腾讯云

开发者社区

文档建议反馈控制台

首页

文章/答案/技术大牛

发布

社区首页 >问答首页 >对PRNG来说，移动目标比静态目标更难猜测吗？有多难？

问对PRNG来说，移动目标比静态目标更难猜测吗？有多难？
EN

Stack Overflow用户

提问于 2013-07-29 15:37:43

回答 1查看 50关注 0票数 0

假设我们有一些伪随机数生成器，它的周期比它的可能值范围大得多，它试图猜测我们选择的数字。我们是否可以通过在每次PRNG猜测后更改我们选择的次数来增加PRNG猜测我们的数量所需的平均尝试次数？

我的理解是，典型的PRNG是均匀分布的，并且包括它提供的数字范围内的所有数字。因此，在PRNG期间，我们可以保证PRNG最终会猜测出我们可以选择的任何静态数字。但是，这对在任何实际时间长度内发生这样的事情的可能性有什么影响？

random

prng

云联络中心6.1折起

灵活稳定的一体化云联络中心，助力快速搭建集电话、在线交流、音视频通话为一体的客户联络平台

回答 1

Stack Overflow用户

发布于 2015-07-29 23:48:50

如果选择“目标”的条件是随机的，那么移动目标并不比静态目标更难猜测。

以前的事件不会改变当前事件的结果，这是赌徒悖论。

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/17928241

复制

Excel数据一键转置

excel

Excel里有选择性粘贴，转置；PQ里当然也不能少，而且就是一个按钮点一下。先上数据：

大海Power

2021/08/30

5020

python转置矩阵代码_python 矩阵转置[通俗易懂]

python html numpy css

5.矩阵转置给定:L=[[1,2,3],[4,5,6]] 用zip函数和列表推导式实现行列转def transpose(L): T = [list(tpl) for tpl in zip(*L)] return T

全栈程序员站长

2022/08/22

5.7K0

python中矩阵的转置_[转]Python中的矩阵转置[通俗易懂]

python 编程算法 java

arr = [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]

全栈程序员站长

2022/09/03

3.6K0

如何理解转置卷积(transposed convolution）

编程算法

转置卷积也被称为反卷积，常被用用于CNN中的上采样操作，比如分割任务，或GAN网络中。反卷积并不是常规卷积的完全逆操作，反卷积也起不到根据输出特征以及对应的卷积核，恢复原始输出的作用，它最多的作用就是有可学习参数的上采样操作，仅此而已。同时，反卷积操作并没有把正向卷积输出，对应的卷积核拿过来做转置使用，而是多了几个卷积核而已。此外，即便是把正向卷积输出对应的卷积核拿过做反卷积，它也恢复不出来原来的参数，恢复原来参数这种操作看起来并没有太大意义，因为只是想做上采样而已。这里与常规卷积的区别主要体现在：

chaibubble

2021/02/04

1.7K0

python一维数组转置_python矩阵转置[通俗易懂]

编程算法 java

对于有参数的transpose：对于三维数组，原型数组的参数应该是（0，1，2），对应的是外行，子行，子列，如果变成（1，0，2）就是将外行变成子行，子行变成外行。对于元素索引也发生同样改变，比如原来的元素3的索引是（0，1，1），转换后就是（1，0，1）

全栈程序员站长

2022/08/22

2.1K0

python实现矩阵的转置_Python实现矩阵转置的方法分析

java python https 编程算法

前几天群里有同学提出了一个问题：手头现在有个列表，列表里面两个元素，比如[1, 2]，之后不断的添加新的列表，往原来相应位置添加。例如添加[3, 4]使原列表扩充为[[1, 3], [2, 4]]，再添加[5, 6]扩充为[[1, 3, 5], [2, 4, 6]]等等。

全栈程序员站长

2022/08/23

1.9K0

Oracle 行列转置

编程算法 sql

用户1148526

2019/05/25

1.6K0

矩阵转置（函数）

cout include int 函数数组

叶茂林

2023/07/28

2220

Excel实战技巧105：转置数据的3种方法

d3 excel shift

所谓转置数据，就是将数据从水平转变成垂直，或者从垂直转变成水平。换句话说，在Excel工作表中，将行中的数据转变到列中，将列中的数据转变到行中。下面将展示3种转置数据的方法：

fanjy

2021/07/12

6K0

稀疏矩阵转置

其他

矩阵是线性代数中的一个知识，刚开始学习的时候可能感觉不到它有什么用处，最初的感觉就是对二维数据的操作。其实现实生活中矩阵的用处太大了，设计领域相当的广泛。在此只讨论稀疏矩阵的转置问题；

大黄大黄大黄

2018/09/14

1.7K0

[每日一题]矩阵转置（1242）

微信

题目描述输入N*N的矩阵，输出它的转置矩阵。输入第一行为整数N。接着是一个N*N的矩阵。输出转置矩阵样例输入 2 1 2 1 2 样例输出 1 1 2 2 PS：如果你有想法或者想看别人的想法就回复题号1242，获得链接，将你的想法写进去，不懂的朋友也可以通过回复题号1242获得链接查看别人的想法和思路哦！另外，有兴趣的同学还可以加入C语言网官方微信群，一起讨论C语言有找密码或者其他问题也可以到里面找相关人员解决通过加小编：dotcppcom 备注：C语言网昵称（需要先在C语言

编程范源代码公司

2018/04/18

1.3K0

10:矩阵转置

编程算法

10:矩阵转置总时间限制: 1000ms 内存限制: 65536kB描述输入一个n行m列的矩阵A，输出它的转置AT。输入第一行包含两个整数n和m，表示矩阵A的行数和列数。1 <= n <= 100，1 <= m <= 100。接下来n行，每行m个整数，表示矩阵A的元素。相邻两个整数之间用单个空格隔开，每个元素均在1~1000之间。输出m行，每行n个整数，为矩阵A的转置。相邻两个整数之间用单个空格隔开。样例输入 3 3 1 2 3 4 5 6 7 8 9 样例输出 1 4 7 2 5

attack

2018/04/03

1.9K0

转置卷积详解

卷积神经网络

前面文章对卷积做了讲解，感觉既然重新整理，就将系列概念整体做个梳理，也算是将自己知道的所有东西拿来献丑把。转置卷积(Transposed Convolution)是后来的叫法，一开始大家都是称逆卷积/反卷积(Deconvolution)，这个概念是在图像分割任务中被提出来的，图像分割需要逐像素的操作，对每一个像素做一个分割，将其归类到不同的物体当中。这个任务大家很自然的想要使用卷积神经网络来完成，那就得先使用卷积神经网络提取特征，但是卷积神经网络中的两大主要构件，卷积层和下采样层会使得图像的尺寸不断缩小。这个就与逐像素的分类不符，因为逐像素分割的话是需要输出和输入大小是一致的。针对这个问题，有人提出了先使用卷积核下采样层逐层的提取特征，然后通过上采样再将特征图逐渐的恢复到原图的尺寸。而这个上采样一开始就是通过反卷积来实现的。如果说卷积核下采样的过程特征图是变小的，那么上采样之后特征图应该变大。我们应该熟悉卷积的输出尺寸公式 o u t = ( F − K + 2 P ) / s + 1 out=(F-K+2P)/s+1 out=(F−K+2P)/s+1，其中F表示输入特征图的尺寸，K表示卷积核的尺寸，P表示padding，S表示卷积的步长。我们都通过这个公式来计算卷积的输出特征图尺寸。举例来说明，一个4×4的输入特征图，卷积核为3×3，如果不使用paddng，步长为1，则带入计算 o u t = ( 4 − 3 ) / 1 + 1 out=(4-3)/1+1 out=(4−3)/1+1为2。我们已经在im2col算法的介绍中讲解了卷积的实现，实际上这个步骤是通过两个矩阵的乘法来完成的，我们不妨记为 y = C x y=Cx y=Cx，如果要上采样，我们希望给输出特征图乘一个参数矩阵，然后把尺寸还原回去，根据数学知识，我们给特征图矩阵 y y y左乘一个{C^T}，就能得到 C T y = C T C x C^Ty=C^TCx CTy=CTCx， C C C的列数等于 x x x的行数， C T C C^TC CTC的行数和列数都等于x的行数，乘完之后，得到的结果与 x x x形状相同。这就是转置卷积名字的来源。有一些工作确实是这样实现的。我们也能很自然的得出结论，我们不需要给输出特征图左乘 C T C^T CT，显然只要和这个矩阵形状相同，输出的结果就和原特征图尺寸相同，而且这个操作同样可以使用卷积来实现，那我们只要保证形状一致，然后参数我们可以自己训练，这样尺寸的问题解决了，而且特征的对应也有了，是可以训练的，一举两得。 im2col讲解的内容，卷积是 ( C o u t , C i n ∗ K h ∗ K w ) (C_{out},C_{in}*K_h*K_w) (Cout,Cin∗Kh∗Kw)的卷积核乘 ( C i n ∗ K h ∗ K w , H N ∗ W N ) (C_{in}*K_h*K_w,H_N*W_N) (Cin∗Kh∗Kw,HN∗WN)的特征图，得到 ( C o u t , H N ∗ W N ) (C_{out},H_N*W_N) (Cout,HN∗WN)的结果。现在对卷积核做一个转置 ( C i n ∗ K h ∗ K w , C o u t ) (C_{in}*K_h*K_w,C_{out}) (Cin∗Kh∗Kw,Cout)乘 ( C o u t , H N ∗ W N ) (C_{out},H_N*W_N) (Cout,HN∗WN)得到一个 ( C i n ∗ K h ∗ K w , H N ∗ W N ) (C_{in}*K_h*K_w,H_N*W_N) (Cin∗Kh∗Kw,HN∗WN)的特征图。除了以上内容这里还有一点其他需要补充的东西，比如在caffe中除了im2col函数之外，还有一个函数是col2im，也就是im2col的逆运算。所以对于上面的结果caffe是通过col2im来转换成特征图的。但是col2im函数对于im2col只是形状上的逆函数，事实上，如果对于一个特征图先执行im2col再执行col2im得到的结果和原来是不相等的。而在tensorflow和pytorch中，这一点是有差异的，两者是基于特征图膨胀实现的转置卷积操作，两者是是通过填充来进行特征图膨胀的，之后可能还会有一个crop操作。之所以需要填充，是因为想要直接通过卷积操作来实现转置卷积，干脆填充一些值，这样卷积出来的特征图尺寸自然就更大。但是两者从运算上来讲都无法对原卷积进行复原，只是进行了形状复原而已。到了最后就可以讨论形状的计算了，转置卷积是卷积的形状逆操作，所以形状计算就是原来计算方式的逆函数。 o u t = ( F − K + 2 P ) / s + 1 out

全栈程序员站长

2022/06/24

7960

Pytorch 转置卷积

java

卷积不会增大输入的高和宽，通常要么不变，要么减半。而转置卷积则可以用来增大输入高宽。

全栈程序员站长

2022/06/24

2.2K0

python转置矩阵函数_对python 矩阵转置transpose的实例讲解

bash bash 指令 https java 网络安全

image_vector_len = np.prod(image_size)#总元素大小，3*55*47

全栈程序员站长

2022/08/22

1.5K0

numpy矩阵转置

numpy

numpy矩阵转置只需要这样子： import numpy as np import fractions # 设置以分数形式显示 np.set_printoptions(formatter={'all': lambda x: str(fractions.Fraction(x).limit_denominator())}) # 定义矩阵 c = np.array([[-1/np.sqrt(2), 0, 1/np.sqrt(2)], [0, 1, 0], [1/np.sqrt(2), 0, 1/np.sqr

灯珑LoGin

2022/10/31

8410

HAWQ中的行列转置

sql 数据库

该文介绍了如何在PostgreSQL中实现交叉表查询，包括定义表、定义列、创建索引、查询结果集合并以及应用函数处理结果集等步骤。同时介绍了如何使用PL/SQL和SQL进行交叉表查询，以及如何使用PostGIS进行空间数据查询和处理。

用户1148526

2018/01/03

1.7K0

python转置矩阵画流程图_python 矩阵转置transpose

opencv https java 网络安全存储

我们对arr进行transpose转置，arr2 = arr.transpose((1,0,2))，结果是这样：

全栈程序员站长

2022/08/24

1.6K0

替换与转置函数

数据处理

今天要跟大家分享两个经常会用到的函数——替换与转置函数！ ▽▼▽ excel中的替换函数有两个：substitute/replace 转置函数：TRANSPOSE 替换函数： substitute函数的语法格式 =substitute(text,old_text,new_text,[instance_num]) =substitute（需要替换的文本，旧文本，新文本，第N个旧文本）这里的最后一个参数[instance_num]是指定需要替换第几次出现的重复对象，一般可以省略（因为我们通常都是替换全部的目

数据小磨坊

2018/04/10

1.6K0

卷积与转置卷积

https java 网络安全

转置卷积又称微步卷积(“微步”的含义指：新的步长为1，而之前的步长为2，使得转置卷积的滑窗处理相比较卷积的“小”。)，可以视作传统卷积操作的一种“逆向”传递过程；并且，转置卷积受“正向”卷积的参数约束,即步长stride和零填充（zero-padding）。下面给出stride=1和padding=0、stride=1和padding=1、stride=2和padding=0、stride=2和padding=1的卷积和转置卷积例子。

全栈程序员站长

2022/06/24

6110

相似问题

C中声明的数组与未声明的数组

C中数组的声明

如何声明C字符串数组

声明字符串数组的Visual C++

声明字符串数组的visual C++

活动推荐

玩转EdgeOne Pages有奖征集

添加站长进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例