Long Luo's Life Notes

By Long Luo

昨天在B站看到一个数学视频¹ ，比较 \(2^{100!}\) 和 \(2^{100}!\) 的大小。直观感受就是这 \(2\) 个数都非常非常大，但哪个更大无法一眼看出来。

虽然指数爆炸，但阶乘实际上增长的速度比指数更快，如下图 1 所示：

可以看出阶乘图像 \(y = x!\) 实际上比指数 \(y = e^x\) 要快很多，而 \(y = x^x\) 是最快的。

但具体哪个更大呢？

这个问题有很多种方法，这里展示了 \(4\) 种方法。

对数放缩法

由于对数( \(\textit{Logarithm}\) ) ² 函数 \(y = \log_{a}{b}\) 当 \(a > 1\) 是单调递增函数，所以比较两个数大小时，可以通过比较两者对数值来实现大小比较。

两边同取对数 \(\log_{2}{x}\) ，

左边：

\[ A = \log_{2}{(2^{100!})} = 100! \]

右边：

\[ B = \log_{2}{2^{100}!} = \log_{2}{2^{100}} + \log_{2}{(2^{100} - 1)} + \dots + 1 + 0 \]

共有 \(2^{100}\) 项，值从 \(0\) 到 \(\log_{2}{2^{100}} = 100\) ，所以

\[ B < 100 \cdot 2^{100} < 128 \cdot 2^{100} = 2^7 \cdot 2^{100} = 2^{107} \]

综合上式，我们只需要比较 \(100!\) 和 \(2^{107}\) 的大小即可。

\(100!\) 至少有 \((100 - 64 + 1) = 37\) 项是大于等于 \(64 = 2^6\) ，也就是 \((2^6)^{37} = 2^{222}\) 。

显然可得 \(100! \gg 2^{222} \gg 2^{107}\) 。

故有虽然两个数都非常大，但 \(2^{100!}\) 仍然远远大于 \(2^{100}!\) 。

By Long Luo

安全界大牛 袁哥 在微博上发布了一道 数学挑战题 ：

我的解答

刷微博时看到这道题目时，我觉得很简单啊，于是马上给出了下面的解答：

令 \(y = (3 + \sqrt{5})^n\) ，两边同取对数， \(\log_{10}{y} = n \log_{10}{(3 + \sqrt{5})}\) ， \(y = 10^{n \log_{10}{5.23607}}\) ，\(\log_{10}{5} \approx 0.7\) ，所以 \(y \approx 10^{0.7n}\) 。

但问题没有这么简单，因为上述解答只在 \(n = 1\) 是正确的，\(n = 2\) ， \(y = 10^{1.4} \approx 25\) 就不对了，因为精度不够！

之后根据微博评论中其他人给的构造共轭数思路，分析出 \(3\) 位数是周期性的，于是又提交了下面的答案：

但问题仍然没有这么简单，因为即使循环周期 \(p = 100\) ，而 双精度浮点数 的有效位数也只有 \(15\) 位，而 \(\sqrt{5}\) 是无理数，同时由于舍入误差， \(\log_{10}{(3 + \sqrt{5})}\) 很快就出现精度不够的问题，得到错误的结果。

之后袁哥发布了 解答 ，图片太大，大家可以点开 图片链接 查看详细解答。

袁哥的题解省略了很多东西，对数学不熟悉的人可能看不太明白，我当时也没有完全看明白。根据袁哥解答我重新写了份题解，整理了思路及缺失的步骤，外加证明，有中学数学水平即可看懂，题解第一部分如下：

By Long Luo

从古到今，人类一直希望机器能够像人一样，代替人们从事各种工作。

机器学习（Machine Learning）是一门引人入胜的领域，通过模拟人脑神经网络，使计算机能够从数据中学习和改进，以完成各种任务。

深度学习(Deep Learning)

神经网络(Neutral Network)

3Blue1Brown 的 深度学习之神经网络的结构 Part 1 。

在当今数字化的时代，机器学习和神经网络成为了引领人工智能发展的核心技术。其中，手写数字识别作为机器学习领域的一个经典问题，为我们深入探索神经网络的原理提供了绝佳的案例。

这篇文章将首先介绍什么是神经网络，神经网络的实现原理，之后以经典的手写数字识别为例来加强对机器学习的理解。

什么是神经网络？

神经系统的工作方式与身体的其他器官完全不同。在身体的许多器官中，同类型的细胞执行同样的功能，单个细胞的工作就代表整个器官的功能，器官的功能也就是其中每个细胞功能的总和。例如肝脏中的每个肝细胞都执行同样的化学合成和解毒功能，小肠上皮细胞都执行同样的吸收营养的功能，每条肌肉中的肌肉细胞都执行同样的收缩功能等。它们的功能状态受整体器官的控制，细胞之间的信息交换比较少。

与此相反，神经系统以网络的方式进行工作，神经细胞之间有频繁和复杂的信息传递，每个神经细胞的状态都根据其在网络中的位置不同而与其它神经细胞不同，单个神经细胞功能也不能代表整个神经系统的功能。

人脑神经网络是由大量的神经元组成，通过突触连接形成复杂的网络。机器学习通过人脑神经网络的启发，构建人工神经网络模型。人工神经网络由节点（神经元）和连接它们的权重组成。权重表示神经元之间的连接强度，信息通过这些连接在网络中传递和处理。

神经网络是如何工作的？

首先，让我们了解一下神经网络的基本结构。神经网络由输入层、隐藏层和输出层组成。输入层接收手写数字的像素值作为输入，隐藏层则负责提取输入特征，输出层给出最终的识别结果。每个神经元都与上一层的所有神经元连接，并带有权重，这些权重决定了每个神经元对信息的贡献程度。

为了训练神经网络，我们需要大量的手写数字样本作为训练数据。训练过程中，神经网络会根据输入数据的真实标签与预测标签之间的误差，通过反向传播算法来更新神经元之间的权重，从而逐渐提高准确性。反向传播算法通过计算每个神经元的梯度，根据梯度的大小来调整权重，使得预测结果与真实标签更加接近。

对于手写数字识别问题，隐藏层的神经元可以学习到不同笔画、曲线等特征，输出层的神经元则对应0到9的数字标签。通过大量的样本和迭代训练，神经网络可以逐渐学习到正确的特征提取和数字分类规则，从而实现准确的手写数字识别。

除了神经网络的结构和训练方法外，还有一些优化技术可以提高手写数字识别的性能。例如，卷积神经网络（Convolutional Neural Networks，CNN）能够有效地利用图像的空间结构特征，提高了识别的准确性和效率。另外，激活函数的选择、正则化技术的应用以及适当的优化算法等都对神经网络的性能起到重要作用。

神经网络是一种受到人脑神经元启发的算法模型，通过多个层次的神经元组成，可以进行复杂的数据处理和模式识别。在手写数字识别中，我们希望机器能够通过训练学习，准确地识别手写的数字。接下来，我们将揭开神经网络的奥秘。

\[ S(x) = {\frac {1}{1 + e^{-x}}} = {\frac {e^{x}}{e^{x} + 1}} = 1 - S(-x) \]

By Frank Luo

This is my answers of the MRI Tutorial Videos How MRI Works - Part 2: The Spin Echo and How MRI Works - Part 3：Fourier Transform and K-Space .

Part 2: The Spin Echo

Questions

Answers

Question 1：

1. The Boltzmann Magetization \(M_0 = \frac{N {\gamma}^2 \hbar^2 B_0}{4 k T}\), then after elimination the units is \(J/T\).
   
2. The Polarization is \(P = \frac{\gamma \hbar B_0}{2kT}\), then after elimination we can get that \(P\) is a special number depends on the material, no SI units.

Question 2：

1. The polarization is \(P = \frac{51-49}{100} = 0.02\) .
2. The magnet field strength should be \(B_0 = \frac{0.02}{0.0000034} \approx 5882T\) .
3. The temperature should be \(T = \frac{300 \times 0.0000034}{0.02} = 0.051K\).

Question 3：

1. Since the Boltzmann Magetization Equation is \(M = M_0(1- e^{-\frac{t}{T_1}}) e^{-\frac{t}{T_2}}\) , so we can calculate the signal.

The signal of Tissue \(A\) : \(M_A = M_0(1- e^{-\frac{150}{300}}) e^{-\frac{12.5}{20}} = 0.21\) . The signal of Tissue \(B\) : \(M_B = M_0(1- e^{-\frac{150}{200}}) e^{-\frac{12.5}{40}} = 0.38\) .

Surely Tissue \(B\) will deliver more signal.

2. We have calculated that Tissue \(B\) will deliver more signal if both Tissue \(A\) and \(B\) has the same Boltzmann Magetization.

If Tissue \(A\) is \(85\%\) of Tissue \(B\), then the Tissue \(A\) signal will become lesser, so Tissue \(B\) deliver more signal.

3. Let function \(f(t) = M_{0A}(1- e^{-\frac{TR}{T_{1A}}})e^{-\frac{t}{T_{2A}}} - M_{0B}(1- e^{-\frac{TR}{T_{1B}}})e^{-\frac{t}{T_{2B}}}\) reprent the signal of time \(t\).

Consider the function: \(f(t) = (1 - e^{-\frac{150}{200}}) e^{-\frac{t}{40}} - (1- e^{-\frac{150}{300}}) e^{-\frac{t}{20}}\) reaches its PEAK at about \(t = 16\), so the \(TE\) should be \(TE = 32ms\).

By Long Luo

Startup

1
2
3
4
5

% gdb -help         	print startup help, show switches
*% gdb object      	normal debug 
*% gdb object core 	core debug (must specify core file)
%% gdb object pid  	attach to running process
% gdb        		use file command to load object 

Help

1
2
3
4
5
6
7

*(gdb) help        	list command classes
(gdb) help running      list commands in one command class
(gdb) help run        	bottom-level help for a command "run" 
(gdb) help info         list info commands (running program state)
(gdb) help info line    help for a particular info command
(gdb) help show         list show commands (gdb state)
(gdb) help show commands        specific help for a show comma

Breakpoints

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

*(gdb) break main       set a breakpoint on a function
*(gdb) break 101        set a breakpoint on a line number
*(gdb) break basic.c:101        set breakpoint at file and line (or function)
*(gdb) info breakpoints        show breakpoints
*(gdb) delete 1         delete a breakpoint by number
(gdb) delete        	delete all breakpoints (prompted)
(gdb) clear             delete breakpoints at current line
(gdb) clear function    delete breakpoints at function
(gdb) clear line        delete breakpoints at line
(gdb) disable 2         turn a breakpoint off, but don't remove it
(gdb) enable 2          turn disabled breakpoint back on
(gdb) tbreak function|line        set a temporary breakpoint
(gdb) commands break-no ... end   set gdb commands with breakpoint
(gdb) ignore break-no count       ignore bpt N-1 times before activation
(gdb) condition break-no expression         break only if condition is true
(gdb) condition 2 i == 20         example: break on breakpoint 2 if i equals 20
(gdb) watch expression        set software watchpoint on variable
(gdb) info watchpoints        show current watchpoints