最近的碎片化閱讀，有兩個相關聯的文章讓我產生了嘗試用深度學習去優化素數計算這個想法。第乙個是對深度學習為什麼能發揮作用的一些解釋，第二個是與素數計算對網路安全加密的重要性的介紹。
接下來一段時間我準備按照這樣的思路去推進：
1、第一階段：嘗試訓練出能判斷乙個數為質數的概率的神經網路（1億以內準確率99%+）：
1）學習深度學習的基本理論，並通過具體的實驗來掌握相關軟體工具的使用；
2）程式設計實現素數遍歷查詢的工具指令碼，獲得訓練資料庫；
3）嘗試訓練出可用的神經網路，對任意給定自然數（<1億）可以判斷為質數的概率。
2、第二階段：嘗試訓練出乙個能分解大合數的兩個質數因子的神經網路
1）首先結合第一階段工作，判斷給定數是否為大合數；
2）判斷大合數平方根分開的兩端中，質數因子的區間命中概率**換後的空間中，如何轉換要具體去探索）；
3）互動學習機制的構建。
3、第三階段：嘗試對rsa加密演算法進行破解
1）學習rsa演算法的具體實現，並獲取彩虹表；
2）進行破解嘗試；
希望能夠盡快取得一些進展，個人感覺成功的可能性是大於50%的！
深度優化搜素（dfs
如果我們想輸出乙個數的全排列，eg 1,2,3 的全排列 那麼就有123,132,213,231,312,321，這六種。那如何用 實現呢？for int a 1 a 3 a 暴力列舉是一種，但是如果數字編的更多呢？如1,2，3,4,5,6,7,8,9呢？如果我們還是乙個乙個列舉出來，別說計算機你也...
深度學習優化
二 損失函式 三 深度學習中遇到的問題 區域性最優 定義 對於目標函式f x 如果f x 在x上的值比在x鄰近的其他點的值更小，那麼f x 可能是乙個區域性最小值 local minimum 如果f x 在x上的值是目標函式在整個定義域上的最小值，那麼f x 是全域性最小值 global minim...
深度學習 優化方法
仍然是讀完deep learning之後的筆記和知識梳理，這些內容其實是偏理論層面的，後續的話可以結合 進行講解。dl關注的優化問題 尋找神經網路上的一組引數 顯著降低代價函式j j 通常包括整個訓練集上效能評估 er 經驗風險 和額外的正則化項 sr 結構風險 對於偏應用層面的可以直接看基本演算法...