疑问《光纤通信》

M40合波之后的信号，是用单薄光纤传输？

光纤通信（第五版）

单模光纤与多模光纤的区别？
- 《光纤通信》（第五版） P74 例4.1
对半导体激光器的直接调制可能会改变其输出波长，增加其线宽（这种现象称为啁啾）

ODL 新建maven项目骨架

mvn archetype:generate -DarchetypeGroupId=org.opendaylight.controller -DarchetypeArtifactId=opendaylight-startup-archetype -DarchetypeRepository=https://nexus.opendaylight.org/content/repositories/public/ -DarchetypeVersion=1.3.1-Carbon

深度学习

对角矩阵受到关注的部分原因是对角矩阵的乘法计算很高效。计算乘法 $diag(v)x$ ,我们只需要将 $x$ 中的每 $x_i$ 放大 $v_i$ 倍。对角方阵的逆矩阵存在，当且仅当对角元素都是非零值，在这种情况下， $diag(v)^{-1}=diag([1/v_1,...,1/v_n]^T)$
正交矩阵指行向量和列向量是分别标准正交的方阵，即
$A^TA = AA^T = I$
这意味着
$A^{-1} = A^{T}$
正交矩阵受到关注是因为求逆计算代价小。
特征向量是使用最广的矩阵分解之一，即我们将矩阵分解成一组特征向量和特征值。
方阵 $A$ 的特征向量是指与A相乘后相当于对该向量进行缩放的非零向量 $v$
$Av = {lambda}v$
其中标量 $lambda$ 称为这个特征向量对应的特征值，通常我们更关注右特征向量。（备注：左特征向量 $v^TA = {lambda} v^T$ ）
如何理解矩阵特征值？
相似矩阵有什么用？
假设矩阵 $A$ 有n个线性无关的特征向量 ${v^{(1)},...,v^{(n)} }$ ,对应着特征值 ${ lambda_1,...,lambda_2 }$ 。我们将特征向量连接成一个矩阵。使得每一列是一个特征向量； $V = {v^{(1)},...,v^{(n)} }$ 。类似地，我们也可以将特征值连接成一个向量 $lambda = [ lambda_1,...,lambda_2 ]^T$ 。因此 $A$ 的特征分解可以记作
$A = Vdiag(lambda)V^{-1}$
证明:
$AV = A[v^{(1)},...,v^{(n)}]= [Av^{(1)},...,Av^{(n)} ]$
$V diag(lambda)= [v^{(1)},...,v^{(n)}] diag(lambda)= [v^{(1)}{lambda}_1,...,v^{(n)} {lambda}_n]$
$AV = V diag(lambda)$
$A: 1*1$
$V:1*n$
$diag(lambda) : n*n$
线性代数（同济大学第六版）第五章第3节定理 4 n阶矩阵 $A$ 与对角矩阵相似(即 $A$ 能对角化)的充分必要条件是 $A$ 有n个线性无关的特征向量
奇异值分解详解
奇异值分解的物理意义
- 矩阵乘法运算律:
  $(AB)C = A(BC)$
  $lambda (AB)=(lambda A)B=A(lambda B)$
  $A(B+C)=AB+AC, (B+C)A=BA+CA$
- $(A^TA)^T=A^TA$
  $(AA^T)=AA^T$
  $AA^T$ 和 $A^TA$ 是实对称矩阵，可以相似三角化。
- $A=XY=sum_{i=1}^{k}{delta _i u_i v_i^T} = sum_{i=1}^{k}{Av_i v_i^T} = A sum_{i=1}^{k}{v_i v_i^T} = AE$
- 点乘 $Av_i$ 是列向量
  $Av_i cdot Av_i= (Av_i)^TAv_i$

所谓职业发展看三条

1.有好的职业前景：说白了就是能升职有好人脉，是可持续的；

2.有好的薪酬：拿好多钱，而且是可持续的，不是三天打鱼，两天晒网；

3.能学到东西：不受岗位和管理体系的影响，持续的学习技能，当然也有胶片。

自己衡量，都要持续性，那你就好好考虑你能在这里持续多少时间吧，不然，早点了断。

Killer Expression

Day 4
- Could you do me a favor?
  I’d be happy to.
- What’s the due date for this report?
  Next Tuesday.
- This building was built about 4 years ago, wasn’t it?
  That’s true.
- Why is Mr.Reynolds taking another job?
  The salaries are better.
- Who has the designs for the new building project?
  The secretary should have them.
- Where did Ms.Wilson leave the fabric samples?
  At the reception area.
- Mr. Lockwood, can you submit this expense report today?
  Sure, I’ll do it right now.
- When will the rental rates go up?
  At the beginning of next month.
- Does your new printer work fine?
  I haven’t had any problems.
- Why is Ms.Anderson working late tonight?
  She has to finish the sales report.
- Do you plan to renew you rent contract or look for another one?
- Maybe she will contact you tomorrow.
- You have to bring your sales receipt with you to get a refund.
- All items will be on sale from next week.
- I think I lost my briefcase somewhere on the way.
- Have they finished the briefing yet?
- What time does the fax from New York arrive?
- The facts are pretty clear in this case.
Day 5
- How is the new fax machine working?
  I haven’t used it yet.
- Where’s the nearest bus stop?
  Where would you like to go?
- Are there any seats available for tonight’s show?
  Let me check.
- Do you think you’ll be moving back to Korea?
  I haven’t decided it yet.
- How long will the sales seminar be delayed?
  We’re not certain yet.
- When is the new date for the marketing conference?
  It hasn’t been confirmed yet.
- Would you like my home number or the work number?
  Where can i reach you more easily?
- Didn’t Mr.Anderson hand in the insurance paperwork yesterday?
  I’ll ask him at the meeting.
- What was the memo from the accounting about?
  I haven’t read it yet.
- What is included in next year’s budget?
  Didn’t you get the report?
- Who would you like to speak to?
- The speech was perfect for this occasion.
- We’ll reach our final destination in 30 minutes.
- You have reached the maintenance office. How may i help you?
- What did you do during your leave of absence.
- I live a few blocks away from here.
- When is the new product demonstration beginning?
- He will be at the central station in 30 minutes.

深度学习

深度学习是一种特定类型的机器学习，具有强大的能力和灵活性，它将大千世界表示为嵌套的层次概念体系（由较简单概念间的联系定义复杂概念，从一般抽象概括到高级抽象表示）。
其中一个概念是分布式表示（distributed representation）（Hinton et al，1986），其思想是系统的每一个输入都应该由多个特征表示，并且每一个特征都应该参与到多个可能输入的表示。例如，假设我们有一个能够识别红色绿色或蓝色的汽车，卡车和鸟类的视觉系统，表示这些输入的其中一个方法是将9个可能的组合：红卡车，红汽车，红鸟，绿卡车等使用单独的神经元或隐藏单元激活。这需要9个不同的神经元，并且每个神经必须独立地学习颜色和对象身份的概念。改善这种情况的方法之一是使用分布式表示，即用3个神经元描述颜色3个神经元描述对象身份。这仅仅需要6个神经元而不是9个，并且描述红色的神经元能够从汽车，卡车和鸟类的图像学习红色，而不仅仅是从一个特定类别的图像中学习。分布式表示的概念是本书的核心。
人们可能想问，既然人工神经网络的第一个实验20世纪50年代就完成了但为什么学习直到最近才被认为是关键技术？自20世纪90年代以来，深度学习就已经成功用于商业应用，但通常被视为一种只有专家才可以使用的艺术而不是一种技术，这种观点一直持续到最近。确实，要从一个深度学习算法获得良好的性能需要一些技巧。幸运的是，随着训练数据的增加，所需的技巧正在减少目前在复杂的任务中达到人类水平的学习算法，与20世纪80年代努力解决玩具问题（toy problem）的学习算法几乎是一样的，尽管我们使用这些算法训练的模型经历了变革，即简化了极深架构的训最重要的新进展是，现在我们有了这些算法得以成功训练所需的资源。图1.8展示了基准数据集的大小如何随着时间的推移而显著增加这种趋势是由社会日益数字化驱动的。由于我们的活动越来越多地发生在计算机上，我们做什么也越来越多地被记录。由于计算机越来多地联网在一起，这些记录变得更容易集中管理并更容易将它们整理成适于机器学习应用的数据集。因为统计估计的主要负担少量数据以在新数据上泛化）已经减轻，“大数据”时代使机器学习更加容易。截至2016年，一个粗略的经验法则是，监督深度学习算法在每类给定约5000个标注样本情况下一般将达到可以接受的性能，当至少有1000万个标注样本的数据集用于训练时，它将达到或超过人类表现。此外，在更小的数据集获得成功是一个重要的研究领域，为此我们应特别侧重于如何通过无监督或半监督学习充分利用大量的未标注样本。