wty's blog

通过三天的折腾，总算把神经网络的C代码写出来了（用C写纯属因为我对它更熟悉一些，虽然现在基本人工智能算法都是Python写的，但C++快呀😆）（主要还是对Python不熟练，以后有时间应该用Python重写一遍），代码270行左右（对自己也是一次对代码熟练度的训练），使用BP(Back Propagation)神经网络，学习算法为随机梯度下降法 支持多线程学习（保证跑满CPU，GPU算法还

感知器（英语：Perceptron）是Frank Rosenblatt在1957年就职于康奈尔航空实验室（Cornell Aeronautical Laboratory）时所发明的一种人工神经网络。它可以被视为一种最简单形式的前馈神经网络，是一种二元线性分类器。（From：Wiki-感知器） 感知器可以理解为神经网络中的一个“神经细胞”，在这里我们研究是最简单的神经网络问题，只有一个感知器的情况，

题意 python整理代码 由于是第一次使用pandas进行数据分析，有很多不熟悉的地方，首先记录一下. 使用的是Jupyter Notebook完成，这个做数据分析确实非常好用，效果可以直接从网页中打开： 完整代码（颜色不清楚，请使用白色背景）：数据处理，回归分析-改进 使用的头文件，和绘图所用的参数 import numpy as np import panda

这里记录一些在数值分析课程、作业中所用到的算法，可用于检查自己作业是否计算正确 （代码应该没锅`(>﹏<)′ 前三个算法的具体使用方法可以参考 三次样条插值法&牛顿插值法&切比雪夫插值法 MATLAB实现 Newton 插值法 & Chebyshev 多项式零点作为插值点 利用Chebyshev\text{Chebyshev}Chebyshev插值多项式，求最

这次数值分析的大作业要求是“观察龙格现象”，利用Newton迭代法和三次样条插值法做对比，体现出高次插值多项式在距离较远的地方会有明显的“震荡”，而分段低次插值就不会有这种问题，由于本次作业是用Latex写的不想再写一次Markdown网页版了（懒~ 所以就直接给出这次算法的pdf版，里面对计算过程转化有非常详细解释，完整的MATLAB代码在附录中也有给出，这里再贴一遍😄（我的MATLAB脚本习

问题 在Moodle平台中直接贴代码感觉太丑了😅，但贴代码照片又太麻烦了，所以期望找一种方法实现代码高亮功能。 本文介绍下使用Moodle文本编辑器中的html代码功能实现代码高亮。 解决方法 找到html功能位置 我们先随便打开一个Moodle的文本编编辑器（"回复"时候没有，请点击右下角高级选项），点击“展开按钮” 找到第二行最后一个“html”按钮，进入html

三角多项式： Pn=a02+∑k=1n{akcos⁡kx+bksin⁡kx}P_n = \frac{a_0}{2}+\sum_{k=1}^n\left\{a_k\cos kx+b_k\sin kx\right\} Pn​=2a0​​+k=1∑n​{ak​coskx+bk​sinkx} 称为三角多项式，若 an 或 bn≠0a_n\ \text{或}\ b_n\neq 0an​ 或 bn​=0，则

定义1（Lipschitz 条件） 设 f:(a,b)→Rf:(a, b)\rightarrow \mathbb Rf:(a,b)→R，x0∈(a,b)x_0\in (a, b)x0​∈(a,b)，若 f(x0+), f(x0−)f(x_0^+),\ f(x_0^-)f(x0+​), f(x0−​) 存在。 ∃ 0<δ<min⁡{b−x0,x0−a}\exists\ 0 &l

上周我们证明了 f:R→Rf:\mathbb R\rightarrow \mathbb Rf:R→R，周期为 2π2\pi2π，且f∣[−π,π]∈L1([−π,π])f\biggl|_{[-\pi,\pi]}\in L^1([-\pi,\pi])f∣∣∣∣∣​[−π,π]​∈L1([−π,π])，f(x0+),f(x0−)f(x_0^+),f(x_0^-)f(x0+​),f(x0−​) 存在，若

第十一周考了期中，感觉裂开（我tcl；任何周期为 2π2\pi2π 的函数都可以表示为傅里叶级数（一种三角级数），然后就可以将难以积分、求导的函数变化为易于积分的三角级数。 定义1（三角级数） 设 ak∈R, k=0,1,⋯ , bk∈R, k=1,2,⋯a_k\in \mathbb R,\ k=0,1,\cdots,\ b_k\in\mathbb R,\ k=1,2,\cdotsak​∈R,