自动化做市商 (AMM) 总是向其流动性提供者 (LP) 展示凸度成本。对冲不会消除甚至降低这些成本，但会降低波动性。由于成本波动性较低，LP 不需要那么多资本来弥补这些损失，因此考虑到资本成本高昂，说对冲可以降低成本是正确的，尽管只是间接的。考虑池中有代币 A 与 USDC 的池。如果 LP 提供 777 个单位的流动性，他的初始 LP 头寸将如下表 1 所示。表 1为了对 LP 的头寸进行建模，我们可以使用二项式格子。在这里，我们将波动性假设转化为格子中的上下移动。在实践中，人们使用许多小步骤，但为了说明目的，我们将展示 10% 的大幅度移动。可以使用以下公式创建无套利重组格子。在这里，我
Loss Function with Cross Entropy made simple
我在 Google 的 Udacity 深度学习课程上找到了这个。 我将详细说明这些笔记，以帮助您更好地理解这个概念。 符号：D（S，L）是交叉熵L是用于训练的标签S（Y）是多项逻辑分类的每个类的概率的 softmax 输出。 为什么叫多项逻辑分类？ 让我们看下面的图，有一个输入向量 X，我们用它来训练线性模型，也称为逻辑回归模型 - Wx + b。 这会产生 logit，也就是分数 Y，它进一步输入到 softmax 激活中以获得概率输出。 线性二元分类称为二项式逻辑分类。多项式表示有超过 2 个类（与二项式或二元分类相比）。-------------让我们帮助您理解交叉熵的数学。 它基本上
