nokia 5000，如何评价买oppo和vivo手机的人？
一，简单地分析，初步的判断
想要评价或者是了解是什么样的人购买OPPO和vivo的手机，那么首先要知道这两个品牌的手机有什么特点，而这些优点最直接的体现就是那些张口就来的广告宣传语。
二，OPPO手机比较知名的宣传语
1，OPPO Real音乐手机。
2，OPPO N3，引领4G，至美一拍。
3，OPPO R7，充电五分钟，通话两小时。
4，OPPO R9这一刻更清晰。
5，OPPO R11，前后2000万，拍照更清晰。
三，VIVO手机比较知名的宣传语
1，VIVO X7，1600万柔光自拍照，亮你的美。
2，VIVO X9，2000万柔光双摄，照亮你的美。
3，VIVO X20，逆光也清晰，照亮你的美。
4，VIVO X23，超大广角，发现更多美。
5，VIVO X30，60倍超级变焦。
6，VIVO X50，超感光微云台，夜色更精彩。
7，VIVO X60，专业影像旗舰。
四，总结
从两个品牌的手机广告语上面，我们不难发现：
OPPO手机最初是主打音乐，快充，轻薄和拍照。
VIVO手机主打的始终都是以拍摄为重心，所以拍照上VIVO强于OPPO。
所以购买这两个品牌的用户，以女性为主，抓住的就是这类人群喜欢自拍，拍照的特点，再加上机身超薄，机身颜色各异而且讨好女性，所以广受女性用户的喜欢。
随着科技和摄影技术的发展和研究，两个品牌也不再仅仅只注重拍照摄影了，到现在为止，特别是在快充，芯片，游戏上面有了更多的发展，总有更强的技术。
因此也有一部分喜欢玩游戏的男性用户选择这两个品牌，综合来说，购买OPPO和VIVO的人以女性占大多数，男性少部分。
如何才能深度学习呢？
在今年的 ICML 上，深度学习理论成为最大的主题之一。会议第一天，Sanjeev Arora 就展开了关于深度学习理论理解的教程，并从四个方面分析了关于该领域的研究：非凸优化、超参数和泛化、深度的意义以及生成模型。
2017 年 12 月 NIPS 的 Test-of-Time Award 颁奖典礼上，Ali Rahimi 这样呼吁人们加深对深度学习的理解：
我希望生活在这样的一个世界，它的系统是建立在严谨可靠而且可证实的知识之上，而非炼金术。[……] 简单的实验和定理是帮助理解复杂大现象的基石。
Ali 的目标不是解散各个领域，而是「展开对话」。这个目标已经实现了，但对于目前的深度学习应被视为炼金术还是工程或科学，人们仍存在分歧。
7 个月后，在斯德哥尔摩举行的国际机器学习会议 (ICML) 上，机器学习社区又聚焦了这个问题。此次大会与会者有 5000 多名，并累计发表论文 629 篇，这是基础机器学习研究的「年度大戏」。而深度学习理论已成为此次会议的最大主题之一。
会议第一天，最大的房间里就挤满了机器学习相关人员，他们准备聆听 Sanjeev Arora 关于深度学习理论理解的教程。这位普林斯顿大学计算机科学教授在演讲中总结了目前的深度学习理论研究领域，并将其分成四类：
非凸优化：如何理解与深度神经网络相关的高度非凸损失函数？为什么随机梯度下降法会收敛？
超参数和泛化：在经典统计理论中，为什么泛化依赖于参数的数量而非深度学习？存在其它较好的泛化方法吗？
深度的意义：深度如何帮助神经网络收敛？深度和泛化之间的联系是什么？
生成模型：为什么生成对抗网络（GAN）效果非常好？有什么理论特性能使模型稳定或者避免模式崩溃？
在这一系列的文章中，我们将根据最新的论文（尤其是 ICML2018 的论文），帮助大家直观理解这四个方面。
第一篇文章将重点讨论深度网络的非凸优化问题。
非凸优化我敢打赌，你们很多人都曾尝试过训练自己的「深度网络」，结果却因为无法让它发挥作用而陷入自我怀疑。这不是你的错。我认为都是梯度下降的错。
Ali Rahimi 在 NIPS 演讲中曾说，随机梯度下降 (SGD) 的确是深度学习的基石，它应该解决高度非凸优化问题。理解它何时起作用，以及为什么起作用，是我们在深度学习的基本理论中一定会提出的最基本问题之一。具体来说，对于深度神经网络的非凸优化研究可以分为两个问题：
损失函数是什么样的？
SGD 为什么收敛？
损失函数是什么样的？如果让你想象一个全局最小值，很可能你脑海中出现的第一幅图是这样的：
二维世界中的全局最小值附近，函数是严格凸的（这意味着 hessian 矩阵的两个特征值都是正数）。但在一个有着数十亿参数的世界里，就像在深度学习中，全局最小值附近的方向都不平坦的可能性有多大？或者 hessian 中一个为零（或近似为零）的特征值都没有的概率有多大？
Sanjeev Arora 在教程中写的第一个评论是：损失函数的可能方向数量会随着维度的增长呈指数增长。
直观上看，全局最小值似乎不是一个点而是一个连接管（connected manifold）。这意味着如果找到了全局最小值，你就能够穿过一条平坦的路径，在这条道路上，所有的点都是最小值。海德堡大学的一个研究团队在论文《Essentially No Barriers in Neural Network Energy Landscape》中证明了这一点。他们提出了一个更常规的说法，即任何两个全局最小值都可以通过一条平坦的路径连接。
在 MNIST 上的 CNN 或在 PTB 上的 RNN 已经是这样的情况，但是该项研究将这种认知扩展到了在更高级的数据集（CIFAR10 和 CIFAR100）上训练的更大网络（一些 DenseNet 和 ResNet）上。为了找到这条路径，他们使用了一种来自分子统计力学的启发式方法，叫做 AutoNEB。其思想是在两个极小值之间创建一个初始路径（例如线性），并在该路径上设置中心点。然后迭代地调整中心点的位置，以最小化每个中心点的损失，并确保中心点之间的距离保持不变（通过用弹簧建模中心点之间的空间）。
虽然他们没有从理论上证明这个结果，但他们对为什么存在这样的路径给出了一些直观的解释：
如果我们扰乱单个参数，比如添加一个小常数，然后让其它部分去自适应这种变化，仍然可以使损失最小化。因此可以认为，通过微调，无数其它参数可以「弥补」强加在一个参数上的改变。
因此，本文的结果可以帮助我们通过超参数化和高维空间，以不同的方式看待极小值。
通俗来说，当考虑神经网络的损失函数时，你应该牢记一个给定的点周围可能有非常多的方向。由此得出另一个结论，鞍点肯定比局部最小值多得多：在给定的关键点上，在数十亿个可能的方向中，很可能会找到一个向下的方向（如果不是在全局最小值上）。这种认知在 NIPS 2014 年发表的论文《Identifying and attacking the saddle point problem in high-dimensional non-convex optimization》中被严格规范化，并得到了实证证明。
为什么 SGD 收敛（或不收敛）？
深度神经网络优化的第二个重要问题与 SGD 的收敛性有关。虽然这种算法长期以来被看做是一种快速的近似版梯度下降，但我们现在可以证明 SGD 实际上收敛于更好、更一般的最小值。但我们能否将其规范化并定量地解释 SGD 脱离局部极小值或鞍点的能力？
SGD 修改了损失函数
论文《An Alternative View: When Does SGD Escape Local Minima?》表明，实施 SGD 相当于在卷积（所以平滑）的损失函数上进行常规梯度下降。根据这一观点并在某些假设下，他们证明了 SGD 将设法脱离局部最小值，并收敛到全局最小值附近的一个小区域。
SGD 由随机微分方程控制
连续 SGD 彻底改变了我对这个算法的看法。在 ICML 2018 关于非凸优化的研讨会上，Yoshua Bengio 在他关于随机梯度下降、平滑和泛化的演讲中提出了这个想法。SGD 不是在损失函数上移动一个点，而是一片点云或者说一个分布。
幻灯片摘自 Y. Bengio 在 ICML 2018 发表的演讲。他提出用分布（或点云）代替点来看待 SGD。
这个点云的大小（即相关分布的方差）与 learning_rate / batch_size 因子成正比。Pratik Chaudhari 和 Stefano Soatto 在论文《Stochastic gradient descent performs variational inference, converges to limit cycles for deep networks》中证明了这一点。这个公式非常直观：较低的 batch size 意味着梯度非常混乱（因为要在数据集一个非常小的子集上计算），高学习率意味着步骤混乱。
将 SGD 视为随时间变化的分布可以得出：控制下降的方程现在是随机偏微分方程。更准确地说，在某些假设下，论文表明控制方程实际上是一个 Fokker-Planck 方程。
幻灯片摘自 P. Chaudhari 和 S. Soatto 在 ICML 2018 发表的演讲——《High-dimensional Geometry and Dynamics of Stochastic Gradient Descent for Deep Networks》。他们展示了如何从离散系统过渡到 Fokker-Plank 方程所描述的连续系统。
在统计物理学中，这种类型的方程描述了暴露在曳力 (使分布推移，即改变平均值) 和随机力 (使分布扩散，即增加方差) 下的粒子的演化。在 SGD 中，曳力由真实梯度建模，而随机力则对应算法的内在噪声。正如上面的幻灯片所示，扩散项与温度项 T = 1 /β= learning_rate /(2 * batch_size) 成正比，这再次显示了该比值的重要性！
Fokker-Planck 方程下分布的演化。它向左漂移，随时间扩散。图源：维基百科
通过这个框架，Chaudhari 和 Soatto 证明了我们的分布将单调地收敛于某个稳定的分布（从 KL 散度的意义来说）：
Pratik Chaudhari 和 Stefano Soatto 论文的一个主要定理，证明了分布的单调会收敛到稳定状态（在 KL 散度意义中）。第二个方程表明，使 F 最小化相当于最小化某个潜在的ϕ以及扩大熵的分布（温度 1 /β控制的权衡）。
在上面的定理中有几个有趣的观点：
SGD 最小化的函数可以写成两项之和（Eq. 11）：潜在Φ和熵的分布。温度 1 /β控制这两项的权衡。
潜在Φ只取决于数据和网络的架构（而非优化过程）。如果它等于损失函数，SGD 将收敛到全局最小值。然而, 本文表明这种情况比较少见。而如果知道Φ与损失函数的距离，你将可以知道 SGD 收敛的概率。
最终分布的熵取决于 learning_rate/batch_size（温度）的比例。直观上看，熵与分布的大小有关，而高温会导致分布具有更大的方差，这意味着一个平坦的极小值。平坦极小值的泛化能力更好，这与高学习率和低 batch size 能得到更优最小值的经验是一致的。
因此，将 SGD 看作是一个随时间变化的分布表明，在收敛性和泛化方面，learning_rate/batch_size 比每个独立的超参数更有意义。此外，它还引入了与收敛相关的网络潜力，为架构搜索提供了一个很好的度量。
结论探索深度学习理论的过程可以分为两部分：首先，通过简单的模型和实验，建立起关于深度学习理论如何及其为什么起作用的认知，然后将这些理念以数学形式呈现，以帮助我们解释当前的结论并得到新的结果。
在第一篇文章中，我们试图传达更多关于神经网络高维损失函数和 SGD 解说的直观认知，同时表明新的形式主义正在建立，目的是建立一个关于深层神经网络优化的真正数学理论。
然而，虽然非凸优化是深度学习的基石并且拥有大量的层数和参数，但它取得的成功大部分源于其优秀的泛化能力。这将是下一篇文章将分享的内容。
Sanjeev Arora：印度裔美国理论计算机科学家，他以研究概率可检验证明，尤其是PCP定理而闻名。研究兴趣包括计算复杂度理论、计算随机性、概率可检验证明等。他于2018年2月被推选为美国国家科学院院士，目前是普林斯顿大学计算机科学系教授。
1500元档如何选择一款待机时间长？
很高兴能够为您回答问题！
当下手机市场竞争十分的激烈，手机的价格也是层出不穷，但是，要想买一部价格便宜而且性能优异的手机也并不是一件难事，接下来就让我为大家盘点一些价格在1500元左右可以买到的好手机！
1.华为畅想8plus 售价：1499+
我为什么首先推荐这款手机呢，理由很简单，他的性价比很高，在同价位手机中算是佼佼者了，我们先看一下手机的基本参数吧！
这款手机才用的是麒麟659处理器，在运行方面十分的流畅，毕竟这款手机的处理器属于中高端处理器，在运行大型游戏时对发热处理的也十分得当，像是同价位手机中比较好的一款了，再就是它的电池用量，4000毫安时，如果你不玩游戏用个两三天轻轻松松的，再加上他的前后四摄像头，拍摄出来的相片也是很牛的！所以我比较推荐这款手机，同时他也是自拍党的福利啊！
2.荣耀9i 售价：1399+
这款手机在处理器方面也是才用了麒麟的659处理器，但为什么不是第一个推荐他呢，因为它有着一些不足之处，就是发热！如果你长时间打游戏，那么就做好充分的心里准备，不是一般的烫手，感觉快要炸了，但是他还是有一些优势的，比如他的像素功能，还包括了人脸识别技术，还有就是他逆天的颜值的圆润的手感，如果你忽略他发热的毛病，那么他也是一部值得购买的麒麟659手机。下面是一些基本参数，可以考虑一下：
3.小米6x 售价1399+
这款手机比较牛，用一句话来形容就是价格屠夫，除去他的外观，它的配置非常的牛，算是一部最便宜的骁龙660手机。
小米大家都知道，它出品的手机一般都是低价高配，这款手机就是一个最好的例子了，我给大家一个简单的参数：
如果说让我找出这款手机最大的亮点，那就是他的处理器和像素了，大家都知道骁龙660处理器吧，如果不知道你可以去百度一下，在同价位手机中它已经是最低价的存在了，然后就是像素，前后2000万，足够满足日常，也是一个旅游拍照的利器，运行起来也是非常的六，用个一年半载的也不会出现卡顿现象，所以我力推这部手机。
4.诺基亚x6 售价：1499+
这是我最后推荐的一款手机了，买这款手机不仅仅是因为它自身的性能，更多的是一种情怀！
大家都熟知的诺基亚是在那个时代的流行品，而在如今手机品牌众多的今天，它不再那么受到人们的关注，但是，今天我给大家推荐的这款手机全是一部比较良心的机型了。
它采用了一款骁龙636处理器，全是中端处理器，也是当下比较流行的一款处理器了，运行一些大型游戏也是很轻松的，它采用了双面玻璃材质，屏幕也是中小型，小手党用起来很方便，再加上它圆润的设计，拿在手里很亲和，很舒服，所以，它在1500价格内就是一个不错的选择了！
以上就是我推荐的四款手机，也算是性比价比较高的了，希望买手机的小伙伴可以考虑一下！
世界物理水平国家排名？
一，美国在科学和技术研究，以及技术产品创新方面都是最具影响力的国家之一。人类工业史上许多最重要的发明，包括轧棉机、通用零件、生产线等都是源自美国，其中工业的生产线尤其重要，它使得工业的大量生产从梦想变为真实。其他重要的发明包括飞机、电灯泡与电话。美国最早研制出原子弹，将人类科技带入原子时代的新纪元。在科学研究方面，美国学者赢得了大量的诺贝尔奖，尤其是在生物和医学领域。美国国家健康研究中心是美国生物医学的聚焦点，并已完成人类基因组计划，使人类对肿瘤、阿兹海默症等疾病的治愈研究进入重要阶段。
日本
日本的科学研发能力位居世界前列，应用科学、机械、及医学等领域尤为突出，日本政府把电子技术、生物技术和新材料技术列为国家的3大支柱产业技术，并把3大支柱产业的关键技术细分为16项。日本拥有很多大集团和大公司，如东芝，三菱等等，这些公司都拥有很强悍的科研实力。
英国
英国是世界高科技、高附加值产业的重要研发基地之一，科研涉及很多科学领域。英国以世界1%的人口，从事世界5%的科研工作，所发表学术论文占9%，引用量达12%，仅次于美国。获国际大奖人数约占世界的10%，有78位诺贝尔科学奖得主，居世界第二。在生物技术、航空和国防方面较强。
德国
德国在科学方面的成就相当显著，而投入研究开发为整体经济的一部份。有103位德国人获颁诺贝尔奖，在20世纪，德国的诺贝尔奖得主较其他国家为多，尤其是在物理、化学、生理学或医学等科学领域。阿尔伯特·爱因斯坦及马克斯·普朗克为近代物理学的重要奠基者。德国在环境科技开发及运用上较为成熟，企业投入于环境科技领域达2,000亿欧元以上，德国环境科技重点包括发电、永续能源交通工具、原料效率、能源效率、废弃物管理、资源回收及永续水管理。
以色列
以色列对于科学和科技的发展贡献相当重大，以色列的科学家在遗传学、计算机科学、光学、工程学、以及其他技术产业上的贡献都相当杰出。以色列的研发产业中最知名的是其军事科技产业，在农业、物理学和医学上的研发也相当知名。全球顶尖企业，包括英特尔、IBM、微软、惠普、雅虎、Google、升阳微系统，在以色列都有研发中心。
瑞典
瑞典科研较发达，全国科研力量主要集中在国家资助的全国各级高校、专业研究所、皇家科学院和工程院以及企业资助的下属研发部门。瑞典皇家科学院，是瑞典最高学术机关和最大的科学中心。瑞典皇家科学院是一个不属于政府而独立存在的科学机构，在世界上与英国皇家学会、法兰西科学院和前苏联科学院齐名。
法国
与英国不同，法国保持科技优势是通过国家的高投入来实现，法国拥有五十多名诺奖获得者，十多名菲尔兹奖获得者。在20个关键科研领域，法国都居于世界前列，尽管浪漫的法国人似乎比日本人和德国人都更慵懒，但在科学研究上面，他们更富有创新精神和冒险精神。法国在航天，能源，材料科学，空间技术等方面的优势均比较明显。
意大利
意大利有良好的科学传统，20世纪先后有9位科学家获得过诺贝尔物理、化学、医学奖。意大利的科研机构分为三个部分，即公共科研机构、高等院校和企业研究开发中心。意大利高技术产业主要集中在信息通信、航空航天、生物制药、可再生能源、先进技术材料、机器人与自动化及精密仪器等领域。
芬兰
芬兰以科技立国，以科技强国。其教育水平，科技水平始终居于世界前列。除了诺基亚之外，芬兰，这个只有500多万人的小国，在20项关键科技领域，有17项排名前十，比如说计算机科学，大家都知道windows，但计算机专业的人一定知道linux。美国国防部的报告指出，芬兰是世界上向中国转让高科技技术最多的国家，中国方面公开的资料则说，芬兰是中国在北欧的第二大技术转让方。
加拿大
加拿大是一个高度发达的资本主义国家，得益于丰富的自然资源和高度发达的科技，使其成为世界上拥有最高生活水准、社会最富裕、经济最发达的国家之一。加拿大重有3.38万名科技人员在联邦政府中工作，从事研发的占41.3%，从事RSA的科技人员占58.7%。2004年3月，加拿大已正式成为总部设在莫斯科的国际科学技术中心（ISTC）的成员。
中国
中国在计算机、航空航天、生物工程、新能源、新材料、激光技术等领域都取得了重大科技成果。中国设有众多公立的科研机构，包括中国科学院、中国工程院和许多研究型大学。每年都有大量国家拨款用于科研。在超大规模集成电路、超级计算机、航天、可控热核聚变等方面国际竞争能力也在快速提一升当中。
你是考虑换苹果手机还是华为手机呢？
如果让我换手机，我肯定选华为。
原因之一：华为性价比高
手机作为价格高的热销品，更新换代频率很高。就拿目前比较热的5G技术来说，华为2019年已经上市了几款5G手机，苹果计划2020年上市5G手机。华为手机整体的技术、功能和苹果虽然有一点差距，但是价格对得起它的技术，功能也很强大。苹果呢，不管功能有没有什么升级，价格就是贵。
原因之二：安卓系统流畅度高，拓展性好
很多朋友都用过国内各个品牌的手机，除了华为，我还用过魅族、小米、360的智能手机，这些手机有一个共同点，用一年左右打开的应用多了，就会卡顿，还很频繁。而华为手机同时打开很多应用，都很少发生卡顿现象，用两三年都没问题。苹果自然也不会卡顿，但是安卓系统相比IOS系统，扩展性好，可以让用户获得更好的体验。比如qq的在线发应用功能，苹果就不能使用。
原因之三：华为在国产手机里最有核心竞争力
华为手机现在无疑是代表中国科技实力的重要产品，华为公司也再三的被外国限制业务，这都说明华为的实力让国外恐慌，害怕被替代，所以才会去打压华为。
欢迎，大家补充[呲牙]
