tval3算法

㈠ al算法是什么意思

是指人工智能算法。

Al是Artificial Intelligence，中文是人工智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

人工智能的发展：

当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。

如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。

人们或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。

㈡ 变压器参数中tv中性点还是第三绕组

变压器参数中的TV代表的是腔敬樱变压器的中性点，即变压器稿拿的零序输出端伍丛，它位于变压器的第三绕组，也即联接着地线的部分。

㈢ 算法的描述、特性以及概念

描述算法的方法有多种，常用的有自然语言、结构化流程图、伪代码和PAD图等，其中最普遍的是流程图。

分类：算法可大致分为基本算法、数据结构的算法、数论与代数算法、计算几何的算法、图论的算法、动态规划以及数值分析、加密算法、排序算法、检索算法、随机化算法、并行算法，厄米变形模型，随机森林算法。

特征：有穷性，算法的有穷性是指算法必须能在执行有限个步骤之后终止；确切性，算法的每一步骤必须有确切的定义；输入项：一个算法有0个或多个输入，；输出项；可行性，算法中执行的任何计算步骤都是可以被分解为基本的可执行的操作步，即每个计算步都可以在有限时间内完成。

(3)tval3算法扩展阅读

算法历史：

“算法”即算法的大陆中文名称出自《周髀算经》；而英文名称Algorithm 来自于9世纪波斯数学家al-Khwarizmi，al-Khwarizmi在数学上提出了算法这个概念。“算法”，意思是阿拉伯数字的运算法则，在18世纪演变为"algorithm"。

因为巴贝奇未能完成他的巴贝奇分析机，这个算法未能在巴贝奇分析机上执行。 20世纪的英国数学家图灵提出了着名的图灵论题，并提出一种假想的计算机的抽象模型，这个模型被称为图灵机。图灵机的出现解决了算法定义的难题，图灵的思想对算法的发展起到了重要作用。

㈣ p/tV公式怎么计算

算法如下：
相信各位都碰到过这样的问题，GRR计算出的%P/T与%P/Tv不一样，严重的甚至会出现结论不一致的情况。
比如%P/T说测量系统合格，但%P/Tv说不合格，有时也会有相反的情况，原来%P/T与%P/Tv不一样是过程本身就注定的。
只有在Pp=1时两者才相同，但对于过程来说这是个能力指数是不足够的。
当要求过程能力必须大于1、33时，GRR的这两个指数就肯定不一样了。首先%P/T>30%是肯定不能接受的。这是个绝对运春指标，如果不好只能旁腔耐说明测量系统波动过大，需要圆宽立即改进。
在%P/T满足要求的条件下，要看%P/Tv的情况。
%P/Tv是一个相对指标，如果过程波动大(过程能力差)，那么测量系统波动大一些也是可以保持较好的分辨力的(ndc较大)。
但当过程能力提高时，这个测量系统就不能用了，需要改进或者升级。

㈤ appletv3如何降级

appletv3降级方法：
1、先将AppleTV与谨枣电视连接，打开苹果TV菜单，然后选择设置，接着点击系统。
2、在里面找到“软件更新”，此时会有一个下拉菜单，里面会显示应当升级或降级的软件版本。选择想要的版本。
3、最后点击安装穗晌猛，稍等片刻，降级就完成了。猜桥

㈥ 数据结构kmp算法中的next函数

我只晓得next
我想你还是不太了解KMP（其实我也不算很懂，尽量说吧O(∩_∩)O~交流下）
那个next其实是T串（字串）自己和自己匹配所得到的。
方法和S T匹配尘兄时一样，主不过以前是遇到不匹配时回到NEXT【j】，这个函数中则是遇到不匹搜兄嫌配记录下不匹配的位置(说明前面得j个是后面串的后缀)。
至于您说的那个
tvalnext
我不清楚，你能发过来么？一起学习世手下。O(∩_∩)O~

㈦ 高一化学常用计算方法，比如说十字交叉法，差量法等等，都帮我详细讲解一下

一、差量法
在一定量溶剂的饱和溶液中，由于温度改变（升高或降低），使溶质的溶解度发生变化，从而造成溶质（或饱和溶液）质量的差量；每个物质均有固定的化学组成，任意两个物质的物理量之间均存在差量；同样，在一个封闭体系中进行的化学反应，尽管反应前后质量守恒，但物质的量、固液气各态物质质量、气体体积等会发生变化，形成差量。差量法就是根据这些差量值，列出比例式来求解的一种化学计算方法。该方法运用的数学知识为等比定律及其衍生式：或。差量法是简化化学计算的一种主要手段，在中学阶段运用相当普遍。常见的类型有：溶解度差、组成差、质量差、体积差、物质的量差等。在运用时要注意物质的状态相相同，差量物质的物理量单位要一致。
1.将碳酸钠和碳酸氢钠的混合物21.0g，加热至质量不再变化时，称得固体质量为14.8g。求混合物中碳酸钠的质量分数。

2.实验室用冷却结晶法提纯KNO3，先在100℃时将KNO3配成饱和溶液，再冷却到30℃，析出KNO3。现欲制备500g较纯的KNO3，问在100℃时应将多少克KNO3溶解于多少克水中。（KNO3的溶解度100℃时为246g，30℃时为46g）

3.某金属元素R的氧化物相对分子质量为m，相同价态氯化物的相对分子质量为n，则金属元素R的化合价为多少？

4.将镁、铝、铁分别投入质量相等、足量的稀硫酸中，反应结束后所得各溶液的质量相等，则投入的镁、铝、铁三种金属的质量大小关系为（ ）
（A）Al＞Mg＞Fe （B）Fe＞Mg＞Al （C）Mg＞Al＞Fe （D）Mg=Fe=Al

二、十字交叉法
凡能列出一个二元一次方程组来求解的命题，即二组分的平均值，均可用十字交叉法，此法把乘除运算转化为加减运算，给计算带来很大的方便。
十字交叉法的表达式推导如下：设A、B表示十字交叉的两个分量，表示两个分量合成的平均量，xA、xB分别表示A和B占平均量的百分数，且xA+xB=1，则有：
A•xA+B•xB= （xA+xB） 化简得：
若把 放在十字交叉的中心，用A、B与其交叉相减，用二者差的绝对值相比即可得到上式。

十字交叉法应用非常广，但不是万能的，其适用范围如表4—2：

含 化学
义 量
类型 A、B
xA、xB

1 溶液中溶质
质量分数 混合溶液中溶质质量质量分数 质量分数

2 物质中某元素
质量分数 混合物中某
元素质量分数 质量分数
3 同位素相对
原子质量 元素相对
原子质量 同位素原子
百分组成
4 某物质相对
分子质量 混合物平均相对分子质量 物质的量分数
或体积分数
5 某物质分子
组成 混合物的平均
分子组成 物质的量分数
6 用于某些综合计算：如十字交叉法确定某些盐的组成、有机物的组成等
正确使用十字交叉法解题的关键在于：（1）正确选择两个分量和平均量；（2）明确所得比为谁与谁之比；（3）两种物质以什么为单位在比。尤其要注意在知道质量平均值求体积或物质的量的比时，用此法并不简单。
1. 现有50g 5%的CuSO4溶液，把其浓度增大一倍，可采用的方法有：（1）可将原溶液蒸发掉 g水；（2）可向原溶液中加入12.5% CuSO4溶液 g；（3）可向原溶液中加入胆矾 g；（4）可向原溶液中加入CuSO4白色粉末 g。

2 . 今有NH4NO3和CO(NH2)2混合化肥，现测得含氮质量分数为40%，则混合物中NH4NO3和CO(NH2)2的物质的量之比为（ ）
（A）4∶3 （B）1∶1 （C）3∶4 （D）2∶3
三、平均法
对于含有平均含义的定量或半定量习题，利用平均原理这一技巧性方法，可省去复杂的计算，迅速地作出判断，巧妙地得出答案，对提高解题能力大有益处。平均法实际上是对十字交叉所含原理的进一步运用。解题时，常与十字交叉结合使用，达到速解之目的。原理如下：
若A>B，且符合 ，则必有A> >B，其中是A、B的相应平均值或式。xA•xB分别是A、B的份数。
常见的类型有：元素质量分数、相对原子质量、摩尔电子质量、双键数、化学组成等平均法。有时运用平均法也可讨论范围问题。
1. 某硝酸铵样品中氮的质量分数25%，则该样品中混有的一组杂质一定不是（ ）
（A）CO(NH2)2和NH4HCO3 （B）NH4Cl和NH4HCO3
（C）NH4Cl和(NH4)2SO4 （D）(NH4)2SO4和NH4HCO3
2. 把含有某一种氯化物杂质的氯化镁粉末95mg溶于水后，与足量的硝酸银溶液反应，生成氯化银沉淀300mg，则该氯化镁中的杂质可能是（ ）
（A）氯化钠 （B）氯化铝 （C）氯化钾 （D）氯化钙
3. 某含杂质的CaCO3样品只可能含有下列括号中四种杂质中的两种。取10g该样品和足量盐酸反应，产生了2.24L标准状况下的CO2气体。则该样品中一定含有 杂质，可能含有 杂质。（杂质：KHCO3、MgCO3、K2CO3、SiO2）

4 .（1）碳酸氢铵在170℃时完全分解，生成的混和气体平均相对分子质量是 。
（2）某爆鸣气中H2和O2的质量分数分别为75%和25%，则该爆鸣气对氢气的相对密度是 。
（3）体积为1 L的干燥容器充入HCl气体后，测得容器中气体对氧气相对密度为1.082，用此气体进行喷泉实验，当喷泉停止后，进入容器中液体的体积是 。

附：平均摩尔质量（ ）的求法：
① m总—混和物叫质量 n总—混和物总物质的量
② =M1•n1%+M2•n2%+… M1、M2……各组分的摩尔质量，n1%、n2%……各组分的物质的量分数。（注： 如是元素的摩尔质量，则M1、M2……是各同位素的摩尔质量，n1%、n2%……是各同位素的原子分数（丰度）。）
③ 如是气体混合物的摩尔质量，则有 =M1•V1%+M2•V2%+…（注：V1%、V2%……气体体积分数。）
④ 如是气体混合物的摩尔质量，则有 =d•MA (注：MA为参照气体的摩尔质量，d为相对密度)
四、 守恒法
在化学反应中存在一系列守恒现象，如：质量守恒（含原子守恒、元素守恒）、电荷守恒、电子得失守恒、能量守恒等，利用这些守恒关系解题的方法叫做守恒法。电荷守恒即对任一电中性的体系，如化合物、混和物、溶液、胶体等，电荷的代数和为零，即正电荷总数和负电荷总数相等。电子得失守恒是指在发生氧化-还原反应时，氧化剂得到的电子数一定等于还原剂失去的电子数，无论是自发进行的氧化-还原反应还是以后将要学习的原电池或电解池均如此。
a. 质量守恒
1 . 有0.4g铁的氧化物， 用足量的CO 在高温下将其还原，把生成的全部CO2通入到足量的澄清的石灰水中得到0.75g固体沉淀物，这种铁的氧化物的化学式为（ ）
A. FeO B. Fe2O3 C. Fe3O4 D. Fe4O5
2. 将几种铁的氧化物的混合物加入100mL、7mol•L―1的盐酸中。氧化物恰好完全溶解，在所得的溶液中通入0.56L（标况）氯气时，恰好使溶液中的Fe2+完全转化为Fe3+，则该混合物中铁元素的质量分数为 （ ）
A. 72.4% B. 71.4% C. 79.0% D. 63.6%
b. 电荷守恒法
3. 将8g Fe2O3投入150mL某浓度的稀硫酸中，再投入7g铁粉收集到1.68L H2（标准状况），同时，Fe和Fe2O3均无剩余，为了中和过量的硫酸，且使溶液中铁元素完全沉淀，共消耗4mol/L的NaOH溶液150mL。则原硫酸的物质的量浓度为（ ）
A. 1.5mol/L B. 0.5mol/L C. 2mol/L D. 1.2mol/L

4. 镁带在空气中燃烧生成氧化镁和氮化镁，将燃烧后的产物全部溶解在50mL 1.8 mol•L-1盐酸溶液中，以20mL 0.9 mol•L-1的氢氧化钠溶液中和多余的酸，然后在此溶液中加入过量碱把氨全部释放出来，用足量盐酸吸收，经测定氨为0.006 mol，求镁带的质量。

c. 得失电子守恒法
5 . 某稀硝酸溶液中，加入5.6g铁粉充分反应后，铁粉全部溶解，生成NO，溶液质量增加3.2g，所得溶液中Fe2+和Fe3+物质的量之比为（ ）
A. 4∶1 B. 2∶1 C. 1∶1 D. 3∶2

6. （1）0.5mol铜片与足量的浓HNO3反应，收集到的气体经干燥后（不考虑损耗），测知其密度在标准状况下为2.5 g•L-1，其体积为 L。
（2）0.5mol铜片与一定量的浓HNO3反应，收集到的气体经干燥后（不考虑损耗）在标准状况下的体积为17.92L，则参加反应的硝酸物质的量为 ；若将这些气体完全被水吸收，则应补充标准状况下的氧气体积为 L。（不考虑2NO2 N2O4反应）

7. 已知：2 Fe2++Br2 = 2 Fe3++2Br-，若向100mLFeBr2溶液中缓缓通入2.24L标准状况下的氯气，结果有三分之一的Br-离子被氧化成Br¬2单质，试求原FeBr2溶液的物质的量浓度。

五、极值法
“极值法”即 “极端假设法”，是用数学方法解决化学问题的常用方法，一般解答有关混合物计算时采用。可分别假设原混合物是某一纯净物，进行计算，确定最大值、最小值，再进行分析、讨论、得出结论。
1. 常温下，向20L真空容器中通a mol H2S和b mol SO2（a、b都是正整数，且a≤5，b≤5），反应完全后，容器内可能达到的最大密度约是（ ）
（A）25.5 g•L-1 （B）14.4 g•L-1 （C）8 g•L-1 （D）5.1 g•L-1

2. 在标准状况下，将盛满NO、NO2、O2混合气的集气瓶，倒置于水槽中，完全溶解，无气体剩余，其产物不扩散，则所得溶液的物质的量浓度（C）数值大小范围为（ ）
（A） （B）
（C） （D）
3. 当用m mol Cu与一定量的浓HNO3反应，在标准状况下可生成nL的气体，则m与n的数值最可能的关系是（ ）
（A） （B） （C） （D）无法判断
4. 将一定质量的Mg、Zn、Al混合物与足量稀H2SO4反应，生成H2 2.8 L（标准状况），原混合物的质量可能是( )
A. 2g B. 4g C. 8g D. 10g

计算方法》详细答案：
一、1. 解析 混合物质量减轻是由于碳酸氢钠分解所致，固体质量差21.0g-14.8g=6.2g，也就是生成的CO2和H2O的质量，混合物中m(NaHCO3)=168×6.2g÷62=16.8g，m(Na2CO3)=21.0g-16.8g=4.2g,所以混合物中碳酸钠的质量分数为20%。
2.分析 本例是涉及溶解度的一道计算题。解答本题应具备理解透彻的概念、找准实际的差量、完成简单的计算等三方面的能力。题中告知，在100℃和30℃时，100g水中分别最多溶解KNO3246g和46g，由于冷却时溶剂的质量未变，所以温度从100℃下降到30℃时，应析出晶体246g-46g=200g（溶解度之差）。由题意又知，在温度下降过程中溶质的析出量，据此可得到比例式，求解出溶剂水的质量。再根据水的质量从而求出配制成100℃饱和溶液时溶质KNO3的质量。
解 设所用水的质量为x，根据题意，可列下式：
解得：x=250g
又设100℃时饱和溶液用KNO3的质量为y，根据溶质与溶剂的对应关系，列式如下：
解得：y=615g
答 将615KNO3溶解于250g水中。
3. 解 若金属元素R的化合价为偶数x，则其相同价态的氧化物、氯化物的化学式分别为、RClx。根据关系式 ～RClx，相对分子质量差值为 ，所以n-m=27.5x，。若金属元素R的化合价为奇数x，则其相同价态的氧化物、氯化物的化学式分别为R2Ox、RClx。由关系式R2Ox～2RClx可知，相对分子质量的差值为2×35.5x-16x=55x，所以2n-m=55x，x= 。
答 金属元素R的化合价为 或 。
二、1.分析 本例是将稀溶液浓缩的一道填空题。若按通常方法，根据溶质守恒，列方程进行求解，则解题繁。若运用十字交叉法，运算简洁，思路流畅。但应处理好蒸发掉水，或加入CuSO4粉末时CuSO4的质量分数，前者可视为0，后者视为100%。
解 （1） （负号代表蒸发） 说明水蒸发掉的质量为原溶液质量的，即25g。
（2） 说明加入12.5% CuSO4溶液的质量为原溶液质量的2倍，即100g。
（3）胆矾中CuSO4的质量分数为
说明加入胆矾的质量为原溶液质量的 ，即 。
（4） 说明加入CuSO4的质量为原溶液质量的，即 。
答 25 100 4.63 2.78
2. 解 方法1：NH4NO3中N%= =35%，CO(NH2)2中N%= =46.7%
说明NH4NO3与CO(NH2)2的物质的量之比为。
方法2：设混合物中NH4NO3的物质的量为1 mol，CO(NH2)2的物质的量为x。
根据题意，列式如下：

解得：x=1 mol
方法3：由于NH4NO3和CO(NH2)2分子中均含有2个N原子，根据混合物中N%=40%，可知该混合物的平均相对分子质量为。
说明NH4NO3与CO(NH2)2的物质的量之比为1∶1。
答 本题正确选项为（B）。
三、1. 解 NH4NO3中氮的质量分数是，而CO(NH2)2、NH4Cl、NH4HCO3和(NH4)2SO4中氮的质量分数分别是46.7%、26.2%、17.7%和21.1%，其中只有(NH4)2SO4和NH4HCO3一组氮的质量分数都小于25%。
因此，该样品中混有的一组杂质一定不是(NH4)2SO4和NH4HCO3。
答 本题正确选项为（D）。
2. 解 若95mg全是MgCl2，则其反应后产生AgCl的质量为 g•mol-1
=287mg<300mg。
根据平均含义可推知：95mg杂质与足量AgNO3溶液反应生成AgCl的质量应大于300mg。这就要求杂质中Cl元素的质量分数比MgCl2中高才有可能。因此本题转换成比较Cl元素含量的高低。现将每种的化学式作如下变形：MgCl2、Na2Cl2、Al Cl2、K2Cl2、CaCl2。显然，金属式量低的，Cl元素含量高，因此，只有AlCl3才有可能成为杂质。
答 本题正确选项为（B）。
3.略
4. 解 （1）NH4HCO3 NH3↑+H2O↑+CO2↑
根据质量守恒可知：n(NH4HCO3)•M(NH4HCO3)=n(混)• (混)，故 (混)= 79
g•mol-1，即混和气体的平均相对分子质量为26.3。
（2）设爆鸣气100g，则H2的物质的量为100g×75%÷2g•mol-1=37.5mol，O2物质的量为100g×25%÷32g•mol-1=0.78mol。
故爆鸣气的平均摩尔质量为100g÷(37.5+0.78)mol=2.619g•mol-1，即对氢气的相对密度为2.619 g•mol-1÷2 g•mol-1=1.31。
（3）干燥容器中气体的平均相对分子质量为1.082×32=34.62，由34.62<36.5，故该气体应为HCl和空气的混和气体。
说明HCl与空气的体积比为5.62∶1.88=3∶1，即混和气体中HCl的体积为1L =0.75L。由于HCl气体极易溶于水，所以当喷泉结束后，进入容器中液体的体积即为HCl气体的体积0.75L。
答 （1）26.3 （2）1.31 （3）0.75L
四、1. 解析 由题意得知，铁的氧化物中的氧原子最后转移到沉淀物CaCO3中。且n(O)=n(CaCO3)=0.0075mol， m(O)=0.0075mol×16g/mol=0.12g。m(Fe)=0.4g-0.12g=0.28g，n(Fe)=0.005mol。n(Fe)∶n(O)=2:3，选B
2. 解析 铁的氧化物中含Fe和O两种元素，由题意，反应后，HCl中的H全在水中，O元素全部转化为水中的O，由关系式：2HCl~H2O~O，得：n（O）= ，m（O）=0.35mol×16g•mol―1=5.6 g；
而铁最终全部转化为FeCl3，n（Cl）=0.56L ÷22.4L/mol×2+0.7mol=0.75mol，n（Fe）= ，m(Fe)=0.25mol×56g•mol―1=14 g，则 ，选B。
3. 解析 粗看题目，这是一利用关系式进行多步计算的题目，操作起来相当繁琐，但如能仔细阅读题目，挖掘出隐蔽条件，不难发现，反应后只有Na2SO4存在于溶液中，且反应过程中SO42―并无损耗，根据电中性原则：n（SO42―）= n（Na+），则原硫酸的浓度为：2mol/L，故选C。
4. 分析 本例是镁及其化合物有关性质应用的一道计算题。本题涉及的反应较多，有2Mg+O2 2MgO，3Mg+N2 Mg3N2，MgO+2HCl = MgCl2+H2O，Mg3N2+8HCl = 3MgCl2+2NH4Cl，NaOH+HCl = NH4Cl等反应。若用常规方法审题和解题，则分析要求高，计算难度大，思维易混乱，很难正确解答本题。现运用图示法审题如下：

发现：MgCl2、NH4Cl、NaCl溶液中，阴阳离子电荷浓度（或物质的量）相等即电荷守恒，再根据相关微粒的物质的量守恒，列出等式，从而一举突破，从容解答本题。
解 根据图示，对MgCl2、NH4Cl、NaCl溶液分析，由电荷守恒得知：

式中：

解得： ，即
5. 解析 设Fe2+为xmol，Fe3+为ymol，则：
x+y= =0.1（Fe元素守恒）
2x+3y= （得失电子守恒）
得：x=0.06mol，y=0.04mol。则x∶y=3∶2。故选D。
6. 解 （1）Cu与浓HNO3反应的化学方程式为：Cu+4HNO3(浓) = Cu(NO3)2+2NO2↑+2H2O，因是足量的浓硝酸，故还原产物只是NO2。理论上讲，0.5mol Cu可得1mol NO2气体。由于气体的密度在标准状况下为2.5g•L-1，即摩尔质量M= g•L-1 22.4 L•mol-1=56g•mol-1。显然，56g•mol-1大于M(NO2)（46 g•mol-1），因此，不能认为收集到的气体全是NO2，应考虑平衡2NO2 N2O4的存在。所以收集到的气体是NO2和N2O4的混合气体。根据质量守恒，混合气体的质量应等于1 mol NO2气体的质量即为46g，所以混和气体的体积为46g 2.5g•L-1=18.4L。
（2）Cu与浓HNO3反应的化学方程式为：Cu+4HNO3(浓) = Cu(NO3)2+2NO2↑+2H2O，因是一定量的浓HNO3，随着反应的进行，浓HNO3逐渐变成了稀HNO3，此时反应的化学方程式为：3Cu+8HNO3(稀)=3Cu(NO3)2+2NO↑+4H2O，故收集到的气体应是NO和NO2的混合气体。无法得知NO和NO2各自的物质的量，但它们物质的量之和为17.92L 22.4 L•mol-1=0 .8mol。根据N元素守恒，参加反应的硝酸的物质的量为2n[Cu(NO3)2]+n(NO)+
n(NO2)=2 0.5mol+0.8mol=1.8mol。
补充O2，NO和NO2被水吸收的化学方程式为：4NO+3O2+2H2O=4HNO3，4NO2+O2+2H2O = 4HNO3，从整个氧化还原过程来看，HNO3并没有参加反应，参加的只是Cu与O2。因此，根据电子守恒，可列下式：
解得：V=5.6L
答 （1）18.4L；（2）1.8mol，5.6L
7. 分析 本例是有关氧化还原反应的一道计算题，涉及氧化还原的选择性（即反应的先后顺序）、进程性（即氧化剂或还原剂的量控制着反应的进程）和整体性（即无论有几个氧化还原反应发生，始终存在氧化剂所得电子数等于还原剂所失电子数，或称电子守恒）。根据题意分析，可知Fe2+与Br-还原能力大小为Fe2+ >Br-。因此，在FeBr2溶液中通入Cl2时，首先发生：Cl2+2Fe2+ = 2Fe3++2Cl -，然后再发生：Cl2+2 Br- = Br2+2Cl -。根据Cl2用量控制反应进程，所以Fe2+和Br-失去电子数目应等于Cl2得到电子数目。据此守恒关系，列出等式，很易求解。
解 设FeBr2物质的量浓度为C，由电子守恒可知：

解得：C=1.2 mol•L-1
答 原FeBr2溶液的物质的量浓度为1.2mol•L-1。
五、1. 本题提供的思路是运用极限法来分析求解。因为M(SO2)>M(H2S)，要达到最大密度，必然剩余SO2气体，且物质的量为最多，因此极端考虑，起始时，SO2物质的量取最大（5mol），H2S物质的量取最小（1 mol），故反应后剩余SO2为 ，密度为 。所以（B）选项为本题正确答案。
答 本题正确选项为（B）。
2. （B） 3.略
4. 解析本题给出的数据不足，故不能求出每一种金属的质量，只能确定取值范围。三种金属中产生等量的氢气质量最大的为锌，质量最小的为铝。故假设金属全部为锌可求的金属质量为8.125g，假设金属全部为铝可求的金属质量为2.25g，金属实际质量应在2.25g ～8.125g之间。故答案为B、C。
六、1. 解析 根据化学方程式，可以找出下列关系：FeS2～2SO2～2SO3～2H2SO4，本题从FeS2制H2SO4，是同种元素转化的多步反应，即理论上FeS2中的S全部转变成H2SO4中的S。得关系式FeS2～2H2SO4。过程中的损耗认作第一步反应中的损耗，得可制得98％硫酸的质量是 =3.36 。
七、1. 解析 CO和H2都有两步反应方程式，量也没有确定，因此逐步计算比较繁。Na2O2足量，两种气体完全反应，所以将每一种气体的两步反应合并可得H2+Na2O2=2NaOH，CO+ Na2O2=Na2CO3，可以看出最初的气体完全转移到最后的固体中，固体质量当然增加2.1g。选A。此题由于CO和H2的量没有确定，两个合并反应不能再合并!
八、1. 解析 变化主要过程为：

由题意得：Fe2O3与合金的质量相等，而铁全部转化为Fe2O3，故合金中Al的质量即为Fe2O3中氧元素的质量，则可得合金中铝的质量分数即为Fe2O3中氧的质量分数，O%= ×100%=30%，选B。
九、1. 解析 。由题意，生成0.5mol H2，金属失去的电子即为1mol，即合金的平均摩尔电子质量为10g/mol，镁、铝、铁、锌的摩尔电子质量分别为：12、9、28、32.5（单位：g/mol），由平均值可知，混合物中一种金属的摩尔电子质量小于10g/mol，另一种大于10g/mol。故选A、C
十、1. 分析 本例是一道结合讨论分析的天平平衡题，考查了在化学解题过程中的有序思维和问题解决的完整性。反应后天平仍然平衡，说明天平左右两端加入金属的质量与放出氢气的质量数差值应相等。但不知镁粉、铝粉与盐酸的量相对大小，所以必须通过讨论判断谁过量，从而以另一方计算产生H2的质量。因此如何判断谁过量是解决本题的关键，另外，还需时刻注意调整a的取值范围（由b的取值范围及a和b的关系确定），才能得到本题完整解答，这一点在解题过程中是被常疏忽的。
解 根据题意，题中发生的两个反应为：
Mg+2HCl = MgCl2+H2↑ 2Al+6HCl = 2AlCl3+3H2↑
若盐酸完全反应，所需Mg粉质量为 ，所需铝粉质量为 。
（1）当a≥12g，b≥9g，即盐酸适量或不足，产生H2的质量应以HCl的量计算，因HCl的量是一定的，故产生H2的质量相等，要使天平平衡，即要求金属的质量相等，所以a=b，此时b的范围必须调整为b≥12g。
（2）当a<12g，b<9g，即Mg、Al不足，应以其计算产生H2的量。要使天平平衡，即要有：，解得： ，此时a的范围必须调整为a<8.7g。
（3）当a<12g，b≥9g，即Mg不足，应以Mg算；Al过量或适量，以HCl算。要使天平平衡，必须满足：
，解得： ，据（1）、（2）调整a的范围为8.7g≤a<12g。
答 （1）当a≥12g时，a=b；（2）当8.7g<a<12g时，；（3）当0<a<8.7g时， 。

《常见化学计算方法》答案
一、1. 20% 2. 将615KNO3溶解于250g水中 3. R的化合价为 或。
4. 解：设Mg、Al、Fe的质量分别为x、y、z，故三者反应结束后，溶液质量增加为 x、 y、 z且相等，故有：，所以y＞x＞z。
5. 解 （1）水参加反应的质量为0.9g，则Na2CO3的质量为，NaHCO3的质量为9.5-5.3g=4.2g。（2）碱石灰中CaO的质量为，NaOH的质量为9.6g-5.6g=4.0g。 6. 原混和物中CuSO4和Fe的质量分别为8.0g，4.8g。
二、1. 答 25 100 4.63 2.78 2. B
3.（1）等体积混和后，所得溶液质量分数应大于10x%。
（2） %的氨水物质的量浓度应大于 mol•L-1。
4. 该产物中Na2O的物质的量分数为20%。
5. n(Na2CO3)= 0.8 mol=0.2 mol，n(NaHCO3)= 0.8 mol=0.6 mol。
三、1. D 2.B 3.略
4. （1）26.3 （2）1.31 （3）0.75L
四、1. B 2. B 3. C
4. ，即 5. D
6. （1）18.4L；（2）1.8mol，5.6L
7. 原FeBr2溶液的物质的量浓度为1.2mol•L-1。
五、1. B 2. B 3.略 4. B C

㈧ 神经网络如何外推：从前馈网络到图网络

How Neural Networks Extrapolate: From Feedforward to Graph Neural Networks

ICLR2021最高分论文            https://arxiv.org/abs/2009.11848

52页论文，正文占9页，主要都是附录，不过附录里很多图片（一页就一两张图），排除这些一页一图的，只有40页

我们研究用梯度下降法训练的神经网络如何外推，也就是说，它们在训练分布的支持之外学习什么。以前的工作报告了使用神经网络进行外推时混合的实证结果：虽然前馈神经网络，即多层感知器（MLP）在某些简单任务中外推效果不好，但图形神经网络（GNN）——带有MLP模块的结构化网络——在更复杂的任务中取得了一些成功。为了得到理论解释，我们确定了MLPs和GNNs外推良好的条件。首先，我们量化了ReLU-MLPs从原点沿任意方向快速收敛到线性函数的观测结果，这意味着ReLU-MLPs不能外推大多数非线性函数。但是，当训练分布足够“多样化”时，他们可以证明学习线性目标函数。其次，在分析GNNs的成功和局限性时，这些结果提出了一个假设，我们提供了理论和经验证据：GNNs在将算法任务外推到新数据（例如。，较大的图或边权重）依赖于编码体系结构或特征中特定于任务的非线性。我们的理论分析建立在过度参数化网络与神经切线核的联系上。根据经验，我们的理论适用于不同的培训环境

1简介

人类在许多任务中推断得很好。例如，我们可以对任意大的数应用算术。人们可能想知道，神经网络是否也能做到这一点，并将其推广到任意远离训练数据的示例中（Lake et al.，2017）。奇怪的是，以前的工作报告混合外推结果与神经网络。早宏裂期的工作表明，前馈神经网络，又称多层感知器（MLPs），在学习简单多项式函数时不能很好地进行外推（Barnard&Wessels，1992；Haley&Soloway，1992年）。然而，最近的研究表明，图神经网络（GNNs）（Scarselli et al.，2009）是一类具有MLP构建块的结构化网络，在具有挑战性的算法任务中，如预测物理系统的时间演化（Battaglia et al.，2016），可以推广到比训练嫌咐图大得多的图，学习图形算法（Velickovic et al.，2020），求解数学方程（Lample&Charton，2020）。

为了解释这个难题，我们正式研究了梯度下降（GD）训练的神经网络是如何外推的，即它们在训练分布的支持之外学习什么。我们说，如果一个神经网络在训练分布之外学习了一个任务，它就能很好地进行外推。乍一看，似乎神经网络可以在训练分布之外任意行为，因为它们具有高容量（Zhang et al.，2017），并且是通用逼近器（Cybenko，1989；Funahashi，1989年；Hornik等人，1989年；库尔科娃，1992年）。然而，神经网络受到梯度下降训练的限制（Hardt等人，2016；Soudry等人，2018年）。在我们的分析中，我们通过类比过参数化神经网络的训练动态和通过神经切线核（NTK）的核回归，明确考虑了这种隐式偏差（Jacot等人，2018）。

从前馈网络、最简单的神经网络和更复杂的体系结构（如GNNs）的构建块开始，我们建立了由GD训练的具有ReLU激活的过参数mlp的预测从原点沿任意方向收敛到线性函数。我们证明了两层网络的收敛速度，并从经验上观察到收敛经常发生在训练数据附近（图1），这表明ReLU-MLPs不能很好地外推大多数非线性任务。我们强调，我们的结果并不是基于ReLU网络具有有限多个线性区域的事实（Arora et al.，2018；Hanin&Rolnick，2019年；Hein等人，2019年）。虽然有有限多个线性区域意味着ReLU MLPs最终会变为线性，但MLPs是否会学习到接近训练分布的正确目标函数并没有说明。相比之下，我们的结果是非渐近的，并且量化了MLPs将学习什么样的函数接近于训练分布。其次，我们确定了mlp外推良好的条件：任务是线性的，训练分布的几何结构是充分“多样化”的。据我们所知蔽者闭，我们的结果是这种前馈神经网络的第一个外推结果。

然后，我们将我们对前馈神经网络的见解与GNNs联系起来，以解释GNNs在某些算法任务中外推得好的原因。先前的工作报告了可以通过动态规划（DP）解决的任务的成功外推（Bellman，1966），其计算结构与GNNs一致（Xu等人，2020）。DP更新通常可以分解为非线性和线性步骤。因此，我们假设GD训练的GNN可以在DP任务中很好地外推，如果我们在架构和输入表示中编码适当的非线性（图2）。重要的是，编码非线性可能不需要GNNs插值，因为MLP模块可以很容易地学习训练分布中的许多非线性函数（Cybenko，1989；Hornik等人，1989年；Xu等人，2020），但GNNs正确外推至关重要。我们使用图NTK（Du等人，2019b）证明了简化情况下的这一假设。在经验上，我们验证了三个DP任务的假设：最大度、最短路径和n体问题。我们证明了具有适当结构、输入表示和训练分布的GNNs可以很好地预测具有未知大小、结构、边权值和节点特征的图。我们的理论解释了以往工作的经验成功，并指出了它们的局限性：成功的外推依赖于编码任务特定的非线性，这需要领域知识或广泛的模型搜索。从更广泛的角度来看，我们的见解超越了GNNs，并广泛应用于其他神经网络。

总之，我们研究神经网络如何外推。首先，由GD训练的ReLU-mlp以O（1/t）的速率沿原点方向收敛为线性函数。其次，为了解释为什么GNNs在一些算法任务中可以很好地外推，我们证明了ReLU-MLPs在线性任务中可以很好地外推，从而引出一个假设：当适当的非线性被编码到结构和特征中时，神经网络可以很好地外推。我们用一个简化的例子证明了这个假设，并为更一般的情况提供了经验支持。

1.1相关工作

早期的工作显示了MLP不能很好地外推的示例任务，例如学习简单多项式（Barnard&Wessels，1992；Haley&Soloway，1992年）。相反，我们展示了ReLU MLPs如何外推的一般模式，并确定MLPs外推良好的条件。最近的工作研究了在NTK和平均场两种情况下，梯度下降对MLP产生的隐性偏差（Bietti和Mairal，2019；Chizat&Bach，2018年；Song等人，2018年）。与我们的结果相关，一些工作表明MLP预测收敛于“简单”分段线性函数，例如，具有很少的线性区域（Hanin&Rolnick，2019；Maennel等人，2018年；Savarese等人，2019年；威廉姆斯等人，2019年）。我们的工作不同之处在于，这些工作都没有明确研究外推法，有些只关注一维输入。最近的研究还表明，在NTK区域的高维环境中，MLP在某些标度极限下至多是一个渐近线性预测因子（Ba等人，2020；Ghorbani等人，2019年）。我们研究不同的设置（外推），我们的分析是非渐近性质，不依赖于随机矩阵理论。

先前的工作通过在较大的图上进行测试来探索GNN外推（Battaglia et al.，2018；Santoro等人，2018年；萨克斯顿等人，2019年；Velickovic等人，2020年）。我们是第一个从理论上研究GNN外推法的人，我们完成了外推法的概念，包括看不见的特征和结构。

2准备工作

3前馈神经网络如何外推

前馈网络是最简单的神经网络和更复杂的体系结构（如GNNs）的构建块，因此我们首先研究它们在GD训练时是如何外推的。在本文中，我们假设ReLU激活。第3.3节包含其他激活的初步结果。

3.1 RELU MLP的线性外推行为

通过架构，ReLU网络学习分段线性函数，但是在训练数据的支持之外，这些区域究竟是什么样的呢？图1举例说明了当GD对各种非线性函数进行训练时，ReLU MLP如何进行外推。这些例子表明，在训练支持之外，预测很快就会沿着原点的方向线性化。我们通过线性回归对MLPs的预测进行了系统的验证：决定系数（R2）总是大于0.99（附录C.2）。也就是说，ReLU MLPs几乎立即在训练数据范围之外“线性化”。

我们使用GD通过神经切线核（NTK）训练的神经网络的隐式偏差来形式化这个观察：GD训练的过参数化网络的优化轨迹等价于具有特定神经切线核的核回归的轨迹，在一系列被称为“NTK制度”的假设下（Jacot等人，2018年）。我们在这里提供了一个非正式的定义；更多详情，请参阅Jacot等人（2018）和附录A。

定义2。

（非正式）在NTK区域训练的神经网络是无限宽的，以一定的比例随机初始化，并且由GD以无穷小的步长训练。

先前的工作通过NTK分析过参数化神经网络的优化和分布泛化（Allen-Zhu等人，2019a；b类；Arora等人，2019a；b类；曹顾，2019；杜等人，2019c；一个；李亮，2018；日田和铃木，2021年）。相反，我们分析外推。

定理1将我们从图1中观察到的结果形式化：在训练数据范围之外，沿着原点的任何方向tv，两层ReLU MLP的预测迅速收敛为速率为O（1/t）的线性函数。线性系数β收敛速度中的常数项依赖于训练数据和方向v。证据见附录B.1

定理1

ReLU网络具有有限多个线性区域（Arora等人，2018；汉宁和罗尔尼克，2019），因此他们的预测最终成为线性。相反，定理1是一个更细粒度的分析MLP如何外推，并提供了收敛速度。虽然定理1假设两层网络处于NTK状态，但实验证实，线性外推行为发生在具有不同深度、宽度、学习速率和批量大小的网络上（附录C.1和C.2）。我们的证明技术也可能扩展到更深层次的网络。

图4a提供了一个更积极的结果：MLP在许多不同的超参数上很好地外推了线性目标函数。虽然学习线性函数一开始似乎非常有限，但在第4节中，这一见解将有助于解释GNN在非线性实际任务中的外推特性。在此之前，我们首先从理论上分析了MLPs外推的好时机。

3.2当RELU MLPS可证明外推井

图4a显示，当目标函数为线性时，MLP可以很好地外推。然而，这并不总是正确的。在本节中，我们展示了成功的外推依赖于训练数据的几何结构。直观地说，训练分布必须足够“多样化”，以便进行正确的推断

我们提供了两个条件，将训练数据的几何结构与外推联系起来。引理1指出，过参数化的mlp只需二维例子就可以学习线性目标函数。

实验：训练数据的几何结构影响外推。

定理2中的条件形式化了一种直觉，即训练分布必须是“多样的”，才能成功地进行外推，例如，D包括所有方向。从经验上讲，当满足定理2的条件时（图4b中的“all”），外推误差确实很小。相反，当训练示例仅限于某些方向时，外推误差要大得多（图4b和图3）。

与之前的工作相关，定理2提出了为什么虚假相关性可能会损害外推，补充了因果关系论点（Arjovsky et al.，2019；Peters等人，2016年；Rojas Carulla等人，2018年）。当训练数据具有虚假相关性时，某些特征组合丢失；e、 例如，骆驼可能只出现在沙漠中的图像收集。因此，定理2的条件不再成立，模型可能外推错误。定理2也类似于线性模型的可辨识条件，但更为严格。如果训练数据具有全（特征）秩，我们可以唯一地识别一个线性函数。mlp更具表现力，因此识别线性目标函数需要附加约束。

综上所述，我们分析了ReLU-MLPs是如何外推的，并提供了两个启示：（1）MLPs由于其线性外推而不能外推大多数非线性任务（定理1）；当目标函数是线性函数时，如果训练分布是“多样的”（定理2），mlp可以很好地外推。在下一节中，这些结果将帮助我们理解更复杂的网络是如何外推的。

3.3具有其他激活功能的MLPS

在继续讨论GNNs之前，我们通过对其他激活函数tanh的实验来完成MLPs的描述σ(x） =tanh（x），余弦σ(x） =cos（x）（Lapedes&Farber，1987年；McCaughan，1997年；Sopena和Alquezar，1994），和σ(x） =x2（杜和李，2018；Livni等人，2014年）。详情见附录C.4。当激活函数和目标函数相似时，MLPs外推效果较好；e、 例如，当学习tanh时，tanh激活可以很好地推断，但不能推断其他功能（图5）。而且，每个激活函数都有不同的局限性。要用tanh激活外推tanh函数，训练数据范围必须足够宽。当学习具有二次激活的二次函数时，只有两层网络可以很好地进行外推，而更多的层可以得到更高阶的多项式。对于高维数据，余弦激活很难优化，因此我们只考虑一维/二维余弦目标函数。

4图形神经网络如何外推

上面，我们看到非线性任务中的外推对于MLP来说是困难的。尽管存在这一局限性，GNNs在一些非线性算法任务中表现出了很好的外推能力，如直观物理（Battaglia et al.，2016；Janner等人，2019），图算法（Battaglia等人，2018；Velickovic等人，2020）和符号数学（Lample&Charton，2020）。为了解决这个差异，我们建立在MLP结果的基础上，研究GD训练的GNNs是如何外推的。

4.1假设：线性算法对齐有助于外推

我们从一个例子开始：训练GNNs来解决最短路径问题。对于这项任务，先前的工作观察到，具有最小聚集的改进GNN架构可以推广到比训练集中的图更大的图（Battaglia et al.，2018；Velickovic等人，2020）：

我们首先提供一个直观的解释（图2a）。最短路径可通过Bellman-Ford（BF）算法（Bellman，1958）求解，并进行以下更新

其中w（v，u）是边（v，u）的权重，d[k][u]是k步内到节点u的最短距离。这两个方程可以很容易地对齐：如果GNNs的MLP模块学习一个线性函数d[k]，那么它将模拟BF算法−1] [v]+w（v，u）。由于mlp可以外推线性任务，这种“对齐”可以解释为什么GNNs可以在这个任务中很好地外推。

为了进行比较，我们可以解释为什么我们不希望GNN使用更常用的和聚合（Eqn。1） 在这项任务中推断得很好。对于和聚合，MLP模块需要学习一个非线性函数来模拟BF算法，但定理1表明，它们不会在训练支持之外外推大多数非线性函数。

我们可以将上述直觉推广到其他算法任务。许多GNNs外推良好的任务可以通过动态规划（DP）来解决（Bellman，1966），这是一种具有类似GNNs（Eqn）的递归结构的算法范式。1） （Xu等人，2020年）。

定义3。动态规划（DP）是一个带有更新的递归过程

其中答案[k][s]是迭代k和状态s索引的子问题的解决方案，DP Update是一个任务特定的更新函数，它基于上一次迭代解决子问题。从更广泛的角度出发，我们假设：如果我们将适当的非线性编码到模型结构和输入表示中，使MLP模块只需要学习接近线性的步骤，那么所得到的神经网络就可以很好地外推。

假设1。

我们的假设建立在（Xu等人，2020）的算法对齐框架之上，该框架指出，如果模块“对齐”以便于学习（可能是非线性）函数，则神经网络插值良好。成功的外推更难：模块需要与线性函数对齐。

线性算法对准的应用。

一般来说，线性算法对准不局限于GNN，广泛应用于神经网络。为了满足这种情况，我们可以在结构或输入表示中编码适当的非线性操作（图2）。使用GNNs学习DP算法是在体系结构中编码非线性的一个例子（Battaglia等人，2018；Corso等人，2020年）。另一个例子是对体系结构中的日志和exp变换进行编码，以帮助外推算术任务中的乘法（Trask等人，2018；Madsen&Johansen，2020年）。神经符号程序进一步发展，并对符号操作库进行编码，以帮助推断（Johnson等人，2017年；Mao等人，2019年；易等，2018年）。

对于某些任务，更改输入表示可能更容易（图2b）。有时，我们可以将目标函数f分解为f=g◦ 将h嵌入特征嵌入h和一个简单的目标函数g中，我们的模型可以很好地推断。我们可以通过使用领域知识通过专门的特征或特征转换获得h（Lample&Charton，2020；Webb等人，2020年），或通过X\D中未标记的未标记的未标记的分发数据的表示学习（例如，BERT）（Chen等人，2020年）；Devlin等人，2019年；胡等，2020；Mikolov等人，2013b；Peters等人，2018年）。这为表示如何帮助在不同应用领域进行外推提供了新的视角。例如，在自然语言处理中，预处理表示（Mikolov等人，2013a；Wu&Dredze，2019）和使用领域知识进行特征转换（袁等，2020年；Zhang等人，2019）帮助模型在语言之间进行概括，这是一种特殊的外推。在定量金融中，确定正确的“因素”或特征对于深入学习模型至关重要，因为金融市场可能经常处于外推制度中（Banz，1981；法兰西，1993年；罗斯，1976）。

线性算法对齐解释了文献中成功的外推，并指出外推一般更难：编码适当的非线性通常需要领域专家或模型搜索。其次，我们为我们的假设提供理论和实证支持。

4.2理论和经验支持

我们验证了我们对三个DP任务的假设：最大度、最短路径和n-体问题，并证明了最大度假设。我们强调了图结构在外推中的作用。

理论分析。

我们从一个简单而基本的任务开始：学习一个图的最大度，一个DP的特例。作为定理1的推论，常用的基于和的GNN（Eqn。1） 无法很好地推断（证据见附录B.4）。

推论1。

具有和聚集和和和读出的GNNs在最大程度上不能很好地外推。为了实现线性算法对齐，我们可以对读出器中唯一的非线性max函数进行编码。定理3证实了具有最大读数的GNN在这个任务中可以很好地外推。

定理3并不是紧跟定理2，因为GNNs中的MLP模块只接受间接的监视。我们分析图NTK（Du等人，2019b）来证明附录B.5中的定理3。虽然定理3假设相同的节点特征，但我们在经验上观察到相同和不相同特征的相似结果（附录中的图16）。

条件的解释。

定理3中的条件类似于定理2中的条件。这两个定理都需要不同的训练数据，用定理3中的图结构或定理2中的方向来度量。在定理3中，如果所有训练图都具有相同的最大或最小节点度，例如，当训练数据来自以下族之一时，违反了该条件：路径、C-正则图（具有C度的正则图）、圈和阶梯。

实验：有助于推断的架构。

我们用两个DP任务来验证我们的理论分析：最大度和最短路径（详见附录C.5和C.6）。而以前的工作只测试不同大小的图（Battaglia et al.，2018；Velickovic等人，2020），我们还测试了具有不可见结构、边权重和节点特征的图。结果支持了我们的理论。对于最大度，具有最大读数的GNNs优于具有和读数的GNNs（图6a），证实了推论1和定理3。对于最短路径，具有最小读数和最小聚集的GNN优于具有和读数的GNN（图6a）。

实验证实了训练图结构的重要性（图7）。有趣的是，这两个任务支持不同的图结构。对于最大度，如定理3所预测的，当训练在树、完全图、扩张图和一般图上时，GNNs外推效果很好，当训练在4-正则图、圈图或梯形图上时，外推误差更大。对于最短路径，当我们改变训练图的稀疏性时，外推误差遵循U形曲线（附录中的图7b和图18）。直觉上，在稀疏或稠密图上训练的模型可能学习退化解。

实验：有助于推断的表征。

最后，我们展示了一个很好的输入表示帮助外推。我们研究了n体问题（Battaglia等人，2016；Watters等人，2017年）（附录C.7），即预测重力系统中n个物体的时间演化。根据之前的工作，输入是一个完整的图形，其中节点是对象（Battaglia等人，2016）。

5与其他分布外设置的连接

我们讨论几个相关的设置。直观地说，从我们上述结果的观点来看，相关设置中的方法可以通过1）学习超出训练数据范围的有用非线性和2）将相关测试数据映射到训练数据范围来改进外推。

领域适应研究对特定目标领域的泛化（Ben-David等人，2010；Blitzer等人，2008年；Mansour等人，2009年）。典型的策略会调整训练过程：例如，使用来自目标域的未标记样本来对齐目标和源分布（Ganin等人，2016；赵等，2018）。在训练期间使用目标域数据可能会导致有用的非线性，并可能通过匹配目标和源分布来减轻外推，尽管学习映射的正确性取决于标签分布（Zhao等人，2019）。

对大量未标记数据的自监督学习可以学习超出标记训练数据范围的有用非线性（Chen et al.，2020；Devlin等人，2019年；He等人，2020年；Peters等人，2018年）。因此，我们的结果提出了一个解释，为什么像BERT这样的预训练表示可以提高分布外鲁棒性（Hendrycks et al.，2020）。此外，自监督学习可以将语义相似的数据映射到相似的表示，因此映射后的一些域外实例可能会落入训练分布中。

不变模型旨在学习在多个训练分布中尊重特定不变性的特征（Arjovsky et al.，2019；Rojas Carulla等人，2018年；周等人，2021）。如果模型真的学习到了这些不变性，这可能发生在线性情况下，当存在混杂或反因果变量时（Ahuja等人，2021；Rosenfeld等人，2021），这可能从本质上增加了训练数据范围，因为模型可以忽略不变特征的变化。

分布鲁棒性考虑了数据分布的小干扰，并确保模型在这些干扰下表现良好（Goh&Sim，2010；Sagawa等人，2020年；Sinha等人，2018年；Staib&Jegelka，2019年）。相反，我们看的是更多的全局扰动。尽管如此，人们还是希望，有助于外推的修改通常也能提高对局部扰动的鲁棒性。

6结论

本文是一个初步的步骤，正式了解如何神经网络训练梯度下降外推。我们确定了MLPs和GNNs按期望外推的条件。我们还提出了一种解释，说明GNNs在复杂的算法任务中是如何能够很好地进行外推的：在架构和特性中编码适当的非线性可以帮助外推。我们的结果和假设与本文和文献中的实证结果一致

㈨ 请问有谁知道TV算法（最小全变分算法）

您好，[LASIP_Image_Restoration_DemoBox_v112.rar] - LASIP局部多项式逼近算法用于二维信号处理、图像复原，图像去噪的MATLAB实现。
[blind.rar] - 利用盲卷积图像复原方法，对模糊图像进行图像复原，可以达到比较好的效果。
[TV1.rar] - 采用T.Chan的总体变分(TV)方法实现图像修复，由于算法本身的局限性，无法解决视觉连通性的问题。

[Thisprocereforfull-variational.rar] - 本程序实现全变分(Total Variation, TV)的去噪算法，它使用了PDF纠正TV算法中的小问题。该算法可以很好地保留原图边缘信息的同时，去除噪声。
[LASIP_BlindDeconvolution.zip] - The LASIP routines for Multiframe Blind Deconvolution are used for restoration of an Image from its multiple blurred and noisy observations.
[irntv.zip] - The generalized total variation denoising algorithm which can be widely used for optimization or signal processing
[RestoreToolsNoIP.rar] - 一个非常好的图像恢复的工具集，matlab编写的源代码。
[MaximumEntropyv1.00.zip] - 一个基于最大熵的图像复原算法源代码。可以完成图像的去燥声和去模糊。
[TVInpainting.rar] - TV图象修复 自己写的小程序 matlab
[TVCMRI_pub.zip] - matlab code for Fixed point and Bregman iterative methods. minimize alpha*TV(Phi *x) + beta*||x||_1 + 0.5*||Ax-b||_2^2

㈩ c语言程序设计题。实验报告。高分。

车票系统，与你的第2题要求略有不同，你自己修改吧
#include<stdio.h>
#include<stdlib.h>
#include<dos.h>
#include<time.h>
#include<conio.h>
#include<string.h>
const int MAX=20;
const int N=50;
const int MAXFILENAME=100;
enum {FALSE,TRUE};
struct time
{
int hour;
int minutes;
};
struct ticket
{
int SerialNumber;
struct time SetOut;
char DeparturePoint[MAX];
char TerminalPoint[MAX];
float LastTime;
int FixNumber;
int FixedNumber;
}car[N];
int RecordNumber;
int FLAG=FALSE;
/**********************************************/
int ShowMessage(void); //载入原始数据
void mainmenu(void); //主菜单
void InsertMessage(void); //录入班次信息
void SearchMenu(void); //查询路线子菜单
void SearchByNumber(void); //按班次号查询
void SearchByAddress(void); //按终点站查询
void TicketManagement(void); //车票售出与退回
void TicketOrder(void); //售票
void TicketDelete(void); //退票
void exit(void); //退出该系统
/********************************************/
int main(void)
{
RecordNumber=ShowMessage();
if(1)
do{
mainmenu();
}while(FLAG==FALSE);
return 0;
}
void mainmenu(void)
{
system("color 1f");
system("mode con: cols=140 lines=130");
char functionNumber;
printf(" 车票管理系统\n\n");
printf(" 制作:hmm182007\n");
printf(" 日期:2007/11/25/19:57\n");
printf("============================================================================\n");
printf(" 1.录入班次信息\t\n");
printf(" 2.浏览班次信息\t\n");
printf(" 3.查询行车路线\t\n");
printf(" 4.售票与退票系统\t\n");
printf(" 5.退出该系统\t\n");
printf("============================================================================\n");
printf("请选择你所需要的功能:");
scanf("%c",&functionNumber);
switch(functionNumber)
{
case '1':
{
InsertMessage();
printf("\n按任意键回主菜单......\n");
getchar();
getchar();
}
break;
case '2':
{
ShowMessage();
printf("\n按任意键回主菜单......\n");
getchar();
getchar();
}
break;
case '3':
{
SearchMenu();
printf("\n按任意键回主菜单......\n");
getchar();
getchar();
}
break;
case '4':
{
TicketManagement();
getchar();
getchar();
}
break;
case '5':FLAG=TRUE;exit();break;
default:
{
printf("输入错误,请确保你的输入为1--5.\n");
printf("按任意键回主菜单......\n");
getchar();
getchar();
}
}//switch ends
FLAG=FALSE;
}
void InsertMessage(void)
{
FILE *fp;
char filename[MAXFILENAME];
int i;
printf("请输入文件名或者文件路径名:");
scanf("%s",filename);
if((fp=fopen(filename,"r"))==NULL)
{
printf("文件%s不可读，请确认文件%s存在或者文件路径正确.\n\n",filename,filename);
mainmenu();
}
for(i=RecordNumber;!feof(fp)&&!ferror(fp);i++)
{
fscanf(fp,"%d%d%d",&car[i].SerialNumber,&car[i].SetOut.hour,&car[i].SetOut.minutes);
fscanf(fp,"%s%s%f%d%d",&car[i].DeparturePoint,&car[i].TerminalPoint,&car[i].LastTime,&car[i].FixNumber,&car[i].FixedNumber);
}
int count=i;
printf("班次\t发车时间\t起点\t终点\t行车时间(小时)\t额定载量\t已定票人数\n");
for(i=0;i<count;i++)
{
printf("%d\t%d:%d\t\t",car[i].SerialNumber,car[i].SetOut.hour,car[i].SetOut.minutes);
printf("%s\t%s\t\t%.1f\t %d\t\t%d\n",car[i].DeparturePoint,car[i].TerminalPoint,car[i].LastTime,car[i].FixNumber,car[i].FixedNumber);
}
fclose(fp);
}
int ShowMessage(void)
{
int i;
FILE *fp;
if((fp=fopen("add.txt","r"))==NULL)
{
printf("读取数据失败,请检查文件add.txt是否存在.\n");
exit(-1);
}
for(i=0;!feof(fp)&&!ferror(fp);i++)
{
fscanf(fp,"%d%d%d",&car[i].SerialNumber,&car[i].SetOut.hour,&car[i].SetOut.minutes);
fscanf(fp,"%s%s%f%d%d",&car[i].DeparturePoint,&car[i].TerminalPoint,&car[i].LastTime,&car[i].FixNumber,&car[i].FixedNumber);
}
int count=i;
printf("班次\t发车时间\t起点\t终点\t行车时间(小时)\t额定载量\t已定票人数\n");
for(i=0;i<count;i++)
{
printf("%d\t%d:%d\t\t",car[i].SerialNumber,car[i].SetOut.hour,car[i].SetOut.minutes);
printf("%s\t%s\t\t%.1f\t %d\t\t%d\n",car[i].DeparturePoint,car[i].TerminalPoint,car[i].LastTime,car[i].FixNumber,car[i].FixedNumber);
}
return count;
}
void SearchMenu(void)
{
system("color 1f");
system("mode con: cols=140 lines=130");
char functionNumber;
printf(" 查询子菜单\n");
printf("============================================================================\n");
printf(" 1.按班次号查询\t\n");
printf(" 2.按终点站查询\t\n");
printf(" 3.返回主菜单\t\n");
printf("============================================================================\n");
printf("请选择你所需要的功能:");
scanf("%*c%c",&functionNumber);
switch(functionNumber)
{
case '1':SearchByNumber();break;
case '2':SearchByAddress();break;
case '3':
getchar();
mainmenu();
break;
default:
printf("输入错误,请确保你的输入为1--3.\n");
printf("按任意键回查询子菜单......\n");
getchar();
getchar();
SearchMenu();
}
}
void SearchByNumber(void)
{
int SearchNumber;
printf("请输入要查询的班次号:");
scanf("%d",&SearchNumber);
printf("班次\t发车时间\t起点\t终点\t行车时间(小时)\t额定载量\t已定票人数\n");
printf("%d\t%d:%d\t\t",car[SearchNumber-1].SerialNumber,car[SearchNumber-1].SetOut.hour,car[SearchNumber-1].SetOut.minutes);
printf("%s\t%s\t\t%.1f\t %d\t\t%d\n",car[SearchNumber-1].DeparturePoint,car[SearchNumber-1].TerminalPoint,car[SearchNumber-1].LastTime,car[SearchNumber-1].FixNumber,car[SearchNumber-1].FixedNumber);
}
void SearchByAddress(void)
{
int i;
char Address[MAX];
printf("请输入终点站的名称:");
scanf("%s",&Address);
printf("班次\t发车时间\t起点\t终点\t行车时间(小时)\t额定载量\t已定票人数\n");
for(i=0;i<RecordNumber;i++)
{
//对比终点站记录，找到并输出
if((strcmp(Address,car[i].TerminalPoint))==0)
{
printf("%d\t%d:%d\t\t",car[i].SerialNumber,car[i].SetOut.hour,car[i].SetOut.minutes);
printf("%s\t%s\t\t%.1f\t %d\t\t%d\n",car[i].DeparturePoint,car[i].TerminalPoint,car[i].LastTime,car[i].FixNumber,car[i].FixedNumber);
}
}
}
void TicketManagement(void)
{
char functionNumber;
system("color 1f");
system("mode con: cols=140 lines=130");
printf(" 订票与退票菜单\n");
printf("============================================================================\n");
printf(" 1.订票\t\n");
printf(" 2.退票\t\n");
printf(" 3.返回主菜单.\n");
printf("============================================================================\n");
printf("选择你需要的功能:");
scanf("%*c%c",&functionNumber);

switch(functionNumber)
{
case '1':
{
TicketOrder();
//getchar();
//getchar();
}
break;
case '2':TicketDelete();break;
case '3':
{
getchar();
mainmenu();
}
break;
default:
{
printf("输入错误,请确保你的输入为1--3.\n");
printf("按任意键回主菜单......\n");
getchar();
getchar();
mainmenu();
}
}
}
void TicketOrder(void)
{
int i;
printf("请输入要订购的车票的班次:");
scanf("%d",&i);
if(i<0||i>RecordNumber)
{
printf("对不起，今天没有这趟车,请明天再来，谢谢使用!\n");
printf("按任意键回主菜单......\n");
getchar();//getchar();
TicketManagement();
}

time_t tval;
struct tm *now;
tval = time(NULL);
now = localtime(&tval);
if((now->tm_hour==car[i].SetOut.hour&&now->tm_min<car[i].SetOut.minutes)||(now->tm_hour<car[i].SetOut.hour))
{
if(car[i].FixedNumber<car[i].FixNumber)
{
car[i].FixedNumber++;
printf("你的订票成功，请按时上车，谢谢使用!\n");
}
else printf("对不起，今天的这趟车的票已卖完,请明天再来，谢谢合作!\n");
}
else printf("对不起，今天的这趟车已发出,请明天再来，谢谢合作!\n");

printf("班次\t发车时间\t起点\t终点\t行车时间(小时)\t额定载量\t已定票人数\n");
printf("%d\t%d:%d\t\t",car[i-1].SerialNumber,car[i-1].SetOut.hour,car[i-1].SetOut.minutes);
printf("%s\t%s\t\t%.1f\t %d\t\t%d\n",car[i-1].DeparturePoint,car[i-1].TerminalPoint,car[i-1].LastTime,car[i-1].FixNumber,car[i-1].FixedNumber);
//printf("按任意键回主菜单......\n");
//getchar();getchar();
}
void TicketDelete(void)
{
int i;
printf("请输入要退购的车票的班次:");
scanf("%d",&i);
if(i<0||i>RecordNumber)
{
printf("对不起，今天没有这趟车,无法完成退票.谢谢使用!\n");
getchar();
//getchar();
TicketManagement();
getchar();
}
time_t tval;
struct tm *now;
tval = time(NULL);
now = localtime(&tval);
if((now->tm_hour==car[i].SetOut.hour&&now->tm_min<car[i].SetOut.minutes)||(now->tm_hour<car[i].SetOut.hour))
{
if(car[i].FixedNumber>=1)
{
car[i].FixedNumber--;
printf("退订车票成功，谢谢使用!\n");
}
else printf("对不起,今天的这趟车的票尚未卖出,无法完成退票!\n");
}
else printf("对不起，今天的这趟车已发出,无法完成退票!\n");

printf("班次\t发车时间\t起点\t终点\t行车时间(小时)\t额定载量\t已定票人数\n");
printf("%d\t%d:%d\t\t",car[i-1].SerialNumber,car[i-1].SetOut.hour,car[i-1].SetOut.minutes);
printf("%s\t%s\t\t%.1f\t %d\t\t%d\n",car[i-1].DeparturePoint,car[i-1].TerminalPoint,car[i-1].LastTime,car[i-1].FixNumber,car[i-1].FixedNumber);
getchar();//getchar();
}
void exit(void)
{
printf("\n\n*********************谢谢使用本系统，欢迎下次继续使用***********************\n");
exit(0);
}