矢量分析前言课程总述 场（静态）-> 麦克斯韦方程组 -> 波（时变） 从麦克斯韦方程组 得到 波动方程 从数学角度 本门课程就是解 麦克斯韦方程组 波动方程 引入矢量的意义 为复杂的物理现象提供紧凑的数学表达 便于直观的想象和运算变换 三重积 标量三重积： $$A \cdot (B \times C) = B \cdot (C \times A) = C \cdot (A \times B)$$ 显然，若三个矢量代表一个六面体的边，则标量三重积是它的体积。 2. 矢量三重积： $$A \times (B \times C) = (A \cdot C)B - (A \cdot B)C$$ 不满足结合律 但满足上述性质 坐标系 矢量函数及其微分在直角坐标下， $$\frac{\partial \mathbf{F}}{\partial x} = \frac{\partial}{\partial x} (\mathbf{a}_x F_x + \mathbf{a}_y F_y + \mathbf{a}_z F_z)$$ $$= ...

Multiple Dimension Input 对于线性模型的处理，将每个维度的x输入值乘不同的权重再加上偏移量 对于PyTorch支持的函数，是直接作用于1*N矩阵中的每一个值的 尽量把运算转化为矩阵向量运算，可以利用GPU的并行计算的能力提高运算速度 Linear（8，1） 输入维度8维输出维度1维 Linear（8，2）-> Linear (2,1) 多层神经网络 矩阵是空间变换的函数 1

Multiple Dimension Input 对于线性模型的处理，将每个维度的x输入值乘不同的权重再加上偏移量 对于PyTorch支持的函数，是直接作用于1*N矩阵中的每一个值的 尽量把运算转化为矩阵向量运算，可以利用GPU的并行计算的能力提高运算速度 Linear（8，1） 输入维度8维输出维度1维 Linear（8，2）-> Linear (2,1) 多层神经网络 矩阵是空间变换的函数 1234567891011121314151617181920212223242526272829303132333435363738394041424344import torch import numpy as npimport matplotlib.pyplot as pltxy = np.loadtxt('diabetes.csv.gz',delimiter=',',dtype=np.float32)x_data = torch.from_numpy(xy[:,:-1])y_data = torch.from_numpy(xy[:,[-1] ...

存储器存储器的校验汉明码的组成关于纠错理论的介绍，在此不多赘述。 假设需要检测的数据为n位，则我们需要添加的检验位的位数k需要满足下列公式，当理解了如何检验数据的过程后就能对这个公式有一定程度的理解。 $$2^{k} \geq n + k + 1$$ 汉明码是如何检验的呢？我们直接从栗子开始看。 假设我们需要传输的数据为1011，根据上面的原理，我们需要三个校验位，我们将它们放在数据的1，2，4位上，分别叫做P1,P2,P3（现在不理解也没关系） 每个校验会负责不同位置的校验，在本例中 P1负责的是1 3 5 7号位置 P2负责2 3 6 7号位置 P3负责 4 5 6 7号位置 （现在不理解没关系） 通常采用偶校验的方式，我们先来介绍如何算出校验位 P1 P2 D1 P3 D2 D3 D4 ？ ？ 1 ？ 0 1 1 偶校验其实就是，检验位负责的各位置之和要为偶数 所以 对于P1 P1+1+0+1 为偶 所以 P1 = 0 同理 算出P2 = 1 P3 = 0 于是 我们完整的汉明码即为 0110011 假设我们 接受到的数据为 011 ...

存储器存储器的校验汉明码的组成关于纠错理论的介绍，在此不多赘述。 假设需要检测的数据为n位，则我们需要添加的检验位的位数k需要满足下列公式，当理解了如何检验数据的过程后就能对这个公式有一定程度的理解。 $$2^{k} \geq n + k + 1$$ 汉明码是如何检验的呢？我们直接从栗子开始看。 假设我们需要传输的数据为1011，根据上面的原理，我们需要三个校验位，我们将它们放在数据的1，2，4位上，分别叫做P1,P2,P3（现在不理解也没关系） 每个校验会负责不同位置的校验，在本例中 P1负责的是1 3 5 7号位置 P2负责2 3 6 7号位置 P3负责 4 5 6 7号位置 （现在不理解没关系） 通常采用偶校验的方式，我们先来介绍如何算出校验位 P1 P2 D1 P3 D2 D3 D4 ？ ？ 1 ？ 0 1 1 偶校验其实就是，检验位负责的各位置之和要为偶数 所以 对于P1 P1+1+0+1 为偶 所以 P1 = 0 同理 算出P2 = 1 P3 = 0 于是 我们完整的汉明码即为 0110011 假设我们 接受到的数据为 011 ...

逻辑斯蒂回归1234567891011121314151617181920212223242526272829303132333435import torchimport torch.nn.functional as Fx_data= torch.Tensor([[1.0],[2.0],[3.0]])y_data= torch.Tensor([[0],[0],[1]])class Logistic_model(torch.nn.Module): def __init__(self): super(Logistic_model,self).__init__() self.linear = torch.nn.Linear(1,1) def forward(self,x): y_prev = F.sigmoid(self.linear(x)) return y_prev model = Logistic_model()criterion = torch.nn.BCELoss(reduction= 's ...

逻辑斯蒂回归1234567891011121314151617181920212223242526272829303132333435import torchimport torch.nn.functional as Fx_data= torch.Tensor([[1.0],[2.0],[3.0]])y_data= torch.Tensor([[0],[0],[1]])class Logistic_model(torch.nn.Module): def __init__(self): super(Logistic_model,self).__init__() self.linear = torch.nn.Linear(1,1) def forward(self,x): y_prev = F.sigmoid(self.linear(x)) return y_prev model = Logistic_model()criterion = torch.nn.BCELoss(reduction= 's ...

前言在开始这篇学习笔记之前，笔者先叠个甲（因为笔者感觉CSAPP这门课并不算很容易接受，虽然被普遍认为是计算机学科的基础）并且感觉这门课涉猎甚广多管闲事 另外，为什么计算机系统这门课被称为CSAPP呢，其实CSAPP的全称是ComputerSystem:A programer perspective （程序员视角下的计算机系统）虽然感觉大多数程序员并没有这个视角 闲话少说，开始追求力量 信息的储存十六进制表示法一个字节有8位，如果采用二进制来表示则过于冗长，如果使用十进制转化起来又十分麻烦，所以常用C语言中以0x开头来表示一个十六进制数，来表示16进制数值 寻址与储存在几乎所有的机器上,多字节对象都被存储为连续的字节序列,对象的地址为所使用字节中最小的地址。 例如,假设一个类型为int的变量x的地址为0x100,也就是说,地址表达式&x的值为0x100那么, (假设数据类型int为32位表示)x的4个字节将被存储在内存的0x100、0x101、0x102和0x103位置 虽然位置相同，但存储的时候却有两种规则——大端法和小端法 最低有效字节在最前面的方式,称为小端法(lit ...

前言在开始这篇学习笔记之前，笔者先叠个甲（因为笔者感觉CSAPP这门课并不算很容易接受，虽然被普遍认为是计算机学科的基础）并且感觉这门课涉猎甚广多管闲事 另外，为什么计算机系统这门课被称为CSAPP呢，其实CSAPP的全称是ComputerSystem:A programer perspective （程序员视角下的计算机系统）虽然感觉大多数程序员并没有这个视角 闲话少说，开始追求力量 信息的储存十六进制表示法一个字节有8位，如果采用二进制来表示则过于冗长，如果使用十进制转化起来又十分麻烦，所以常用C语言中以0x开头来表示一个十六进制数，来表示16进制数值 寻址与储存在几乎所有的机器上,多字节对象都被存储为连续的字节序列,对象的地址为所使用字节中最小的地址。 例如,假设一个类型为int的变量x的地址为0x100,也就是说,地址表达式&x的值为0x100那么, (假设数据类型int为32位表示)x的4个字节将被存储在内存的0x100、0x101、0x102和0x103位置 虽然位置相同，但存储的时候却有两种规则——大端法和小端法 最低有效字节在最前面的方式,称为小端法(lit ...