试图总结一下楼主的算法，看看整理的对不对：
前提：需要查询的集合是有限并且已知的
算法：
1. 取某种 hash 算法 A ，对整个查询集应用一次这个 hash 算法 A 。假设这个 A 算法可能产生的值有 1000 种，那么需要一个对应大小的 bitmap ，用来记录每个 hash 在这个给定的查询集合上是否冲突。
2. 在 hash 算法合适的情况下，会有少量的冲突，这时候再取 hash 算法 B ，重复步骤 1 并产生一个新的 bitmap
3. 如此不停的重复直到无冲突

查询：
对某个 input X ，先应用 hash 算法 A ，查看对应的 bitmap A 是否有冲突，没有则可以直接用 hash map A ；否则再用 hash 算法 B ，查看对应的 bitmap B ，以此类推

1. 原神设置的 5 星几率很低，而保底抽数同样设置的相对低，这样使期望和保底数已经很接近了，整体上已经降低了玩家之间的方差，脸黑也就是比期望多了十抽，而同时狗的概率非常低。
2. 在整体人群概率已经验证了没问题的前提下，要假设有猫腻也是可行的，比如给玩家分层，一部分人欧一部分人非，这样平均下来还是期望的概率。但是这样的分层如果简单，依然可以被假设检验验证出来，只是需要的样本数更多。同样，分层的假设越复杂，比如同一个人每个月每个卡池的概率也是动态变化的，那这样的假设就更难以验证。到那种地步，基本也就是“抛开事实不谈”了，完全取决于你有多不相信策划

maxmin 举个现实中直观的例子，比如刚毕业找初级的职位，又想挑工资高的，那就要找初级职位给的多的，也就是 max_{公司} ( min_{公司, 职位} (工资) )

感觉是我理解错题意了，这么化简不对

对于 0 和 1/3 ，先验里它们概率一样，观测时也无法区分（都是左边），那他们的后验概率也应该一致吧？只要算左右再平分就好

不如拿几十块钱弄个结实的篮子和绳子，再把剩下的钱给保安让他帮你把快递放到篮子里

以前用过 https://github.com/ray-project/ray

肉蛋奶便宜大家都知道，楼主分享了网站，大家可以直接看看别的东西的价格参考。比如节日热销：
https://www.saveonfoods.com/sm/pickup/rsid/987/holidays

他写了
Well that was useless!

That exercise didn't tell us anything about how far the black dot gets after N steps!

平方的期望告诉你点整体是离起点越来越远的，差不多是你说的没方向的期望

LMJRU2RV67JEF02043TVTGD 已领取

之前 lol 总决赛的时候有自动生成的字幕，好像是和讯飞合作的？

搜一搜就有，比如 Inception-ResNet-v2

效果差不至于，但是不见得能有多大提升。不如大力出奇迹

目测是新加的层影响了随机的初始化

楼主不如直接作业截图或者拍个照发上来，感觉越说越糊涂了

试图理解了一下楼主想问什么：
1. 一般的机器学习问题是，已有一组观测到的 xy 和由未知参数 w 定义的函数，求最优的 w 使函数预测的 y 与实际的 y 差距最小。
2. 让模型自动找某类函数的最大值也可以，比如一堆由 x=(a,b,c)定义的二次函数和对应的二次函数的最值 y ，神经网络够复杂或者恰好用到正确的层，可以拟合出求最值的公式（二次函数）。
3. 楼主想问的好像把 1 和 2 混在了一起，输入是 1. 但输出是 2.，这只要 max()就行了

按你的想法，模型学到的预测值就是 MAX_VALUE ，并不能实现预测某个函数最值的效果

挺怪的，不如直接说你用了什么模型，以及预测偏差有多大

楼主上了就是中国如何如何，那其实完全可以搜一下国外的 daycare 或者 preschool 是怎么样，有没有人上。

看楼主描述的，更像是花了冤枉钱选了个骗钱的幼儿园