## 主要内容 • 可靠的测试环境 • benchstat • 例子与实践 ☐ 例1: 对代码块进行性能调优 ☐ 例2: Benchmark 的正确性分析 ☐ 例3: 其他的影响因素 • 假设检验的原理 • 局限与应对措施 • 总结 ## 教科书式的性能测试方法论 在《Software Testing: Principles and Practices》一书中归纳的性能测试方法论： // 被测函数 } } 执行性能基准测试： $ go test -bench=. ## benchstat benchstat 的功能非常简单，作用只是对性能测试结果进行统计分析，对测量结果进行假设检验，从而消除结果的观测误差（observational error）。 $ go get golang.org/x/perf/cmd/benchstat $ benchstat --help usage: -geomean 输出几何平均值 -sort order 对结果进行排序：[-]delta, [-]name, none（默认值 none） ## benchstat 的原理: 异常值消除+假设检验 当对一个性能基准测试 B 结果反复执行 n 次后，就能得到 $ b_{1} $ ，…， $ b_{n} $ 个不同的结果；在优化代码后，还能得到另外 m 个不同的结果 $ b_{1}'

高级用户 即时在论坛上回答问题 定期问题通知 荣誉&头衔 粉丝关注 Why（目标） Who（角色）影响 (How) Who（功能） J个 影响假设 功能假设 ## 影响地图的特点 结构性 ## 可视化 整体性 整体性 协作性 ## 影响地图的价值 ## 从为什么开始，价值驱动  影响地图有一个关键点： 影响地图的需求只能看成是假设 ## 从影响地图到产品Backlog ![Im

本书面向学生（本科生或研究生）、工程师和研究人员，他们希望扎实掌握深度学习的实用技术。因为我们从头开始解释每个概念，所以不需要过往的深度学习或机器学习背景。全面解释深度学习的方法需要一些数学和编程，但我们只假设读者了解一些基础知识，包括线性代数、微积分、概率和非常基础的Python编程。此外，在附录中，我们提供了本书所涵盖的大多数数学知识的复习。大多数时候，我们会优先考虑直觉和想法，而不是数学的严谨性。有 .x版本确定适合的版本。 如果我们使用macOS, 假设Python版本是3.9（我们的测试版本）, 将下载名称包含字符串“MacOSX”的bash脚本，并执行以下操作： # 以Intel处理器为例，文件名可能会更改 sh Miniconda3-py39_4.12.0-Mac0SX-x86_64.sh -b 如果我们使用Linux，假设Python版本是3.9（我们的测试版本），将下载名称包含字符串 learning，DL）的基础知识。深度学习是一套强大的技术，它可以推动计算机视觉、自然语言处理、医疗保健和基因组学等不同领域的创新。 ### 1.1 日常生活中的机器学习 机器学习应用在日常生活中的方方面面。现在，假设本书的作者们一起驱车去咖啡店。阿斯顿拿起一部iPhone，对它说道：“Hey Siri！”手机的语音识别系统就被唤醒了。接着，李沐对Siri说道：“去星巴克咖啡店。”语音识别系统就自动触发语音转文字

矩阵乘法通常不是可交换的；也就是说，通常 $ AB \neq BA $ 。 （例如，假设 $ A \in R^{m \times n} $ ， $ B \in R^{n \times p} $ ，如果 m 和 q 不相等，矩阵乘积 BA 甚至不存在！） 如果您不熟悉这些属性，请花点时间自己验证它们。例如，为了检查矩阵乘法的相关性，假设 $ A \in R^{m \times n} $ ， $ B \in 对于矩阵 A, B, C, ABC 为方阵, 则: tr ABC = tr BCA = tr CAB, 同理, 更多矩阵的积也是有这个性质。 作为如何证明这些属性的示例，我们将考虑上面给出的第四个属性。假设 $ A \in R^{m \times n} $ 和 $ B \in R^{n \times m} $ （因此 $ AB \in R^{m \times m} $ 是方阵）。观察到 $ $ 存在，我们说A是可逆的或非奇异的，否则就是不可逆或奇异的。为了使方阵A具有逆 $ A^{-1} $ ，则A必须是满秩。我们很快就会发现，除了满秩之外，还有许多其它的充分必要条件。以下是逆的属性；假设 $ A, B \in R^{n \times n} $ ，而且是非奇异的： $$ (A^{-1})^{-1}=A $$ $$ (AB)^{-1}=B^{-1}A^{-1} $$ $

目标 + 选项 + 评估标准|要求逻辑推演和量化分析|直接建议，依赖模型经验归纳| |2\. 分析需求|需深度理解数据/信息、发现模式或因果关系|问题 + 数据/信息 + 分析方法|触发因果链推导与假设验证|表层总结或分类| |3\. 创造性需求|需生成新颖内容（文本/设计/方案）|主题 + 风格/约束 + 创新方向|结合逻辑框架生成结构化创意|自由发散，依赖示例引导| |4\. 验证需求|需检查 容翻译为法语：Hello, world”| |上下文提供者|为AI提供必要的背景信息|“假设你是一位19世纪的历史学家，评论拿破仑的崛起”| |任务定义器|明确指定AI需要完成的任务|“为一篇关于气候变化的文章写一个引言，长度200字”| |输出塑造器|影响AI输出的形式和内容|“用简单的语言解释量子力学，假设你在跟一个10岁的孩子说话”| |AI能力引导器|引导AI使用特定的能力或技能|“使用你 明确关键点：突出最重要的2-3个要求。 · 使用结构化格式：采用清晰的结构来组织需求。 · 提供示例：如果可能，给出期望输出的简短示例。 ## 常见陷阱与应对：新手必知的提示语设计误区 ## 假设偏见陷阱：当AI只告诉你想听的  ##

决策需求|需权衡选项、评估风险、选择最优解|目标+选项+评估标准|要求逻辑推演和量化分析|直接建议，依赖模型经验归纳| |2.分析需求|需深度理解数据/信息、发现模式或因果关系|问题+数据/信息+分析方法|触发因果链推导与假设验证|表层总结或分类| |3.创造性需求|需生成新颖内容（文本/设计/方案）|主题+风格/约束+创新方向|结合逻辑框架生成结构化创意|自由发散，依赖示例引导| |4.验证需求|需检查逻辑自洽性、数据 容翻译为法语：Hello, world”| |上下文提供者|为AI提供必要的背景信息|“假设你是一位19世纪的历史学家，评论拿破仑的崛起”| |任务定义器|明确指定AI需要完成的任务|“为一篇关于气候变化的文章写一个引言，长度200字”| |输出塑造器|影响AI输出的形式和内容|“用简单的语言解释量子力学，假设你在跟一个10岁的孩子说话”| |AI能力引导器|引导AI使用特定的能力或技能|“使用你 明确关键点：突出最重要的2-3个要求。 · 使用结构化格式：采用清晰的结构来组织需求。 · 提供示例：如果可能，给出期望输出的简短示例。 ## 常见陷阱与应对：新手必知的提示语设计误区 ## 假设偏见陷阱：当AI只告诉你想听的 ## 幻觉生成陷阱：当AI自信地胡说八道 ![Image](/uploads/documents/5/1/3/f/513f8baf8f2fc5547b0250d9608bf2de/p27_1

贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。 先验概率：根据以往经验和分析得到的概率。我们用 $ P(Y) $ 来代表在没有训练数据前假设Y拥有的初始概率。 后验概率：根据已经发生的事件来分析得到的概率。以 $ P(Y|X) $ 代表假设X成立的情下观察到Y数据的概率，因为它反映了在看到训练数据X后Y成立的置信度。 ### 1. 贝叶斯方法-背景知识 联合概率：联合概率是指在多元的 联合概率：联合概率是指在多元的概率分布中多个随机变量分别满足各自条件的概率。X与Y的联合概率表示为 $ P(X,Y) $ 、 $ P(XY) $ 或 $ P(X \cap Y) $ 。 假设X和Y都服从正态分布，那么 $ P(X<5,Y<0) $ 就是一个联合概率，表示X<5,Y<0两个条件同时成立的概率。表示两个事件共同发生的概率。 ### 1. 贝叶斯方法 ## 贝叶斯公式 =P(Y)P(X|Y) $$ 概率估计方法可以是极大似然估计或贝叶斯估计。 ### 2. 朴素贝叶斯原理 ## 2 ．朴素贝叶斯法的基本假设是条件独立性。 $$ \begin{array}{r l}{\mathrm{P}(\mathrm{X}}&{=\mathrm{x}|\mathrm{Y}=\mathrm{c}_{\mat

（全概率定律）：如果 $ A_{1}, \cdots, A_{k} $ 是一些互不相交的事件并且它们的并集是 $ \Omega $ ，那么它们的概率之和是 1 ### 1.1 条件概率和独立性 假设B是一个概率非0的事件，我们定义在给定B的条件下A的条件概率为： $$ P(A|B)\triangleq\frac{P(A\cap B)}{P(B)} $$ 换句话说， $ P(A|B) $ 举例： 在我们上面的实验中，假设 $ X(\omega) $ 是在投掷序列 $ \omega $ 中出现的正面的数量。假设投掷的硬币只有10枚，那么 $ X(\omega) $ 只能取有限数量的值，因此它被称为离散随机变量。这里，与随机变量X相关联的集合取某个特定值k的概率为： $$ P(X=k):=P(\{\omega:X(\omega)=k\}) $$ 举例： 假设 $ X(\omega) $ 相关联的概率度量的更简单的方法是直接指定随机变量可以假设的每个值的概率。特别地，概率质量函数(PMF)是函数 $ p_{X}:\Omega\rightarrowR $ ，这样： $$ p_{X}(x)\triangleq P(X=x) $$ 在离散随机变量的情况下，我们使用符号 $ Val(X) $ 表示随机变量X可能假设的一组可能值。例如，如果 $ X(\omega) $

更详细的各项主机与周边设备我们将在下个小节进行介绍！在这里我们先来了解一下各元件的关系啰！那就是，电脑是如何运行的呢？ #### 0.1.4 运行流程 如果不是很了解电脑的运行流程的话，鸟哥拿个简单的想法来思考好了～假设电脑是一个人体，那么每个元件对应到那个地方呢？可以这样思考： 行 ![Image](/uploads/documents/b/a/d/d/baddd59ba53136eb9e4b681ed304cd12/p38_1 Mbit。举例来说，大家常听到的 20M/5M 光世代传输速度，如果转成文件大小的 Byte 时，其实理论最大传输值为：每秒 2.5MByte/ 每秒625KByte 的下载/上传速度喔！ 例题：假设你今天购买了500GB的硬盘一颗，但是格式化完毕后却只剩下460GB左右的容量，这是什么原因？答：因为一般硬盘制造商会使用十进制的单位，所以500GByte代表为50010001000*1000By 如果你的主机是用来打3D游戏的，那么显卡的选购是非常重要喔！如果你的主机是用来做为网络服务器的，那么简单的入门级显卡对你的主机来说就非常够用了！因为网络服务器很少用到3D与图形影像功能。 例题：假设你的桌面使用1024x768分辨率，且使用全彩（每个像素占用3Bytes的容量），请问你的显卡至少需要多少内存才能使用这样的彩度？答：因为1024x768分辨率中会有786432个像素，每个像素占用3Bytes，所以总共需要2

更详细的各项主机与周边设备我们将在下个小节进行介绍！在这里我们先来了解一下各元件的关系啰！那就是，电脑是如何运行的呢？ #### 0.1.4 运行流程 如果不是很了解电脑的运行流程的话，鸟哥拿个简单的想法来思考好了～假设电脑是一个人体，那么每个元件对应到那个地方呢？可以这样思考： ##### 2.1. 0.1 电脑：辅助人脑的好工具 ![Image](/uploads/documents/4/c/c/7/4cc7 Mbit。举例来说，大家常听到的 20M/5M 光世代传输速度，如果转成文件大小的 Byte 时，其实理论最大传输值为：每秒 2.5MByte/ 每秒625KByte 的下载/上传速度喔！ 例题：假设你今天购买了500GB的硬盘一颗，但是格式化完毕后却只剩下460GB左右的容量，这是什么原因？答：因为一般硬盘制造商会使用十进制的单位，所以500GByte代表为500_1000_1000*1000 如果你的主机是用来打3D游戏的，那么显卡的选购是非常重要喔！如果你的主机是用来做为网络服务器的，那么简单的入门级显卡对你的主机来说就非常够用了！因为网络服务器很少用到3D与图形影像功能。 例题：假设你的桌面使用1024x768分辨率，且使用全彩（每个像素占用3Bytes的容量），请问你的显卡至少需要多少内存才能使用这样的彩度？答：因为1024x768分辨率中会有786432个像素，每个像素占用3Bytes，所以总共需要2