橫軸代表輸入值 (z)
縱軸代表輸出值 (J(z))當輸入值小於或等於閾值 κ 時，函數輸出為 0
當輸入值大於閾值 κ 時，函數輸出等於輸入值本身。
閾值 κ意味著只有超過閾值的輸入特徵才會被模型考慮，而其他特徵則會被忽略(稀疏性)
google的gemma2模型有應用到此activation function ，進而讓模型可解釋化
留言
Princend的沙龍
0會員
34內容數
Princend的沙龍的其他內容
2025/01/26
這本書旨在幫助創作者分享他們的過程並與受眾建立聯繫，而非僅僅是推銷自己。
## 第一章：你不需要是個天才
* **創造力不只是天賦，而是一種運作方式** 。
* 不要相信「孤獨的天才」神話，偉大的作品往往來自於一個互相支持、彼此學習的「群體」（**scenius**）
2025/01/26
這本書旨在幫助創作者分享他們的過程並與受眾建立聯繫，而非僅僅是推銷自己。
## 第一章：你不需要是個天才
* **創造力不只是天賦，而是一種運作方式** 。
* 不要相信「孤獨的天才」神話，偉大的作品往往來自於一個互相支持、彼此學習的「群體」（**scenius**）
2024/12/31
今年嘗試往不同領域去學習
甚至裸辭參加AI職訓班
雖然成長的幅度沒有想像的那麼好
但是至少是有成長的
期待未來的我
能夠持續學習
達到心中所想的目標
2024/12/31
今年嘗試往不同領域去學習
甚至裸辭參加AI職訓班
雖然成長的幅度沒有想像的那麼好
但是至少是有成長的
期待未來的我
能夠持續學習
達到心中所想的目標
2024/12/25
馬可夫鍊（Markov Chain） 是一種數學模型，用來描述一個系統在不同狀態之間的轉移過程，特點是未來的狀態只取決於當前狀態，而與過去的狀態無關。這種性質稱為馬可夫性質，即「無記憶性」。馬可夫鍊常用於統計學、機器學習、經濟學、生物學等領域。
2024/12/25
馬可夫鍊（Markov Chain） 是一種數學模型，用來描述一個系統在不同狀態之間的轉移過程，特點是未來的狀態只取決於當前狀態，而與過去的狀態無關。這種性質稱為馬可夫性質，即「無記憶性」。馬可夫鍊常用於統計學、機器學習、經濟學、生物學等領域。
你可能也想看
這篇是給初學技術分析者的建議，覺得去蕪存菁，最簡潔有效的東西。
1.認識什麼是K線，開高低收，成交量。
2.知道均線與均量的數學意義。
3.學習簡單的走勢型態，比如W底M頭，切線，跳空缺口。
以上3點就足夠了，不管基於什麼說法想法理由，都不要花時間去學任何其他指標。
這篇是給初學技術分析者的建議，覺得去蕪存菁，最簡潔有效的東西。
1.認識什麼是K線，開高低收，成交量。
2.知道均線與均量的數學意義。
3.學習簡單的走勢型態，比如W底M頭，切線，跳空缺口。
以上3點就足夠了，不管基於什麼說法想法理由，都不要花時間去學任何其他指標。
LeakyReLU (Leaky Rectified Linear Unit)
1.在 x≤0 區域，允許輸出一個小於 0 的線性值（αx ），有效解決神經元死亡問題。
2.在負值區域保留梯度，避免梯度消失，適合深層網路的訓練。
3.雖然負值區域仍有小幅影響，但需要設定合適的 α（通常為
LeakyReLU (Leaky Rectified Linear Unit)
1.在 x≤0 區域，允許輸出一個小於 0 的線性值（αx ），有效解決神經元死亡問題。
2.在負值區域保留梯度，避免梯度消失，適合深層網路的訓練。
3.雖然負值區域仍有小幅影響，但需要設定合適的 α（通常為
大家最常聽到供需由市場來決定，但是常常商業上卻不是這樣。
供需理論裡面:最重要就是需求與供給之間的關係。
在經濟學模型中用以決定市場的均衡價格和均衡產量[Equilibrium]。
這個曲線模型的因果關係為價格(Price)是因、數量(Quantity)是果。
大家最常聽到供需由市場來決定，但是常常商業上卻不是這樣。
供需理論裡面:最重要就是需求與供給之間的關係。
在經濟學模型中用以決定市場的均衡價格和均衡產量[Equilibrium]。
這個曲線模型的因果關係為價格(Price)是因、數量(Quantity)是果。
今天要介紹的策略非常簡單，用到兩個免費的Tradingview指標，結合ICT的交易概念：結構轉換（Change Of Character）及折溢價區（Discount Zone & Premium Zone），廢話不多說，直接進入正題！
在Tradingview技術指標搜尋Smart Money
今天要介紹的策略非常簡單，用到兩個免費的Tradingview指標，結合ICT的交易概念：結構轉換（Change Of Character）及折溢價區（Discount Zone & Premium Zone），廢話不多說，直接進入正題！
在Tradingview技術指標搜尋Smart Money
這篇文章將分享作者在量化交易中的一些心得和經驗，包括使用線性表示商品未來合理價格、避免以單一指標決定交易等。透過這些觀點，讀者可以獲得更多對量化交易的理解。
這篇文章將分享作者在量化交易中的一些心得和經驗，包括使用線性表示商品未來合理價格、避免以單一指標決定交易等。透過這些觀點，讀者可以獲得更多對量化交易的理解。
緩解與未緩解是訂單流的核心概念，簡單來說就是透過識別未緩解區域，了解主力和大量訂單的入場位置。
什麼是緩解與未緩解？
未緩解指的是在一段時間中市場效率低下，買單和賣單的無法相互匹配成交時，會在市場形成一個價位的空洞，就會將其稱之為未緩解。
如上圖所繪，中間K線未與上下K線所重疊，其中K線空洞的
緩解與未緩解是訂單流的核心概念，簡單來說就是透過識別未緩解區域，了解主力和大量訂單的入場位置。
什麼是緩解與未緩解？
未緩解指的是在一段時間中市場效率低下，買單和賣單的無法相互匹配成交時，會在市場形成一個價位的空洞，就會將其稱之為未緩解。
如上圖所繪，中間K線未與上下K線所重疊，其中K線空洞的
5 月將於臺北表演藝術中心映演的「2026 北藝嚴選」《海妲・蓋柏樂》，由臺灣劇團「晃晃跨幅町」製作，本文將以從舞台符號、聲音與表演調度切入，討論海妲・蓋柏樂在父權社會結構下的困境，並結合榮格心理學與馮．法蘭茲對「阿尼姆斯」與「永恆少年」原型的分析，理解女人何以走向精神性的操控、毀滅與死亡。
5 月將於臺北表演藝術中心映演的「2026 北藝嚴選」《海妲・蓋柏樂》，由臺灣劇團「晃晃跨幅町」製作，本文將以從舞台符號、聲音與表演調度切入，討論海妲・蓋柏樂在父權社會結構下的困境，並結合榮格心理學與馮．法蘭茲對「阿尼姆斯」與「永恆少年」原型的分析，理解女人何以走向精神性的操控、毀滅與死亡。
這是一場修復文化與重建精神的儀式，觀眾不需要完全看懂《遊林驚夢：巧遇Hagay》，但你能感受心與土地團聚的渴望，也不急著在此處釐清或定義什麼，但你的在場感受，就是一條線索，關於如何找著自己的路徑、自己的聲音。
這是一場修復文化與重建精神的儀式，觀眾不需要完全看懂《遊林驚夢：巧遇Hagay》，但你能感受心與土地團聚的渴望，也不急著在此處釐清或定義什麼，但你的在場感受，就是一條線索，關於如何找著自己的路徑、自己的聲音。
本文分析導演巴里・柯斯基（Barrie Kosky）如何運用極簡的舞臺配置，將布萊希特（Bertolt Brecht）的「疏離效果」轉化為視覺奇觀與黑色幽默，探討《三便士歌劇》在當代劇場中的新詮釋，並藉由舞臺、燈光、服裝、音樂等多方面，分析該作如何在保留批判核心的同時，觸及觀眾的觀看位置與人性幽微。
本文分析導演巴里・柯斯基（Barrie Kosky）如何運用極簡的舞臺配置，將布萊希特（Bertolt Brecht）的「疏離效果」轉化為視覺奇觀與黑色幽默，探討《三便士歌劇》在當代劇場中的新詮釋，並藉由舞臺、燈光、服裝、音樂等多方面，分析該作如何在保留批判核心的同時，觸及觀眾的觀看位置與人性幽微。
本章主要說明雙層次之隨機截距模型的公式和SPSS操作，我們先從最簡單的一個Level 1固定自變項模型開始，到複雜的兩個Level 1和1個Level 2固定自變項模型，相信看完後，讀者就會了解雙層次之隨機截距模型概念和操作。
本章主要說明雙層次之隨機截距模型的公式和SPSS操作，我們先從最簡單的一個Level 1固定自變項模型開始，到複雜的兩個Level 1和1個Level 2固定自變項模型，相信看完後，讀者就會了解雙層次之隨機截距模型概念和操作。
背景：從冷門配角到市場主線，算力與電力被重新定價
小P從2008進入股市，每一個時期的投資亮點都不同，記得2009蘋果手機剛上市，當時蘋果只要在媒體上提到哪一間供應鏈，隔天股價就有驚人的表現，當時光學鏡頭非常熱門，因為手機第一次搭上鏡頭可以拍照，也造就傳統相機廠的殞落，如今手機已經全面普及，題
背景：從冷門配角到市場主線，算力與電力被重新定價
小P從2008進入股市，每一個時期的投資亮點都不同，記得2009蘋果手機剛上市，當時蘋果只要在媒體上提到哪一間供應鏈，隔天股價就有驚人的表現，當時光學鏡頭非常熱門，因為手機第一次搭上鏡頭可以拍照，也造就傳統相機廠的殞落，如今手機已經全面普及，題
交叉熵（Cross-Entropy）是一種用於評估模型預測與真實標籤之間差異的損失函數，常見於分類任務。
其核心是衡量預測分佈與目標分佈的相似程度，數值越小代表預測越準確。
當模型的預測與真實標籤完全不符 ， y hat趨近 0 時 ，log(y hat) 會趨近負無窮，導致交叉熵損失非常大。
交叉熵（Cross-Entropy）是一種用於評估模型預測與真實標籤之間差異的損失函數，常見於分類任務。
其核心是衡量預測分佈與目標分佈的相似程度，數值越小代表預測越準確。
當模型的預測與真實標籤完全不符 ， y hat趨近 0 時 ，log(y hat) 會趨近負無窮，導致交叉熵損失非常大。