@linvon 能否举例说明深圳劣于北京的方面呢？

表明观点的东西，有什么意义。我觉得这个功能没有什么必要，在极少数的情况下可能有用罢了。

查一个肺功能激发试验 FeNO 测定。

Lumia 520

@ODD10 #3 哈哈，那我以后也用微软的翻译算了

好吧，应该是过拟合了，我把"Zhou"替换成"Hu"，会自动变成 some president 的名字。。

NAS, Sony 6000

老人与海 英文版

https://paste.ubuntu.com/p/YFC6R5TKsq/

好吧, V2EX 不支持代码。。

哈哈随手写了一个，仅供参考～

```
import torch

import math


# y = 0.11, t=20
def fx2(t):
return 2*math.exp(-t)+3*math.exp(-t/2)+6*math.exp(-t/5)

def fx(inputs):
return inputs[0]*torch.exp(inputs[1]*t)+inputs[2]*torch.exp(inputs[3]*t)+inputs[4]*torch.exp(inputs[5]*t)

inputs = torch.Tensor([2, -1, 3, -0.5, 6, -0.2])

t = torch.ones(1, requires_grad=True)
y = 0.11

optimizer = torch.optim.SGD(params=(t,), lr=0.5)
criterion = torch.nn.MSELoss()

for i in range(2000):
optimizer.zero_grad()

y_pred = fx(inputs)
loss = criterion(y_pred, torch.Tensor([y]))
loss.backward()
optimizer.step()
print (i, loss)

print (t)
final_t = t.item()
print ("t: {}, y: {}, y_pred: {}".format(final_t, y, fx2(final_t)))
```
最后结果`t: 20.136356353759766, y: 0.11, y_pred: 0.10706461213461692`。

哈哈突然想到一个想法，你用 PyTorch，将这个式子写出来，然后用梯度下降去优化，只有一个可导参数 t，估计迭代 20 次就能得到结果。存在的问题可能是解不是唯一的问题。

随便想想，如果有专业的软件还是用专业的软件吧。

我个人感觉用牛顿法或者梯度下降法应该可以解决这个问题吧，可以尝试一下。给定一个 t，然后看 L(t)，再看 L(t)-L 以及 L'(t)，之后不断迭代即可。

必然是 Markdown+VSCode+OneDrive+Alfred，实在是太爽了哈哈！

没有搜索功能么？强烈建议作者加一个。。

@jdhao 正则太麻烦了呀，还需要思考，并且是需要自定规则的，这会 suppress 掉很多潜在的结果。

Onedrive + VSCode + Note.app