[0])) return np.matmul(grad, self._W.T) def update(self, learn_rate): self._W = self._W - self._grad_W * learn_rate self._b = self._b - self._grad_b * learn_rate ``` 以上代码实现了一个线性全连接层,包括正向传播和反向传播的计算操作,以及参数的更新。在正向传播中,输入矩阵X与权重矩阵W进行矩阵乘法运算,然后加上偏置矩阵b。在反向传播中,根据梯度grad计算参数的梯度grad_W和grad_b,并返回激活函数的梯度。最后,在参数更新步骤中,通过梯度下降算法更新参数W和b。 您还有其他问题吗?

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 38
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