-
transformer用前复权数据
✅ 那为什么还推荐用前复权？ 前复权： 🧠 最优做法（建议）： 如果你是做 趋势预测 / 涨跌判断 / 模型信号分类： ✔️ 用前复权数据训练模型，预测相对涨跌或收益率，不预测绝对价格。 如果你是做 实盘价格预测 / 精确买卖点预测： ✔️ 可以： 如果你是做以下任务： 则前复权数据非常合适。
4 min read
-
4 min read
-
为什么一个人傲慢惹人厌
一个人之所以傲慢而惹人厌，往往是因为他们在行为或态度中表现出对他人的轻视、不尊重或优越感，从而触犯了人际交往中最基本的平等与共情原则。 🌪 为什么傲慢让人反感？ 🧠 有时傲慢背后也有心理原因： ✅ 相反，一个人如果： 通常会更受欢迎和信赖。
4 min read
-
为什么光刻机要用紫光
光刻机使用紫光，特别是极紫外（EUV）光，是因为它具有适合制造微小电子元件的短波长特性。光刻是半导体制造过程中非常关键的步骤，用于将电路图案印刷到硅晶圆上。在光刻过程中，光源的波长直接影响到能够制造的电路的最小尺寸。下面解释一下为什么紫光或极紫外光（EUV）对于光刻机非常重要。 1. 波长决定可分辨的最小尺寸 2. 追求更小的制程节点 3. 提高制造能力 4. 传统紫外光的局限性 5. EUV光刻的挑战 6. EUV光刻的前景
4 min read
-
芯片结构
目前的芯片结构通常是二维结构（2D），即芯片的所有电路和功能单元都在同一平面上集成。然而，随着技术的进步，越来越多的新型结构正在被开发和采用，包括三维芯片结构（3D）和异构集成结构等。接下来，我会概述目前常见的芯片结构及其发展趋势。 1. 二维结构（2D）芯片 二维芯片结构是目前最常见的芯片设计方式，几乎所有传统的微处理器和集成电路（IC）都是基于二维结构设计的。在二维结构中，所有的电路元件都在同一层的硅基板上平铺。 特点： 优势： 持续挑战： 2. 三维芯片结构（3D） 三维芯片结构通过将多个功能层垂直堆叠，充分利用垂直空间来提高芯片的计算能力和集成度。各个电路层之间通过**硅通孔（TSV, Through-Silicon Via）**进行连接，从而在物理空间上进行“叠加”设计。 特点： 优势： 持续挑战： 3. 异构集成芯片结构 异构集成指的是将不同类型的处理单元（如CPU、GPU、FPGA、AI加速器等）集成在同一芯片上或同一封装中，提供更强大的计算能力。异构集成芯片往往将不同的处理单元堆叠或集成在一个封装内，使它们能够更高效地协同工作。 特点： 优势： 持续挑战： 4. 量子芯片结构 量子芯片是基于量子计算原理设计的计算设备，利用量子比特（qubit）进行计算。量子芯片的工作原理与传统的半导体芯片不同，它使用量子叠加和量子纠缠等现象来进行计算。 特点： 优势： 持续挑战：
4 min read
-
神经形态计算
神经形态计算（Neuromorphic Computing） 是一种模拟人类大脑神经系统工作原理的计算方法。它通过模仿大脑的结构和功能来设计计算系统，目标是提高计算效率，特别是在处理模式识别、感知、学习和记忆等任务时，能够模拟大脑的处理方式，从而在某些领域超越传统的计算模型。 🧠 神经形态计算的基本概念 神经形态计算的灵感来源于大脑的神经元和突触。在大脑中，神经元通过突触与其他神经元连接，进行信息传递和处理。神经形态计算通过模仿这些生物学结构和功能，设计能够高效进行计算的硬件和算法。与传统的计算方法不同，神经形态计算注重模拟生物神经网络的行为，而不仅仅是基于数字计算模型的模拟。 🧩 神经形态计算的核心组成部分 🔄 神经形态计算的工作原理 神经形态计算并不是传统的基于二进制的计算，而是模拟大脑中神经元如何相互作用来处理信息。它使用事件驱动的计算模型，其中神经元在接收到足够的输入信号后会产生脉冲，并与其他神经元的连接（突触）进行交互。系统通过调整突触的连接强度来实现“学习”和“记忆”。 🧳 神经形态计算的优势 🔬 神经形态计算的应用领域 🛠️ 神经形态计算的硬件平台
4 min read
