内容介绍：
2.4 放大电路静态工作点的稳定
静态工作点 Q ：电路是否失真：太高饱和失真，太低截止失真； 电路动态参数
导致 Q 点不稳定的因素：电源波动、元件老化、温度等
温度对晶体管影响：ICBO、uBE、β，综合为ICQ 的变化
Q 点稳定：ICQ、UCEQ 不变 → 依靠 IBQ 实现
解决方法：
直流负反馈：
温度补偿：
2.5 晶体管单管放大电路的三种基本接法
在放大电路交流通路中，输入、输出回路的公共端不同，构成不同组态的放大电路：
共射: 以e为交流公共端，基极输入，集电极输出
共集: 以c为交流公共端，基极输入，发射极输出
共基: 以b为交流公共端，发射极输入，集电极输出
共射电路
共集电路
共基电路
放大能力
电压(电流)
电流、电压跟随特性
电压，与共射电路相当
输入/输出电压相位
反相
同相
同相
输入电阻
居中
最大
小
输出电阻
较大
最小
与共射电路相当
应用
低频放大电路的单元电路
放大电路的输入/输出级，功率输出级
频率特性好，用于宽频带放大器
#############################################
往期回顾：
视频课程—模电—常用半导体器件(1)
视频课程—模电—常用半导体器件(2)
视频课程—模电—常用半导体器件(3)
视频课程—模电—常用半导体器件(4)
视频课程-模电-基本放大电路(1)
####################################################
	

正交实验法的介绍：正交试验法是研究多因素、多水平的一种试验法，它是利用正交表来对试验进行设计，通过少数的试验替代全面试验在一项试验中，把影响试验结果的量称为试验因素(因子)，简称因素。因素可以理解为试验过程中的自变量，试验结果可以看成因素的函数。在试验过程中，每一个因素可以处于不同的状态或状况，把因素所处的状态或状况，称为因素的水平，简称水平。举个例子：某所大学通信系共2个班级，刚考完某一门课程，想通过“性别”、“班级”和“成绩”这三个查询条件对通信系这门课程的成绩分布，男女比例或班级比例进行人员查询：
根据“性别”=“男，女”进行查询根据“班级”=“1班，2班”查询根据“成绩”=“及格，不及格”查询按照传统设计——全部测试分析上述测试需求，有3个被测元素，被测元素我们称为因素，每个因素有两个取值，我们称之为水平值(也就是2)。如果是普通的全面测试，则如下(2^3=8次)
全面测试表
若采用正交测试利用正交表设计测试用例，我们得到的测试用例个数是n=3*(2-1)+1=4(这个公司就是(因素数*(最大水平数-1)+1))，对于三因素两水平的刚好有L4(2^3)的正交表可以套用于是用正交表试验法得出4个测试用例如下(正交测试表的类型一般都会给出来)
正交测试表
正交试验设计方法
与一般的试验设计类似 ，用正交试验设计方法设计测试用例时主要包括以下步骤：
(1)确定因素
这里的因素是指对软件运行结果有影响的软件
(2)确定因素的取值范围或集合(该步是为步骤3做准备的)
因素的取值范围是指软件输入的取值范围或集合以及可用的硬件资源。
(3)确定每个因素的水平
根据因素的取值范围或集合 ,采用等价类划分、边界值分析以及其他软件测试技术,在每个因素的取值范围或集合内挑选出有效等价类、无效等价类、正好等于、刚刚大于或刚刚小于边界值等有代表性的测试值。
(4)选择正交表
根据确定的因素和水平 ,选择适合的正交表。
如果没有合适的正交表可用或需要的测试用例个数太多 ,要对因素和水平进行调整。
正交表的构成：
l行数(Runs)：正交表中的行的个数，即试验的次数，也是通过正交实验法设计的测试用例的个数
l因素数(Factors)：正交表中列的个数，即要测试的功能点。
l水平数(Levels)：任何单个因素能够取得的值的最大个数，即要测试功能点的输入值

文章目录
第八章 计算机的安全使用
第一节 计算机安全的基本知识
计算机安全的基本知识和概念
计算机安全属性
计算机安全的内容包括
TCSEC
计算机病毒
特征
病毒分类
计算机病毒的预防
病毒的清除
第二节 网络安全的基本知识
网络安全概述
定义
所具有特征
影响网络安全的主要因素
网络攻击
安全服务
第三节 防火墙，系统更新与系统还原
防火墙
功能
硬件防火墙的分类
常用的软件防火墙
系统更新
系统还原
创建还原点
系统还原方法
设置系统还原

第八章 计算机的安全使用
第一节 计算机安全的基本知识
计算机安全的基本知识和概念

计算机安全属性

计算机安全的内容包括

TCSEC

计算机病毒

特征

病毒分类

计算机病毒的预防

病毒的清除

第二节 网络安全的基本知识
网络安全概述

定义

所具有特征

影响网络安全的主要因素

网络攻击

安全服务



第三节 防火墙，系统更新与系统还原
防火墙

功能

硬件防火墙的分类

常用的软件防火墙

系统更新

系统还原

创建还原点

系统还原方法

设置系统还原

第三周
3.1调试处理


最为广泛的学习应用是𝑎，学习速率是需要调试的最重要的超参数。

除了𝑎，还有一些参数需要调试，例如 Momentum 参数𝛽，

重要性排第三位的是其他因素，层数有时会产生很大的影响，学习率衰减也是如此。
3.2为超参数选择合适的范围
如果你画一条从 0.0001 到 1 的数轴，沿其随机均匀取值，那 90%的数值将会落在0.1 到 1 之间，结果就是，在 0.1 到 1 之间，应用了 90%的资源，而在 0.0001 到 0.1 之间，只有 10%的搜索资源，这看上去不太对。
所以在 Python 中，你可以这样做，使 r=-4*np.random.rand()，然后𝑎随机取值，𝑎 = 10𝑟，所以，第一行可以得出𝑟 ∈ [4,0]，那么𝑎 ∈ [10−4, 100]，所以最左边的数字是10−4，最右边是100
所以总结一下，在对数坐标下取值，取最小值的对数就得到𝑎的值，取最大值的对数就得到𝑏值，所以现在你在对数轴上的10𝑎到10𝑏区间取值，在𝑎，𝑏间随意均匀的选取𝑟值，将超参数设置为10𝑟，这就是在对数轴上取值的过程。


3.3超参数调试实践


一种是你照看一个模型，通常是有庞大的数据组，但没有许多计算资源或足够的 CPU 和GPU 的前提下，基本而言，你只可以一次负担起试验一个模型或一小批模型，在这种情况下，即使当它在试验时，你也可以逐渐改良。



另一种方法则是同时试验多种模型，你设置了一些超参数，尽管让它自己运行，或者是一天甚至多天，然后你会获得像这样的学习曲线。
所以这两种方式的选择，是由你拥有的计算资源决定的，如果你拥有足够的计算机去平行试验许多模型，那绝对采用鱼子酱方式，尝试许多不同的超参数，看效果怎么样。但在一些应用领域，比如在线广告设置和计算机视觉应用领域，那里的数据太多了，你需要试验大量的模型，所以同时试验大量的模型是很困难的，会像对婴儿一样照看一个模型，调试参数，试着让它工作运转。
3.4归一化网络的激活函数
所以问题来了，对任何一个隐藏层而言，我们能否归一化𝑎值，在此例中，比如说𝑎[2]的值，但可以是任何隐藏层的，以更快的速度训练𝑤[3]，𝑏[3]，因为𝑎[2]是下一层的输值



𝑧̃(𝑖) = 𝛾𝑧norm(𝑖) + 𝛽，这里𝛾和𝛽是你模型的学习参数



均值和方差由两参数控制，即𝛾和𝛽，学习算法可以设置为任何值.
均值和方差可以是 0 和 1，也可以是其它值，它是由𝛾和𝛽两参数控制的。
3.5将Batch Norm拟合进神经网络


Batch 归一化是发生在计算𝑧和𝑎之间的。

所以现在，这是你算法的新参数，接下来你可以使用想用的任何一种优化算法，比如使用梯度下降法来执行它。
我已经解释过 Batch 归一化是怎么操作的，计算均值和方差，减去均值，再除以方差。因此，探究框架，可写成一行代码，比如说，在 TensorFlow框架中，你可以用这个函数（tf.nn.batch_normalization）来实现 Batch 归一化。
实践中，Batch 归一化通常和训练集的 mini-batch 一起使用。用第一个 mini-batch(𝑋[1])，然后计算𝑧[1]，应用参数𝑤[1]和𝑏[1]，继续第二个 mini-batch(𝑋[2])，接着Batch 归一化会减去均值，除以标准差，由𝛽[1]和𝛾[1]重新缩放，这样就得到了𝑧̃[1]，再应用激活函数得到𝑎[1]。然后用𝑤[2]和𝑏[2]计算𝑧[2]，等等，所以你做的这一切都是为了在第一个 mini-batch(𝑋[1])上进行一步梯度下降法。
你会在第二个 mini-batch（𝑋[2]）上计算𝑧[1]，然后用 Batch 归一化来计算𝑧̃[1]，
然后在第三个 mini-batch（𝑋[3]）上同样这样做，继续训练。
所以，如果你在使用 Batch 归一化，其实你可以消除这个参数（𝑏[l]），或者你也可以，暂时把它设置为 0，那么，参数变成𝑧[l] = 𝑤[l]𝑎[l-1]，然后你计算归一化的𝑧[l]，𝑧̃[l] = 𝛾[l]𝑧[l] + 𝛽[l]，你最后会用参数𝛽[l]，以便决定𝑧̃[l]
所以总结一下，因为 Batch 归一化超过了此层𝑧[l]的均值，𝑏[l]这个参数没有意义，所以，你必须去掉它，由𝛽[l]代替，这是个控制参数，会影响转移或偏置条件。最后，请记住𝑧[l]的维数，因为在这个例子中，维数会是(𝑛[l], 1)，𝑏[l]的尺寸为(𝑛[l], 1)，那𝛽[l]和𝛾[l]的维度也是(𝑛[l], 1)
你运行𝑡 = 1到 batch 数量的 for 循环，你会在 mini-batch 𝑋[t]上应用正向 prop，每个隐藏层都应用正向 prop，用 Batch 归一化代替𝑧[l]为𝑧̃[l]。后，你更新这些参数：𝑤[l] = 𝑤[l] − αd𝑤[l]，和以前一样，𝛽[l] = 𝛽[l] −

𝛼𝑑𝛽[l]，对于𝛾也是如此𝛾[l] = 𝛾[l] − 𝛼𝑑𝛾[l]
3.6Batch Norm
通过归一化所有的输入特征值𝑥，以获得类似范围的值，可以加速学习。
Batch 归一化有效的第二个原因是，它可以使权重比你的网络更滞后或更深层。
如果你已经学习了𝑥到𝑦 的映射，如果𝑥的分布改变了，那么你可能需要重新训练你的学习算法。







Batch 归一化还有一个作用，它有轻微的正则化效果，在 mini-batch 上计算的均值和方差，而不是在整个数据集上，均值和方差有一些小的噪声，为均值和方差有一点小噪音，因为它只是由一小部分数据估计得出的。缩放过程从𝑧[𝑙]到𝑧̃[𝑙]，过程也有一些噪音，因为它是用有些噪音的均值和方差计算得出的。
因为添加的噪音很微小，所以并不是巨大的正则化效果。也许另一个轻微非直观的效果是，如果你应用了较大的 mini-batch，对，比如说，你用了 512 而不是 64，通过应用较大的 min-batch，你减少了噪音，因此减少了正则化效果，这是 dropout 的一个奇怪的性质，就是应用较大的 mini-batch 可以减少正则化效果。
但是不要把 Batch 归一化当作正则化，把它当作将你归一化隐藏单元激活值并加速学习的方式，我认为正则化几乎是一个意想不到的副作用。

Batch 归一化一次只能处理一个 mini-batch 数据，它在 mini-batch 上计算均值和方差。所以测试时，你试图做出预测，试着评估神经网络，你也许没有mini-batch 的例子，你也许一次只能进行一个简单的例子，所以测试时，你需要做一些不同的东西以确保你的预测有意义。
3.7测试时的Batch Norm
Batch 归一化将你的数据以 mini-batch 的形式逐一处理，但在测试时，你可能需要对每个样本逐一处理



但是在测试时，你可能不能将一个 mini-batch 中的 6428 或 2056 个样本同时处理，因此你需要用其它方式来得到𝜇 和𝜎2，而且如果你只有一个样本，一个样本的均值和方差没有意义。
总结一下就是，在训练时，𝜇和𝜎2是在整个 mini-batch 上计算出来的包含了像是 64 或28 或其它一定数量的样本，但在测试时，你可能需要逐一处理样本，方法是根据你的训练集估算𝜇和𝜎2，估算的方式有很多种，我们通常运用指数加权平均来追踪在训练过程中你看到的𝜇和𝜎2的值。还可以用指数加权平均，有时也叫做流动平均来粗略估算𝜇和𝜎2，然后在测试中使用𝜇和𝜎2的值来进行你所需要的隐藏单元𝑧值的调整。
3.8Softmax回归
或者说是多种分类中的一个，不只是识别两个分类，我们来一起看一下。
我会用大写的𝐶来表示你的输入会被分入的类别总个数，当有 4 个分类时，指示类别的数字，就是从 0 到𝐶 − 1，换句话说就是 0、1、2、3。
因此这里的𝑦^将是一个4 × 1维向量，因为它必须输出四个数字，给你这四种概率，因为它们加起来应该等于 1，输出中的四个数字加起来应该等于 1。





Softmax 激活函数的特殊之处在于，因为需要将所有可能的输出归一化，就需要输入一个向量，最后输出一个向量。
3.9训练一个Softmax分类器
Softmax 回归将 logistic 回归推广到了两种分类以上。












3.11TensorFlow






这是运行了梯度下降的 1000 次迭代，最后𝑤变成了 4.99999，记不记得我们说(𝑤 − 5)2最小化，因此𝑤的最优值是 5，这个结果已经很接近了。









当你运行训练迭代，用 feed_dict 来让 x=coefficients。如果你在做 mini-batch 梯度下降，在每次迭代时，你需要插入不同的 mini-batch，那么每次迭代，你就用 feed_dict 来喂入训练集的不同子集，把不同的 mini-batch 喂入损失函数需要数据的地方。
但这个 with 结构也会在很多 TensorFlow 程序中用到，它的意思基本上和左边的相同，但是 Python 中的 with 命令更方便清理，以防在执行这个内循环时出现错误或例外。