第17章 请叫我温博士
推荐阅读：神印王座II皓月当空、深空彼岸、明克街13号、弃宇宙、最强战神、全职艺术家、第九特区、龙王殿、重生之都市仙尊、财运天降
一秒记住【奋斗中文网 www.fddzw.com】，精彩小说无弹窗免费阅读！
周末，
温晓晓逮着一个照死了睡，除了尿憋不住，不然甭指望她中午前下床。
她是那种一边在床上喊着我好饿，但是就不下床吃东西的人。
而他睡不着，一是有事，另外也有生物钟的影响。
躺在床上一醒，肚子就咕噜咕噜叫，他姐是不可能起来做饭了，家里也没什么好吃的，做粥太麻烦了，老规矩，2块钱去买点早点。
出了楼道走上一两步，竟看见一直关门的包子铺开了门，前些天就是这儿又是救护车又是办丧事的。
有了白事，对于开门做生意是很有影响的，正因为此，门前几乎没什么人。
可也不知道为什么还是开了门，门口摆了一张桌子，上头是两列蒸笼，冒着热气儿，原来应该是车库的地方，给改成了小饭馆，里面摆上六张桌子，可惜空无一人。
温晓光作为高级知识分子从不迷信，可他身上就有科学解释不了的事。
还是过些天，等那气氛散了再说。
略过此事不提，又吃了一块没有火腿肠的鸡蛋灌饼后，温晓光偷摸的进了他姐的卧室。
一般而言，只要不在这儿蹦迪，
温晓晓在11点之前绝不会醒。
老爷机预热三分钟，首先登上自己的qq，再到自己的店里，
他估摸着可能会有人加他，因为他写了售后在线答疑，这对于考研的人来说，相当珍贵，
其他三门课，考研机构都有老师上课，唯独专业课比较麻烦，找学习资料都是基本的，问题在于，基本全靠自学，如果这没有影响，那要老师干什么呢？
老师起码有一个价值，那就是给一个很明朗清晰的重点，节省了相当多的时间。
所以应该会有人加他，
登qq的时候其实有少许紧张，
温晓光握着鼠标，屏幕上则是‘正在登陆’，而客户端的界面出来之后……
没反应，
温晓光心一沉，又等了三秒，
还是没反应，
“不应该啊……卡了？”他嘀咕，
一直到几秒后才有‘咳咳’的熟悉声音响起，
啪！
他轻轻一拍手，就是说嘛，这垃圾电脑总不至于和主人一样笨。
明明满地的学渣们在哀嚎，
以为我不知道？
另外一边，在实验室听着网课的葛瑶儿，听到了qq提示音，
小姑娘一看，是昨晚加那个qq号有反应了，神奇了，
现在是早上还没到7点的时间，又是周末，
这个点活得像人的人都在床上，
活得像狗的人才出来活动。
她就是一只考研狗，
就是林贝都不敢7点还睡，说是她简单只是说竞争对手弱一点，但考研本身的难度在那摆着呢，又不是考教师资格证那样简单。
她马上打字：你好。
温晓光戴上耳机，免得滴滴滴的真的吵醒温晓晓，影响他第一单生意，尽管店里还没单，但马上就要有了。
温晓光：你好，你是要考江理嘛？
上来就直奔主题，那边人着急，温晓光也不想浪费时间。
葛：是的，我想看到你挂出来的那图片，所以加了这个qq，想做些询问。
温：没事，你有啥疑惑就说，我是从江理毕业的，不仅是考试，关于学校的什么都可以问。
葛：真的？你是江理的？
温：骗你干什么。
葛瑶儿觉得自己逮住了一个人，因为江理难考所以找个学长不容易，她自己本校不咋样，因此不是每年都有人能考上的。
不像林贝报的那所野鸡大学，每年都能去三四个读研的，大把的学长，研一研二研三凑得齐齐的。
葛：我是二本院校的，这个会不会有影响啊？也不知道能不能考上。
对温晓光来说，她是哪儿的无所谓，而就这个问题本身来说……二本要考985 ，你说会不会有影响？
就像他后来读博，博导也看重‘出身’，不是指家庭背景，而是你的教育背景。
所以答案是当然有，而且很有，但是…他是想人家买他东西的，所以给了个标准的，说和说没说一样的答案。
温：考研这个事看实力，也看运气，关键在于你的决心。
是不是说和不说一样？但是挑不出毛病。
葛：我其实挺想去江南理工的，我在网上看过新校区的照片，非常漂亮，非常梦幻！
漂亮就算了还梦幻？他想了想。
温：……还行吧。
葛瑶儿翻白眼：你真的是江理的嘛？
温：你天天看你也觉得还行。
葛瑶儿看了这句话很是受不了，因为……她羡慕啊！卧槽！
真是人比人气死人！
葛：那个资料是你当年的学习资料嘛？
温：不是，我当年学的比这个难。
姑娘心一凉！
葛：那完了呀，我连真题看着都费劲！
温：所以你先要过这关，周日在qq上把这一周的问题告诉我，我给你解答。你应该也有一点真题，比照着看，真假你放心，不满意的话也可以随时退货。
说实话是真是假她真的不清楚，
可有一点是对的，买来不想要就退货，
传说有电子产品爱好者，每个品牌的旗舰机他都买，拿到手拍个手机盒子发个朋友圈，然后再退回去。
令人窒息的操作。
葛：350有点贵啊……
温：所有真题都是我手写的，这价钱还附带后面的答疑的。
葛瑶儿也不是白痴，说是这么说，到时候你不回我qq，我有啥办法？还能真的顺着网线过去砍你嘛？
但从图片看真假也还算靠谱，
总之先买，不行就退。
葛：行，那我下单了。
温：谢谢。
这花不了几分钟。
温：下了单，你就可以问我问题了，今天就是周日。
葛瑶儿眼睛一亮，哎？
这倒是哦。
这么一想，她来了心思，题目不会的话，立马就退款！
然而没两把刷子，怎么敢这么说话。
葛：好，那我怎样称呼你啊？
温晓光一时想不到什么二次元网名，说真名又觉得不太合适，可要不说他这个脑子聪明呢，他很快想到了一个、
在保护自己隐私的同时，透露一点真实，且还让对方更加相信自己的‘业务能力’的名字！
温：嗯，你就叫我温博士吧。
实验室里的葛瑶儿果然眼睛放光：嚯，还是博士啊！
温：你把问题整理一下，1、2、3的条理清楚，我统一给你作答。现在我先给你去发货，你也能早点拿到。可以吗？
葛瑶儿咬着嘴唇想了想，发什么货啊还没怎样就发货了，先测试你一下瞧瞧是真是假，
葛：等下，我现在正在看，碰到一个问题。
温晓光一看，回道：那你说吧。
葛：就是最优化的部分，江理对数学部分作了一点要求，这和别的学校都不一样，其实我们本科的时候都没有开过这门课，所以看起来很费劲。
温：嗯，不必害怕，有要求一是未来不论是机器学习，数据挖掘还是深度学习的神经网络，即使你运用一些简单模型，最优化的理论与算法都有比较广泛的应用，另外一个是出题的那个老师擅长数学也重视数学，所以才有这么个要求，不过它对这方面的要求也只限于了解，题目都很简单。
葛瑶儿看这一段话人都犯傻，等会儿……
神经网络？
数据挖掘？
请打中文，谢谢。
葛：可是我连书都看不懂啊，我至今不知道最优化是什么。
对于花钱的人，温晓光耐心足够：这么说吧。大学应该开设有数学模型这门课，模型就像人学习思考模式，在每次学习过程中，人知道自己怎么学，学哪里，学错了还可以调整，但模型和计算机没这么聪明，
而最优化就是告诉模型应该学什么、怎么学的工具。在数学上，模型学习往往是一个映射函数，也就是模型中的参数，这个参数的好坏通过答案体现，如果不够好，最优化就可以帮助调整，
这么说明白了吗？
葛瑶儿勉勉强强能看懂一些，毕竟说的那么简单，再看不懂就是智障了。
她又问：那有的地方提到的凸优化又是啥啊？
温：凸优化是最优化的一个子领域，简单来说就是定义在凸集中的凸函数的最小化问题，凸优化的应用价值比较高，所以研究的很多。而凸问题的局部最优解就是全局最优解，再加上凸优化理论中的Lagrange对偶，提供了凸优化算法最优性的保证。
另外一些非凸问题通过一定手段可以等价化为凸问题或者用凸问题近似、逼近得到边界，比如深度学习，其中关键的Back Propagation算法，本质就是凸优化算法中的梯度下降法，即使问题极度非凸，梯度下降还是有很好的表现。
明白了吗？
葛：凸━┳━━┳━凸，原来你真的是博士。
温晓光：当然，你还怀疑这一点？
脸不红心不跳。
聊天到此结束，温晓光去打印，然后发货。
葛瑶儿在晃动实验室邻座的林贝：“贝贝，太好了，我找一个特别牛逼的人！”
林贝不明所以的瞎乐：“什么啊？什么牛逼的人？！”
葛瑶儿也没说什么，就是拉她过来把电脑上的聊天记录拉出来，“你看。”
林贝：“卧槽！”
周末，
温晓晓逮着一个照死了睡，除了尿憋不住，不然甭指望她中午前下床。
她是那种一边在床上喊着我好饿，但是就不下床吃东西的人。
而他睡不着，一是有事，另外也有生物钟的影响。
躺在床上一醒，肚子就咕噜咕噜叫，他姐是不可能起来做饭了，家里也没什么好吃的，做粥太麻烦了，老规矩，2块钱去买点早点。
出了楼道走上一两步，竟看见一直关门的包子铺开了门，前些天就是这儿又是救护车又是办丧事的。
有了白事，对于开门做生意是很有影响的，正因为此，门前几乎没什么人。
可也不知道为什么还是开了门，门口摆了一张桌子，上头是两列蒸笼，冒着热气儿，原来应该是车库的地方，给改成了小饭馆，里面摆上六张桌子，可惜空无一人。
温晓光作为高级知识分子从不迷信，可他身上就有科学解释不了的事。
还是过些天，等那气氛散了再说。
略过此事不提，又吃了一块没有火腿肠的鸡蛋灌饼后，温晓光偷摸的进了他姐的卧室。
一般而言，只要不在这儿蹦迪，
温晓晓在11点之前绝不会醒。
老爷机预热三分钟，首先登上自己的qq，再到自己的店里，
他估摸着可能会有人加他，因为他写了售后在线答疑，这对于考研的人来说，相当珍贵，
其他三门课，考研机构都有老师上课，唯独专业课比较麻烦，找学习资料都是基本的，问题在于，基本全靠自学，如果这没有影响，那要老师干什么呢？
老师起码有一个价值，那就是给一个很明朗清晰的重点，节省了相当多的时间。
所以应该会有人加他，
登qq的时候其实有少许紧张，
温晓光握着鼠标，屏幕上则是‘正在登陆’，而客户端的界面出来之后……
没反应，
温晓光心一沉，又等了三秒，
还是没反应，
“不应该啊……卡了？”他嘀咕，
一直到几秒后才有‘咳咳’的熟悉声音响起，
啪！
他轻轻一拍手，就是说嘛，这垃圾电脑总不至于和主人一样笨。
明明满地的学渣们在哀嚎，
以为我不知道？
另外一边，在实验室听着网课的葛瑶儿，听到了qq提示音，
小姑娘一看，是昨晚加那个qq号有反应了，神奇了，
现在是早上还没到7点的时间，又是周末，
这个点活得像人的人都在床上，
活得像狗的人才出来活动。
她就是一只考研狗，
就是林贝都不敢7点还睡，说是她简单只是说竞争对手弱一点，但考研本身的难度在那摆着呢，又不是考教师资格证那样简单。
她马上打字：你好。
温晓光戴上耳机，免得滴滴滴的真的吵醒温晓晓，影响他第一单生意，尽管店里还没单，但马上就要有了。
温晓光：你好，你是要考江理嘛？
上来就直奔主题，那边人着急，温晓光也不想浪费时间。
葛：是的，我想看到你挂出来的那图片，所以加了这个qq，想做些询问。
温：没事，你有啥疑惑就说，我是从江理毕业的，不仅是考试，关于学校的什么都可以问。
葛：真的？你是江理的？
温：骗你干什么。
葛瑶儿觉得自己逮住了一个人，因为江理难考所以找个学长不容易，她自己本校不咋样，因此不是每年都有人能考上的。
不像林贝报的那所野鸡大学，每年都能去三四个读研的，大把的学长，研一研二研三凑得齐齐的。
葛：我是二本院校的，这个会不会有影响啊？也不知道能不能考上。
对温晓光来说，她是哪儿的无所谓，而就这个问题本身来说……二本要考985 ，你说会不会有影响？
就像他后来读博，博导也看重‘出身’，不是指家庭背景，而是你的教育背景。
所以答案是当然有，而且很有，但是…他是想人家买他东西的，所以给了个标准的，说和说没说一样的答案。
温：考研这个事看实力，也看运气，关键在于你的决心。
是不是说和不说一样？但是挑不出毛病。
葛：我其实挺想去江南理工的，我在网上看过新校区的照片，非常漂亮，非常梦幻！
漂亮就算了还梦幻？他想了想。
温：……还行吧。
葛瑶儿翻白眼：你真的是江理的嘛？
温：你天天看你也觉得还行。
葛瑶儿看了这句话很是受不了，因为……她羡慕啊！卧槽！
真是人比人气死人！
葛：那个资料是你当年的学习资料嘛？
温：不是，我当年学的比这个难。
姑娘心一凉！
葛：那完了呀，我连真题看着都费劲！
温：所以你先要过这关，周日在qq上把这一周的问题告诉我，我给你解答。你应该也有一点真题，比照着看，真假你放心，不满意的话也可以随时退货。
说实话是真是假她真的不清楚，
可有一点是对的，买来不想要就退货，
传说有电子产品爱好者，每个品牌的旗舰机他都买，拿到手拍个手机盒子发个朋友圈，然后再退回去。
令人窒息的操作。
葛：350有点贵啊……
温：所有真题都是我手写的，这价钱还附带后面的答疑的。
葛瑶儿也不是白痴，说是这么说，到时候你不回我qq，我有啥办法？还能真的顺着网线过去砍你嘛？
但从图片看真假也还算靠谱，
总之先买，不行就退。
葛：行，那我下单了。
温：谢谢。
这花不了几分钟。
温：下了单，你就可以问我问题了，今天就是周日。
葛瑶儿眼睛一亮，哎？
这倒是哦。
这么一想，她来了心思，题目不会的话，立马就退款！
然而没两把刷子，怎么敢这么说话。
葛：好，那我怎样称呼你啊？
温晓光一时想不到什么二次元网名，说真名又觉得不太合适，可要不说他这个脑子聪明呢，他很快想到了一个、
在保护自己隐私的同时，透露一点真实，且还让对方更加相信自己的‘业务能力’的名字！
温：嗯，你就叫我温博士吧。
实验室里的葛瑶儿果然眼睛放光：嚯，还是博士啊！
温：你把问题整理一下，1、2、3的条理清楚，我统一给你作答。现在我先给你去发货，你也能早点拿到。可以吗？
葛瑶儿咬着嘴唇想了想，发什么货啊还没怎样就发货了，先测试你一下瞧瞧是真是假，
葛：等下，我现在正在看，碰到一个问题。
温晓光一看，回道：那你说吧。
葛：就是最优化的部分，江理对数学部分作了一点要求，这和别的学校都不一样，其实我们本科的时候都没有开过这门课，所以看起来很费劲。
温：嗯，不必害怕，有要求一是未来不论是机器学习，数据挖掘还是深度学习的神经网络，即使你运用一些简单模型，最优化的理论与算法都有比较广泛的应用，另外一个是出题的那个老师擅长数学也重视数学，所以才有这么个要求，不过它对这方面的要求也只限于了解，题目都很简单。
葛瑶儿看这一段话人都犯傻，等会儿……
神经网络？
数据挖掘？
请打中文，谢谢。
葛：可是我连书都看不懂啊，我至今不知道最优化是什么。
对于花钱的人，温晓光耐心足够：这么说吧。大学应该开设有数学模型这门课，模型就像人学习思考模式，在每次学习过程中，人知道自己怎么学，学哪里，学错了还可以调整，但模型和计算机没这么聪明，
而最优化就是告诉模型应该学什么、怎么学的工具。在数学上，模型学习往往是一个映射函数，也就是模型中的参数，这个参数的好坏通过答案体现，如果不够好，最优化就可以帮助调整，
这么说明白了吗？
葛瑶儿勉勉强强能看懂一些，毕竟说的那么简单，再看不懂就是智障了。
她又问：那有的地方提到的凸优化又是啥啊？
温：凸优化是最优化的一个子领域，简单来说就是定义在凸集中的凸函数的最小化问题，凸优化的应用价值比较高，所以研究的很多。而凸问题的局部最优解就是全局最优解，再加上凸优化理论中的Lagrange对偶，提供了凸优化算法最优性的保证。
另外一些非凸问题通过一定手段可以等价化为凸问题或者用凸问题近似、逼近得到边界，比如深度学习，其中关键的Back Propagation算法，本质就是凸优化算法中的梯度下降法，即使问题极度非凸，梯度下降还是有很好的表现。
明白了吗？
葛：凸━┳━━┳━凸，原来你真的是博士。
温晓光：当然，你还怀疑这一点？
脸不红心不跳。
聊天到此结束，温晓光去打印，然后发货。
葛瑶儿在晃动实验室邻座的林贝：“贝贝，太好了，我找一个特别牛逼的人！”
林贝不明所以的瞎乐：“什么啊？什么牛逼的人？！”
葛瑶儿也没说什么，就是拉她过来把电脑上的聊天记录拉出来，“你看。”
林贝：“卧槽！”