庄闲的80%赢法【打开惘纸联系导师n118.cc】百家下三路规则，求精看原理求速背口诀
大眼仔路、小路和曱甴路（又叫蟑螂路或小强路）统称百家乐下三路，它们是从大路衍生出来的路图，易学难精，但看路法运用得好的玩家，绝大部分都会将下三路作为下注的主要指导。为了深入浅出，我会搭配路图一口一口详解下三路画红蓝的规则，有心学习的朋友可以从这篇文章中参透下三路的原理，欲速成者，也可以只参考下面的口诀。

下三路的口诀与原理

下三路中不管是大眼仔路、小路或是曱甴路，它们的口诀都是一样的，差别在于纪录开始的时间点与对应的列数不一样。大眼仔路：从大路的第二列第二圈开始记起，并对应前一列相同位置来决定画红蓝。例如第二列对应第一列、第三列对应第二列…以此类推。小路：从大路的第三列第二圈开始记起，并对应前二列相同位置来决定画红蓝。例如第三列对应第一列、第四列对应第二列…以此类推。曱甴路：从大路第四列第二圈开始记起，并对应前三列相同位置来决定画红蓝。例如第四列对应第一列、第五列对应第二列…以此类推。

下三路口诀

下三路共有五句口诀：有对画红、无对画蓝、齐脚跳画红、突脚跳画蓝、突脚连画红。看到这儿很多人都卡关了，什么是有对无对？什么是齐脚突脚？跳连又是什么意思？别急，我们一步一步来解说。有对：对应列相同位置有圈。无对：对应列相同位置无圈。齐脚跳：大路换列后，前一列与对应列的圈数相同，看着像两只长度相同的脚，所以叫做齐脚。突脚跳：大路换列后，前一列与对应列的圈数不同，看着像两只长短不一的脚，所以叫做突脚。突脚连：比对应列多出二个圈（含）以上，也就是长庄或长闲。
大眼仔路：
大路第七列不开庒，跳上第八列开闲，前一列与对应第六列的圈数不同为突脚跳，画蓝。小路：
大路第七列不开庒，跳上第八列开闲，前一列与对应第五列的圈数不同为突脚跳，画蓝。曱甴路：
大路第七列不开庒，跳上第八列开闲，前一列与对应第四列的圈数相同为齐脚跳，画红。上面这16张图已囊括下三路口诀中的所有可能情况，只要与口诀前后对照并多加练习，就能掌握下三路写路的基本规则了。我接着介绍下三路的原理与应用。

庄问路与闲问路：下三路的原理与应用

不管是线上或是线下，牌桌上显示百家路图的屏幕通常会有下面这种图示，它叫做庄问路与闲问路。
庄问路与闲问路图示的最上方，一般会有个红色的「庄」字以及蓝色的「闲」字。这两个字下面是蓝色和红色的中空圆（大眼仔路）、实心圆（小路）以及斜杠（曱甴路）。庄问路与闲问路的目的是预测下一口庄赢或闲赢时，在下三路中下个标记会是什么颜色。如果庄闲某一方所显示的下三路标记全是红色，那么玩家通常会押注在开全红的那一方。至于押全红一方取胜是什么原理？这要从下三路画红蓝所隐含的意义说起。在下三路中，红色一般指有「路」，所谓路就是庄赢或闲赢的规律性；反之蓝色则意味着这个牌靴杂乱无章，无「路」可循。这点我们也能从下三路的口诀中得到印证，回想看看，口诀中诸如「有对」、「齐脚跳」和「突脚连」这些要画红的情况，是不是都刚好对应了大路中的单跳或双跳、长庄或长闲等较具规律的局面？没错，大眼仔路的原理，就是在大路相邻的两列中寻找庄闲交替的规律，而小路和曱甴路则是更进一步比对隔一列与隔两列的庄闲轨迹罢了。我们简单的小结一下：下三路中红色指有「路」、蓝色指无「路」。「路」就是开牌的规律，下三路如果都是红色，玩家相信这暗示着大路出现可预测的规律。

1、深度学习框架TensorFlow中有哪四种常用交叉熵？

答：tf.nn.weighted_cross_entropy_with_logits
tf.nn.sigmoid_cross_entropy_with_logits
tf.nn.softmax_cross_entropy_with_logits
tf.nn.sparse_softmax_cross_entropy_with_logits

2、什么叫过拟合，避免过拟合都有哪些措施？

答：过拟合：就是在机器学习中，我么测试模型的时候，提高了在训练数据集的表现力时候，
但是在训练集上的表现力反而下降了。
解决方案：
1.正则化；
2.在训练模型过程中，调节参数。学习率不要太大；
3.对数据进行交叉验证；
4.选择适合训练集合测试集数据的百分比，选取合适的停止训练标准，使对机器的训练在合适；
5.在神经网络模型中，我们可以减小权重；

3、什么是核函数？

核函数是将线性不可分的特征隐射到高位特征空间，从而让支持向量机在这个高维空间线性可分，也就是使用核函数可以向高维空间映射并解决非线性的分类问题。包括线性核函数，多项式核函数，高斯核函数等，其中高斯核函数最为常用。

4、深度学习框架TensorFlow中常见的核函数都有哪些？

SVM高斯核函数，应为如果想要分割非线性数据集，改变线性分类器隐射到数据集，就要改变SVM损失函数中的核函数
线性核函数
多项式核函数

5、朴素贝叶斯方法的优势是什么？

朴素贝叶斯有稳定的分类效率
对于小规模的数据表现很好，能处理多分类问题，可以再数据超出内存时，去增量训练
对缺失数据不太敏感，算法比较简单，常用于文本分类。