不靠谱的彩票

文章讲述了一位大学生利用概率知识,用4毛钱参与七星彩抽奖,最终意外中奖的经历。详细解释了七星彩的中奖规则及计算方式,以及中奖概率的计算过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

    上大学的时候,学习概率时,我们就了解当事件发生的概率小于0.05%时,这件事就基本是不可能发生的。由于,自己的支付宝里还有4毛钱,真的是只有四毛钱,就看见可以拿这个来和别人合买。只有七星彩的有那么小的份额,就买了两份七星彩。一份是0.2元,刚好买了两份。今天,无聊上了下淘宝,发现自己中了奖,呵呵,0.16元,也就是一毛六,真是不容易啊。我们那组合买的是中了5元的,一种花了12元,不知道怎么算的,自己居然能分到0.16.

   之前,一直不知道七星彩是怎么计算的,今天上网查了下:0000000到9999999中选择任意的一组数字,如果选出的七位数与开奖的七位数字相同且位置相同,才算中了一等奖。我很好奇,算了下,中一等奖的概率为0.00001%,远小于那不可能的概率0.05%,七星奖中奖的可能性基本没有。(前提是只买一注)

     看下在体彩网的具体说明吧:

  一等奖:投注号码与开奖号码全部相符且排列一致,即中奖;

  二等奖:投注号码有连续6位号码与开奖号码相同位置的连续6位号码相同,即中奖;

  三等奖:投注号码有连续5位号码与开奖号码相同位置的连续5位号码相同,即中奖;

  四等奖:投注号码有连续4位号码与开奖号码相同位置的连续4位号码相同,即中奖;

  五等奖:投注号码有连续3位号码与开奖号码相同位置的连续3位号码相同,即中奖;

  六等奖:投注号码有连续2位号码与开奖号码相同位置的连续2位号码相同,即中奖。

  第二十条 当期每注彩票只有一次中奖机会,不兼中兼得,另行设立的特别奖除外。


  一等奖:奖金总额为当期奖金额减去固定奖总额后的90%,以及奖池资金和调节基金转入部分;

  二等奖:奖金总额为当期奖金额减去固定奖总额后的10%;

  三等奖:单注奖金固定为1800元;

  四等奖:单注奖金固定为300元;

  五等奖:单注奖金固定为20元;

  六等奖:单注奖金固定为5元。

      我们花了12元,买了

4,0,6,3,4,5,6 单式 1注
4,0,6,3,2,9,4 单式 1注
5,0,6,4,4,2,7 单式 1注
5,0,6,5,6,8,3 单式 1注
3,2,8,4,5,1,6 单式 1注
 
5,0,8,2,2,4,0 单式 1注

 


    09110期七星彩开奖号码:4,7,8,4,3,2,0(我们就是第五注中的奖**84***)

我们来算一下单注中5元钱的概率:

下面我们来计算下(这个真是不容易算啊,我的大学啊,还有我的数学啊,愚笨啊):7位中只有一个相同的连续两位而其他的连续两位不同的概率为10*10*9*9*9*9*9=656100分之一,七位中一共可能有6种相邻的情况,那么中5块钱的概率就是6/656100=0.0009149%怎么被我算出来几乎还是不大可能的呢?估计被算错了,不过即使算对概率也不会高。

### 深度学习量化方法的可靠性和有效性评估 #### 一、深度学习量化的定义与目标 深度学习量化是指将浮点数权重和激活函数转换为低精度整数表示的过程。这种转换旨在减少模型大小并加速推理过程,同时保持尽可能高的准确性[^1]。 #### 二、可靠性评估指标 为了衡量深度学习量化后的模型性能,通常采用以下几个方面作为评价标准: - **准确率下降幅度**:比较原始浮点模型与量化后整型模型之间的测试集上表现差异。理想情况下,两者之间应存在显著差距。 - **延迟时间变化情况**:观察量化前后前向传播所需的时间开销是否有明显改善。对于移动设备端部署而言尤为重要。 - **内存占用比例调整**:分析参数存储空间需求的变化趋势。理论上讲,位宽越窄则所占资源越少[^2]。 ```python # 测试量化前后模型的表现对比 import time from tensorflow_model_optimization.python.core.quantization.keras import default_8bit_quantize_model def evaluate_performance(original_model, quantized_model, test_data): start_time = time.time() original_accuracy = original_model.evaluate(test_data)[1] original_inference_time = time.time() - start_time start_time = time.time() quantized_accuracy = quantized_model.evaluate(test_data)[1] quantized_inference_time = time.time() - start_time memory_reduction_ratio = (original_model.count_params() / quantized_model.count_params()) results = { "Original Accuracy": original_accuracy, "Quantized Accuracy": quantized_accuracy, "Inference Time Reduction Ratio": original_inference_time/quantized_inference_time, "Memory Usage Reduction Ratio": memory_reduction_ratio } return results ``` #### 三、影响因素考量 当讨论到具体应用场景下的适用性时,还需要考虑如下几个变量的影响程度: - 数据分布特性; - 网络架构设计特点; - 训练策略的选择(如迁移学习 vs. 零样本学习); 这些都会同程度地作用于最终得到的结果之上,进而决定着某一特定条件下该技术方案能否达到预期效果的要求[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值