期货1709什么意思？
同花顺说1489，那么大家就要注意了，下单时同花顺输入1的时候要以为是标准手数，输入2的时候才是1比1的比例，如果交易单数大于1之后，才会到1比2的比例。
1709有什么意思？
在大连商品交易所同花顺、东方财富、技术图表都是输入1489，这个就是输入1比1的标准手数，我们以四万手为例，如果我们想要做60万手，那么就要输入1489，而不是1比1的手数。
如果想要做90万手，那么还是要输入1比1的手数，而不是1比1的比例。
以我有限的知识告诉你是：7000*1.1*7/15(10w手)*1.1/15*15/15=317175手在交易所(hsbc)官网搜索，资金70000手7000*1.01*8/15(100w手)*0.8/15/15=216436手自己算算吧。
以前dz已经给出解释：同花顺是指1489/15，东方财富是1比1，技术图表一般是200/50000
好吧，我现在用大同花顺，他们是1比1。
我也是5w手。。
我服了。
现在是10万到20万手限制
大同花顺1489而已，不知道要高到哪里去了。
我用的是大同花顺09年的老版本，现在叫巨细总称。
因为不太喜欢那种灵敏计算法，觉得方便计算很重要，比如历史盈亏数额。
所以这个图表是我用的最多的。

原创作者：张向荣
谈到混凝土，相信大家对它多不会感到陌生，因为毕竟在建筑的行业都是听说过的。但是大家有没有发现很多的时候混凝土会被一个特别生僻的字代替的，那就是“砼”了。
1
砼正确的读音 ：[tóng]
与“同”字同音。
意思为：混凝土。
(混凝土就是指由水泥+碎石+砂+水，按照一定比例拌合而成，待凝固之后形成的一种坚硬的人工石头)
砼是一个现代造出的字。
以前搞工程的时候，没有电脑，所有的设计数据都需要用手写，而混凝土的使用率非常的高，可是混凝土三个字出现频繁，字写起来也麻烦不好写，写起来费力又费时。 
于是有人就在写混凝土的时候，用“人工石”来代替混凝土，混凝土可不就是人工制作出来的石头吗？ 
但是“人工石”只是写起来简单了一点，还是很占空间，所以后来就合成为一个字，就是“砼”了。 
“砼”字的发明人叫蔡方荫，是一位早年的清华学子。1953年他发明了这个字，很快便在工程技术人员、大专院校学生中得到推广。
蔡方荫先生简介 
可是造字不是一件简单的事情，“砼”字刚刚使用的时候，很多人都不知道这是什么意思，只有熟悉蔡方荫的人才知道这可能是混凝土的意思，虽然简单方便，可是没有大范围的投入使用。 
时隔5年，直到1958年，文字改革委才认同了砼字的法定地位，正式宣布在建筑工程中砼字和混凝土表达一个意思，并且可以写入合同。 
砼字就是人工石结合起来的一个字，表达的意思也是混凝土，可是读音却和混凝土没什么关系，和“铜”同音。 
这是因为“砼”的读音正好与法文“BE—TON”，德国“Be—ton”，俄文”BE—TOH“混凝土一词的发音基本相同。
这样，在建设领域中更有利于国际学术交流，于是砼字的读音就被确定为“tong”了。
2
混凝土等级
平常大家最常见的有关混凝土参数的就是混凝土等级了。
混凝土强度等级是根据立方体抗压强度标准值来确定的。
它的表示方法 是用符号“C”和“立方体抗压强度标准值”两项内容表示。
如：“C30”即表示混凝土立方体抗压强度标准值fcu，k =30MPa 。 
如何得出混凝土强度呢？ 
混凝土的抗压强度是通过试验得出的，我国最新标准《普通混凝土力学性能试验方法标准》GB/T50081-2002。
采用边长为150mm的立方体试件，作为混凝土抗压强度的标准尺寸试件，在标准养护(温度20±2℃、相对湿度在95%以上)条件下，养护至28天，用标准试验方法测得的极限抗压强度。 
我国现行规范(GB50010-2010)规定，普通混凝土划分为十四个等级，即：C15，C20，C25，C30，C35，C40，C45，C50，C55，C60，C65，C70，C75，C80。
不同的建筑工程，不同的部位常采用不同强度等级的混凝土，在我国混凝土工程目前水平下，一般选用范围如下: 
C10~C15——用于垫层、 基础、地坪及受力不大的结构。
C20~C25——用于梁、 板、柱、楼梯、屋架等普通钢筋混凝土结构;
C25~C30——用于大跨度结构、 要求耐久性高的结构、预制构件等;
C40~C45——用于 预应力钢筋混凝土构件、吊车梁及特种结构等， 用于25 ~ 30层;
C50~C60——用于30层至60层以 上高层建筑;
C60~C80——用于高层建筑， 采用高性能混凝土;
3
混凝土配合比
所谓混凝土施工配合比是指混凝土中各组成材料之间的比例关系。是以1m3混凝土中各项材料的质量。
混凝土配合比设计是混凝土工程中很重要的一项工作，它直接影响到混凝土的顺利施工、混凝土工程的质量和混凝土工程的成本。 
常用等级参考:
C20
水: 175kg 水泥: 343kg 砂: 621kg 石子: 1261kg
配合比为: 0.51:1:1.81:3.68
C25
水: 175kg 水泥: 398kg 砂: 566kg 石子: 1261kg
配合比为: 0.44:1:1.42:3.17
C30
水: 175kg 水泥: 461kg 砂: 512kg 石子: 1252kg
配合比为: 0.38:1:1.11:2.7
大家要是需要各类建筑资料的，可以去“土木智库”公众号，里面有一个“免费资源”菜单，可供大家选择，注意是公众号，不是头条！

码字不易，欢迎给个赞！
欢迎交流与转载，文章会同步发布在公众号：机器学习算法工程师(Jeemy110)
训练目标检测模型的一个难点是样本不均衡，特别是正负样本比例严重失衡。目前解决这类问题主要是两种方案（见综述Imbalance Problems in Object Detection: A Review）：一是hard sampling方法，从所有样本中选择一定量的正样本和负样本，只有被选择的样本才计算loss，一般会倾向选择一些难负例样本，比如OHEM；另外一类方法是soft sampling方法，选择所有样本计算loss，但是不同的样本赋给不同的权重值，比如focal loss。这些基于采样的策略虽然有效，但是需要超参数调节。这里，我们介绍的论文是Is Sampling Heuristics Necessary in Training Deep Object Detectors?，论文提出了一种无采样方案，此方案与前面两种方法的对比如下： 
无采样方法使用所有的样本进行训练，下面我们具体来看它如何训练出比较好的检测效果，它的策略非常简单。
从RetinaNet和Focal loss说起
RetinaNet是目前比较好的one-stage目标检测算法，它采用focal loss来解决正负样本不均衡问题。这里我们探讨focal loss对RetinaNet的影响。我们将采用focal loss的算法称为RetinaNet-FL，而简单采用标准交叉熵的算法称为RetinaNet-None。两种loss的计算如下所示： 
其中
表示focal loss，而
表示普通交叉熵。
表示的是对第
个anchor（一个anchor对应一个训练实例）的第
的类的预测概率。正负样本的loss就是负对数loss：
对于focal loss其实就是在交叉熵基础上为不同样本分配权重。对于RetinaNet-FL，比较容易训练并取得很好的效果。那么，对于RetinaNet-None，如果只是按同样的设置训练，会发现分类的梯度很快爆炸，如图2a所示，当我们尝试减少分类loss的权重直到除以5000才可以解决梯度爆炸，但是最终的效果很差，AP值仅为6.9。我们来分析这个问题，首先由于负样本太多，模型训练刚开始负样本的loss会很大，而且不稳定，所以很容易出现梯度爆炸。然后我们可以通过降低分类权重避免梯度爆炸，但是从loss曲线上看，分类loss会从一个较大的值迅速降为一个极小值，后面就在此附近来回震荡，这说明模型的分类loss很快被负样本所主导，模型倾向于预测负样本，所以最终模型效果依然很差。这是一个进退难题。
其实梯度容易爆炸的一个原因在于模型初始化策略，一般情况下我们会倾向让初始化的模型对于各类的预测是相同概率的，但是对于我们这个正负样本极度不平衡问题，这其实是非常不利的，因为负样本的loss会很大。所以RetinaNet论文中建议在对分类分支初始化时，对负样本设置一个先验概率值
，具体实施是改变分类分支的bias初始化值，对bias设置如下：
RetinaNet中采用的
为0.01，那么初始化后的分类分支sigmod处理后的预测概率倾向于0.01，而不是0.5，这会大大减少负样本的初始loss。如图2b所示，但是依然还是出现了梯度爆炸，将分类loss除以500后可以避免，最终的AP值为17.9，从曲线上loss还是有一个突变，说明模型还是陷入负样本中。进一步地调整
，当设置为1e-5时，并且分类loss除以10，发现模型可以较好地收敛，最终的AP为35.6，基本达到RetinaNet-FL的效果（AP为36.4）。再进一步地降低
为1e-10，发现模型效果反而有稍微下降，AP值为33.8。另外，作者发现RetinaNet-None预测的概率平均值是远远低于RetinaNet-FL，为了提升召回，可以设置较低的阈值，若将阈值从0.05降低至0.005，AP值从35.6提升到36.2，而这对RetinaNet-FL无影响。
这说明只要适当调整模型的初始化以及loss，采用普通交叉熵是可以达到与focal loss类似的效果的。这是此论文最重要的发现，据此给出了无采样的训练机制，主要包括三点，让我们一一道来。
最优bias初始化
前面已经说到，分类分支的初始化对模型训练很关键，这里我们理论分析最优的
如何确定。假定数据集中共有
个类别，样本量为
，其中正例为
。模型刚开始对所有样本的预测概率值是
接近的，那么分类loss就可以大致估算出来： 
在论文的实验中，
为80，而
大约为1000。给定一系列
值，我们可以计算出正负例的分类loss，如下表所示： 
在前面的分析中，我们发现
取1e-5时，模型效果最好。从表中我们可以看到，此时的整体loss是最小，这大大降低了训练初期的梯度爆炸的风险，而且负样本的loss也较小，模型训练过程中更容易学习到正样本。而当
为0.5或者0.01时，负样本的loss很大，模型很容易陷入负样本的陷阱中。若
取1e-10，虽然负样本loss更低，但是正样本loss增加了，这反而不利于模型的稳定训练。
基于上面的分析，最优的设置应该是要使整体loss最低，我们可以求导数来确定
： 
很容易计算出最优
为
，此时
最低。这里我们认为模型训练之初，
。那么可以计算出bias的最优初始化值为：
按照上面参数计算，最优的
为1.113e-5，和我们的实验值是吻合的。
Guided Loss
前面实验的另外一个结论是要降低分类loss，但是降低比例很难确定。但是对于回归loss，其只计算正样本，不会受到正负样本不平衡的影响，所以我们可以通过回归loss来确定分类loss的调整比例：
那么最终的loss计算为：
这里
和
是回归和分类loss的权重系数，是检测模型所固有的参数。简单来说，我们用
来引导
，以希望分类loss可以和回归loss维持相同的水平，这在论文中称为guided loss。值得注意的是，我们虽然在训练过程中实时确定r，但是这一过程是不经过BP的，所以这一机制没有带来任何负担，也不引入新的超参数。
类别自适应阈值
前面已经提到，RetinaNet-None会出现置信度偏移现象，我们可以采用较低的阈值来进一步提升模型效果，但是其实对每个类别，我们可以采用不同的过滤阈值。这里提出一种基于训练样本的类别自适应阈值（class-adaptive threshold）： 
其中第一项是正样本在负样本所占的比例，而第二项是各个类别在所有类中的所占比例。
实验效果
首先，要说明的是上面所提出的3种机制对大部分目标检测算法都是适用的，包括基于anchor的one-satge和two-stage方法，以及无anchor的目标检测方法。论文中选取了YOLOv3，RetinaNet，FoveaBox（无anchor），Faster R-CNN以及Cascade R-CNN进行实验，来测试所提出的无采样方法的效果，如下表所示： 
从表中可以看到，采用无采样方法的模型相比baseline均有一定的提升，这说明这一机制不仅限于理论分析，在实际中确实可以取得较好的效果。
另外，作者也分别实验分析了三种策略，如下表所示： 
 可以看到三种策略都是有一定的效果的，但是我觉得第3个策略是最无关紧要的，提升不大，只能算上一种辅助策略。
另外一点是，前两种策略应该是有一定的互补性质的，比如都是适当降低分类loss来避免梯度爆炸的问题。这里作者比较了第一策略的采用与否对第二策略guided loss的影响，结果如下图所示： 
 这里可以看到只要有了guided loss，第一策略对最终模型效果的影响是微乎其微的。这也很容易理解，最早的实验我们发现最重要的是要降低分类loss，两个策略可以起到同样的效果。不过从收敛曲线上可以看到，加入第一策略，收敛速度稍微更快一些，所以还是推荐加入第一策略。
小结
正负样本不平衡一直以来是目标检测中比较头疼的问题，这篇论文的主要贡献是分析了这个问题对训练的影响，并给出了可以解决该问题的无采样方法，思路还是非常清晰的，看起来也是行之有效。
参考
Is Sampling Heuristics Necessary in Training Deep Object Detectors?
Imbalance Problems in Object Detection: A Review
Focal Loss for Dense Object Detection

点击率是见到这个网站的链接（可能是从广告中）的人中知点击它的人占的比例
点击量就是点击的具体数值 同访问量
但访问量这个概念习惯上有时间限制的 比如一个道月内的
注册率就是访问网站的人中 注册使用网站所提供的增值回服务（不仅限于会员 包括什么邮件 试用 在内）
注册数就是注册的具体数量
暴光就是别的答站点页面中非广告性的出现与你的站点有关的信息。
微信流量主点击量与曝光量是什么意思？

微信流量中点击量与曝光量知的情况如下：
1、微信的点击量是指在微信上发布的推广信息或者文字链接，让道用户点击的次数，就是一共有多少人点击这个推广信息进入详情页查看。
2、微信的曝光量是指在微信上发布的推广信息或者文字链接，让用户内看到的次数，就是一共有多少人看到过这个推广信息，其容中包括点击查看的人和看到没点击进入查看的人数。
曝光量是指广告得到展示的数量，点击量是指广告被点击的数量
点击量除以曝光量就是点击率。
​