什么是NP完全问题？为什么它是计算机科学中如此重要的话题？

当我使用Theano或Tensorflow训练我的神经网络时,他们将报告每个时期称为"损失"的变量.

我该如何解释这个变量？更高或更低的损失,或者它对我的神经网络的最终性能(准确性)意味着什么？

期望最大化如果采用一种概率方法对数据进行分类.如果我错了,请纠正我,如果它不是分类器.

这种EM技术的直观解释是什么？这里的期望是什么,最大化的是什么？

我试图从头开始构建一个神经网络.在所有AI文献中,人们都认为权重应该初始化为随机数,以便网络更快地收敛.

但为什么神经网络的初始权重被初始化为随机数？

我曾在某处读到这样做是为了"打破对称性",这使得神经网络学得更快.打破对称性如何让它学得更快？

将权重初始化为0是不是更好的主意？那样,权重能够更快地找到它们的值(无论是正面还是负面)？

除了希望在初始化时它们接近最佳值时,是否存在一些其他潜在的哲学背后的权重？

有一个大小为N x M的网格.一些细胞是由'0'表示的岛,而其他细胞是水.每个水电池上都有一个数字,表示在该电池上制造的电桥的成本.您必须找到所有岛屿可以连接的最低成本.如果单元共享边或顶点,则单元连接到另一个单元.

可以用什么算法来解决这个问题？
编辑:如果N,M的值非常小,可以用作蛮力方法,比如说NxM <= 100？

示例:在给定图像中,绿色单元格表示岛屿,蓝色单元格表示水,浅蓝色单元格表示应在其上制作桥梁的单元格.因此,对于下面的图像,答案将是17.

最初我想到将所有岛屿标记为节点并用最短的桥连接每对岛屿.然后问题可以减少到最小生成树,但在这种方法中我错过了边缘重叠的情况.例如,在下图中,任意两个岛之间的最短距离为7(标记为黄色),因此通过使用最小生成树,答案为14,但答案应为11(以浅蓝色标记).

我理解Gradient Descent的作用.基本上它试图通过缓慢向下移动曲线来向局部最优解.我想了解计划梯度下降和牛顿方法之间的实际差异是什么？

从维基百科,我读了这条短线"牛顿的方法使用曲率信息来采取更直接的路线." 这直觉意味着什么？

我正在使用CPLEX来解决巨大的优化模型(超过100k变量)现在我想看看我是否能找到一个开源替代品,我解决了混合整数问题(MILP)和CPLEX工作得很好但是如果我们这样做很贵想要扩展所以我真的需要找到一个替代方案或开始编写我们自己的ad-hoc优化库(这将是痛苦的)

任何建议/见解将不胜感激

我scipy.optimize用来最小化12个参数的函数.

我刚刚开始优化并仍在等待结果.

有没有办法强制scipy.optimize显示其进度(比如已经完成了多少,目前最好的点是什么)？

UPD：问题已经更新了细节和代码，见下文。

警告：这个问题是关于优化矩阵中项目的排列。这不是比较颜色。最初，我决定提供有关我的问题的上下文会有所帮助。我现在后悔这个决定，因为结果恰恰相反：关于颜色的无关紧要的谈论太多，而对实际算法几乎没有。

我为我的孩子准备了一盒 80 支毡尖笔，这让我很恼火，以至于它们没有分类。

我曾经在 Android 上玩过一个叫做 Blendoku 的游戏，你需要这样做：以形成渐变的方式排列颜色，附近的颜色最相似：

像填字游戏一样在交叉线上组织颜色既简单又有趣。但是有了这些草图标记，我就有了一个完整的 2D 网格。更糟糕的是，颜色不是从均匀渐变中提取的。

这让我无法凭直觉对毡尖笔进行分类。我需要用算法来做！

这是我所拥有的：

• 扎实的 JavaScript 知识
• 所有笔的颜色值的平面数组
• 甲功能 distance(color1, color2)，显示一个颜色对是如何相似。它返回一个浮点数0和100where0表示颜色相同。

我所缺少的只是一个算法。

阶乘80是一个 118 位的数字，它排除了暴力破解。

可能有一些方法可以使暴力破解可行：

• 固定几支笔的位置（例如在角落）以减少可能的组合数量；
• 删除包含至少一对非常不同的邻居的分支；
• 找到第一个满意的安排后停止。

但我仍然缺乏一个实际的算法，更不用说一个非暴力的算法了。

PS作业：

• 按相似度对矩阵进行排序- 没有答案。
• 最佳 2D 调色板排列算法——非常相似的问题，没有答案。
• 如何在二维中对颜色进行排序？-- 超过 50% 的单元格已经包含正确组织的颜色；不熟悉的编程语言；没有解释实际的排序解决方案。
• 排序颜色/颜色值——单个平面阵列。

更新

目标

在 8×10 网格中排列一组预定义的 80 种颜色，使颜色形成漂亮的渐变而不会撕裂。

由于以下原因，这个问题没有明确的解决方案，可能的解决方案容易产生不完美的结果和主观性。这是预期的。

请注意，我已经有一个函数可以比较两种颜色并说明它们的相似程度。

色彩空间是 3D

人眼具有三种类型的感受器来区分颜色。人类色彩空间是三维的（三色）。

描述颜色有不同的模型，它们都是三维的：RGB、HSL、HSV、XYZ、LAB、CMY（请注意，CMYK 中的“K”只是必需的，因为彩色墨水并非完全不透明且价格昂贵）。

例如，这个调色板：

...使用极坐标，角度为色调，半径为饱和度。没有第三维（亮度），这个调色板缺少所有明亮和黑暗的颜色：白色、黑色、所有灰色（除了中心的 50% 灰色）和有色灰色。

这个调色板只是 HSL/HSV 色彩空间的一小部分：

不可能在不撕裂渐变的情况下以渐变的方式在 2D …

我面临着一个三维装箱问题,目前正在进行一些初步研究,以确定哪些算法/启发式方法目前正在产生最佳结果.由于问题是NP难,我不希望在每种情况下找到最佳解决方案,但我想知道:

1)什么是最精确的求解器？分支和绑定？我可以通过合理的计算资源解决哪些问题实例大小？
2)什么是最好的启发式求解器？
3)进行一些实验有哪些现成的解决方案？