InTheWorld

对于LLVM这样的编译框架来说，IR是非常重要的。LLVM IR(Intermediate Representation，中间表示)连接着编译器前端和编译器后端。IR的设计很大程度体现着LLVM插件化、模块化的设计哲学，LLVM的各种pass其实都是作用在LLVM IR上的。同时IR也是一个编译器组件接口。通常情况下，设计一门新的编程语言只需要完成能够生成LLVM IR的编译器前端即可，然后就可以轻松使用LLVM的各种编译优化、JIT支持、目标代码生成等功能。

LLVM IR的表示形式

LLVM IR有三种形式：

内存中的表示形式，如BasicBlock，Instruction这种cpp类；
bitcode形式，这是一种序列化的二进制表示形式；
LLVM汇编文件形式，这也是一种序列化的表示形式，与bitcode的区别是汇编文件是可读的、字符串的形式。
内存中的IR模型

内存中IR模型其实就是对应LLVM实现�… 【查看更多】

前记：最近读到这篇文章，实在是非常精彩，因此记录一下。

文章的背景应该是罗整庵和王阳明通信，罗质疑了王阳明的一些观点，王阳明为此做了一些回应。在看这篇文章之前，我并不知道罗整庵。查了下才知道，也是一位非常厉害的人。大概是在当时的思想圈里可以和王阳明分庭抗礼的人物。而且从王阳明的行文语气来看，可以猜测罗当时的地位（政治地位或者学术地位）是高于王的。两位都是明朝杰出的哲学家，但他们的思想却并不一致。这也是为什么我会觉得这封信非常有看点。

1. “见道固难，而体道尤难。道诚未易明，而学诚不可不讲。恐未可安于听见而遂以为极也。”这个质疑其实挺直接的，可能罗认为王比较固执己见。
   对此，王阳明首先表达了感激之情，他说他提出自己的学说以来，常常被人嘲讽、辱骂或者不屑一顾。但是为他着想、提出建设性意见的人却非常少。
   然后，王阳明表示自己并没有那么狂妄，并说他�

秀尔算法（Shor's algorithm）是一种非常著名的量子算法，甚至可以说是量子计算的一块金字招牌了。Shor's algorithm可以在多项式时间内完成大整数质因数分解。所以Shor's algorithm从诞生之时，就和以RSA算法为根基的加密技术形成了不可调和的矛盾。2001年，IBM的研究小组使用Shor's algorithm完成了15=3×515 = 3×515=3×5这个整数分解运算 。时至今日，快20年过去了，量子计算机没有摧毁RSA。未来这一天来临的时候，希望我们已经准备好了。下图是，经典大数分解和秀尔算法的复杂度对比。

Shor算法的整体流程

完整的Shor算法是需要经典计算机和量子计算机协作完成的。其中量子计算机实现一个周期查找的函数，经典计算机负责整个算法流程的控制，以及调用量子算法。

首先、还是表达一下Shor's algorithm的问题描述：给定一个合成数N�… 【查看更多】

搜索算法是最常用的一类算法了，然而传统计算机对非结构化数据的搜索其实是比较低效的。一般情况下，算法复杂度为O(N)\Omicron(N)O(N)，NNN为数据规模。而量子计算机中存在着量子搜索算法，也称为Grover′sGrover'sGrover′s算法，它的时间复杂度是O(N)\Omicron(\sqrt N)O(N​)。听起来似乎提升不是非常大，然而在数据规模较大的情况下，量子搜索算法的优越性还是非常惊人的。例如，用Grover算法破解通用的56位加密标准（DES），只需要228≈2.68∗1082^{28} \approx2.68 * 10^{8}228≈2.68∗108步，而经典算法则需要255≈3.6∗10162^{55} \approx3.6 * 10^{16}255≈3.6∗1016。如果每秒钟计算十亿次，则经典计算需要11年，而量子算法则只需要3秒钟【参考北大物理学院讲义】。

1、 Grover算法理论基础

Grover′sGrover'sGrover′s算法的基本思路其实非常容易理解，而且存在非常直观的可视化解释（这一点是非常棒的！）。Grover… 【查看更多】

本文出自:【InTheWorld的博客】 （欢迎留言、交流）

量子相位估计算法

量子相位估计算法（Quantom Phase Estimation）也称作量子特征值估计算法，是一个比较基本的算法。它的作用直观说来就是来估计一个酉变换的特征值。由于酉矩阵拥有一个性质：酉矩阵的特征值都是模为1的复数。所以对酉矩阵而言，其特征值和相位基本是对等的（因为模长已经确定了）。

量子傅里叶变换

在量子相位估计算法中，需要使用到量子傅里叶反变换。因此，我们简单了解一下量子傅里叶变换的相关知识。经典的离散傅里叶变换作用于一个复向量(x0,x1,⋯ ,xN−1)(x_{0}, x_{1},\cdots,x_{N-1})(x0​,x1​,⋯,xN−1​)，并把它映射到另一个向量(y0,y1,⋯ ,yN−1)(y_{0}, y_{1},\cdots,y_{N-1})(y0​,y1​,⋯,yN−1​)，其映射关系如下：

yk=1N∑j=0N−1xje−2πijk/Ny_{k}=\frac{1}{\sqrt{N}} \sum_{j=0}^{N-1} {x_{j}e^{-2\pi ijk/N}}yk​=N​1​j=0∑N−1​xj​e−2πijk/N… 【查看更多】

本文出自:【InTheWorld的博客】 （欢迎留言、交流）

学习量子力学是几年前立的Flag了，一直没有真正投入时间。主要的原因还是“要吃饭”，而且一些层出不穷的新技术也有点迷惑了我。不过本质上还是自己科学品味太差，二来加上意志力不够坚定。目前已经花了一段时间学量子力学、量子信息，写在这里权当做笔记吧！

Deutsch-Jozsa算法问题

Deutsch-Jozsa是一个简单的量子算法例子。虽然从实用角度讲，这个算法意义不大，但是却能很好的体现量子计算的优越性。首先是问题的描述：

考虑一个黑盒子，我们称为oracle。它可以计算一个比特的布尔函数。每做一次计算，我们就称为是
对oracle的一次查询。对于这个函数，存在以下四种可能:

第（1,4）列或者（2,3）列组合而成的情况，我们称oracle为常数函数；第（1,2）列，或者（3,4）列… 【查看更多】

本文出自:【InTheWorld的博客】 （欢迎留言、交流）

LQR (linear quadratic regulator)即线性二次型调节器，这是一个非常常见的控制学科名词。以前学习《现代控制理论》的时候就有接触了，但由于最优控制这部分东西没有作为重点，所以没太掌握。但是自己心里知道《最优控制》是非常重要的，前面看强化学习Model Base部分的时候也同时买了本胡寿松版的《最优控制》。

从个人的学习过程来看，LQR还是挺多种情况的。不少人（甚至是一些书籍的作者）都没把LQR的各种情况搞清楚。首先，LQR有离散形式和连续形式。一�… 【查看更多】

激光雷达已经成为机器人标配了，ROS作为通用机器人系统也支持激光雷达数据。激光雷达产生的数据类型是sensor_msgs/LaserScan或sensor_msgs/PointCloud,或者是新的sensor_msgs/PointCloud2。对于我手头的这台Turtlebot3而言，LDS设备的数据类型是sensor_msgs/LaserScan。ROS中的传感器数据非常多，但是这些数据流常常需要同步，所以ROS定义了一个通用的数据头，各种数据都会带上这个header。

ROS header的数据结构

类型Header包括多个字段。字段seq对应一个标识符，随着消息被发布，它会自动增加。字段stamp存储与数据相关联的时间信息。以激光扫描为例，stamp可能对应每次扫描开始的时间。字段frame_id存储与数据相关联的tf帧�… 【查看更多】

本文出自:【InTheWorld的博客】 （欢迎留言、交流）

Policy Gradient方法是强化学习中非常重要的方法。不同于基于最优价值的算法，Policy Gradient算法更着眼于算法的长期回报。策略梯度根据目标函数的梯度方向去寻找最优策略。策略梯度算法中，整个回合结束之后才会进行学习，所以策略梯度算法对全局过程有更好的把握。DeepMind的David Silver在深度学习讲座中这样评价基于策略的方法：
Policy Based强化学习方法优点：
- 收敛性好
- 在高维和连续问题中比较有效
- 能学习随机策略

其缺点有：
- 容易陷入局部最优
- 评价一个策略比较低效

从理论上讲，其实策略梯度其实是更容易理解的一种方法，毕竟我们对梯度下降再�… 【查看更多】

之前的一次机器学习会议中，LeCun表示强化学习或者弱监督学习会是机器学习最重要的发展方向。相比于强监督学习，强化学习更符合人类的学习过程。AlphaGo已经向人类展示出了强化学习的强大，之前看OpenAI机器人和职业玩家solo Dota2游戏，AI的游戏水平强大到令人吃惊。

Q-learning是一种比较常见的强化学习方法，其实现方式是通过一个表（Q-Table）存放状态S和行动A的reward。然而，Q-Table是有缺陷的，对于状态空间巨大的问题就显得无能为力了。为了解决这类问题，有人提出了使用深度神经网络来实现Q函数，这种方法就是deep QNetwork。使用DNN来表示Q函数与使用Q-Table还是有一些区别的，Q-Table实现了S, A =》reword的映射。而DQN中的深度神经网络实现的其实是S => [A]的映射，这里[A]就是�… 【查看更多】