当前位置: 首页 > news >正文

线代[9]|线性代数主要内容及其发展简史(任广千《线性代数的几何意义》的附录1)

文章目录

    • 向量
    • 行列式
    • 矩阵
    • 线性方程组
    • 二次型


向量

向量又称为矢量,最初应用与物理学。很多物理量如力、速度、位移以及电场强度、磁感应强度等等都是向量。大约公元前350年前,古希腊著名学者亚里士多德就知道了力可以表示成向量,两个力的组合作用可用著名的平行四边形法则得到。
亚里士多德

亚里士多德

“向量”一词来自力学、解析几何中的有向线段。最先使用有向线段表示向量的是英国科学家牛顿。向量进入数学并得到发展的阶段是18世纪末期,挪威测量学家威塞尔首次利用坐标平面上的点来表示复数 a + b i a+bi a+bi ,并利用具有几何意义的复数运算来定义向量的运算。把坐标平面上的点用向量表示出来,并把向量的几何用于研究几何问题与三角问题。人们逐步接受了复数,也学会了利用复数来表示和研究平面中的向量,向量就这样平静地进入了数学。 但复数的利用是受到限制的,因为它仅能表示平面,若有不在同一平面上的力作用于同一物体,则需要寻找所谓三维“复数”以及相应的运算体系。

哈密尔顿

哈密尔顿

19世纪中期,英国数学家哈密尔顿发表了四元数(包括数量部分和向量部分),以代表空间的向量。他的工作作为向量代数和向量分析的建立奠定了基础。随后,电磁理论的发现者、英国的数学物理学家麦克斯韦把四元数的数量部分和向量部分分开处理,从而创造了大量的向量分析。

三维向量分析的开创,以及与四元数的正式分裂,是美国的吉布斯(Gibbs)和海维塞德于19世纪80年代各自独立完成的。他们提出,一个向量不过是四元数的向量部分,但不独立于任何四元数。他们引进了两种类型的乘法,即数量积和向量积。并把向量代数推广到变向量的向量微积分。从此,向量的方法被引进到分析和解析几何中来,并逐步完善,成为了一套优良的数学工具。

吉布斯

吉布斯

一般日常生活中使用的向量是一种带几何性质的量,除零向量外,总可以画出箭头表示方向。但是在高等数学中还有更广泛的向量。例如,把所有实系数多项式的全体看成一个多项式空间,这里的多项式都可看成一个向量。在这种情况下,要找出起点和终点甚至画出箭头表示方向是办不到的。这种空间中的向量比几何中的向量要广泛得多,可以是任意数学对象或物理对象。这样,就可以指导线性代数方法应用到广阔的自然科学领域中去了。因此,向量空间的概念已成为数学中最基本的概念和线性代数的中心内容,它的理论和方法在自然科学的各领域中得到了广泛的应用。而向量及其线性运算也为“向量空间”这一抽象的概念提供了一个具体的模型。

从数学发展史来看,历史上很长一段时间,空间的向量结构并未被数学家们所认识,直到19世纪末20世纪初,人们才把空间的性质与向量运算联系起来,使向量成为具有一套优良运算通性的数学体系。


行列式

行列式出现于线性方程组的求解,它最早是一种速记的表达式,现在已经是数学中一种非常有用的工具。行列式是由日本数学家关孝和以及德国的莱布尼茨发明的。关孝和于1683年在其著作《解伏题之法》中第一次提出了行列式的概念与展开算法。同时代的莱布尼茨是欧洲第一个提出行列式概念的人。他在1693年4月写给洛必达的一封信中使用了行列式,并给出方程组的系数行列式为零的条件。

关孝和

关孝和

1750年,瑞士数学家克莱姆(G.Cramer,1704-1752)在其著作《线性代数分析导言》中对行列式的定义和展开法则给出了较完整、明确的阐述,并给出了现在我们所称的解线性方程组的“克莱姆法则”。稍后,法国数学家贝祖(E.Bezout,1730-1783)将确定行列式每一项符号的方法进行了系统化,利用系数行列式概念指出了如何判断一个有n个未知量的n个齐次线性方程组有非零解的方法,就是系数行列式等于零是这个方程组有非零解的条件。

克莱姆

克莱姆

总之,在很长一段时间内,行列式只是作为解线性方程组的一种工具使用,并没有人意识到它可以独立于线性方程组之外,单独形成一门理论加以研究。在行列式的发展史上,第一个对行列式理论做出连贯、逻辑的阐述,即把行列式理论与线性方程组求解相分离的人,是法国数学家范德蒙(A.T.Vandermonde,1735-1796)。范德蒙自幼在父亲的指导下学习音乐,但对数学有浓厚的兴趣,后来终于成为法兰西科学院院士。特别地,他给出了用二阶子式和它们的余子式来展开行列式的法则。就对行列式本身这一点来说,他是这门理论的奠基人。1772年,拉普拉斯在一篇论文中证明了范德蒙提出的一些规则,推广了他的展开行列式的方法。

继范德蒙之后,在行列式的理论方面,又一位做出突出贡献的就是法国大数学家柯西(Cauchy)。1815年,柯西在一篇论文中给出了行列式的第一个系统的、几乎是近代的处理。其中主要结果之一是行列式的乘法定理。另外,他第一个把行列式的元素排成方阵,采用双足标记法;引进了行列式特征方程的术语;给出了相似行列式概念:改进了拉普拉斯的行列式展开定理并给出了一个证明等。继柯西之后,在行列式理论方面最多产的人就是德国数学家雅可比(J.Jacobi,1804-1851),他引进了函数行列式,即“雅可比行列式”,指出函数行列式在多重积分的变量替换中的作用,给出了函数行列式的导数公式。雅可比的著名论文《论行列式的形成和性质》标志着行列式系统理论的建成。行列式在数学分析、几何学、线性方程组理论、二次型理论等多方面的应用,促使了行列式理论在19世纪得到了很大发展。整个19世纪都有行列式的新结果。除了一般行列式的大量定理之外,还有许多有关特殊行列式的其他定理都相继得到。

柯西

柯西

矩阵

矩阵是数学中的一个重要的基本概念,是代数学的一个主要研究对象,也是数学研究和应用的一个重要工具。“矩阵”这个词是由西尔维斯特(James Joseph Sylvester,1814-1897)首先使用的,他是为了将数字的矩形阵列区别于行列式而发明了这个术语。矩阵这个词来源于拉丁语,代表一排数。而实际上,矩阵这个课题在诞生之前就已经发展的很好了。从行列式的大量工作中明显地表现出来,为了很多目的,不管行列式的值是否与问题有关,方阵本身都可以研究和使用,矩阵的许多基本性质也是在行列式的发展中建立起来的。在逻辑上,矩阵的概念应先于行列式的概念,然而在历史上发生的次序正好相反。

西尔维斯特

西尔维斯特

英国数学家凯莱(A.Cayley,1821-1895)一般被公认为是矩阵论的创立者,因为他首先把矩阵作为一个独立的数学概念提出来,并首先发表了关于这个题目的一系列文章。凯莱在研究线性变换下的不变量相结合时,首先引进矩阵以简化记号,1858年,他发表了关于这一课题的第一篇论文《矩阵论的研究报告》,系统地阐述了关于矩阵的理论。文中他定义了矩阵的相等、矩阵的运算法则、矩阵的转置以及矩阵的逆等一系列基本概念,指出了矩阵加法的可交换性与可结合性。他用单一的字母A来表示矩阵是对矩阵代数发展至关重要的,其公式 d e t ( A B ) = d e t ( A ) d e t ( B ) det(AB)=det(A)det(B) det(AB)=det(A)det(B) 为矩阵代数和行列式间提供了一种联系。另外,凯莱还给出了方阵的特征方程和特征根(特征值)以及有关矩阵的一些基本结果。凯莱出生于一个古老而有才能的英国家庭,剑桥大学三一学院大学毕业后留校讲授数学,三年后他转从律师职业,工作卓有成效,并利用业余时间研究数学,发表了大量的数学论文。

凯莱

凯莱

1855年,埃米特(Cherie,1822-1901)证明了别的数学家发现的一些矩阵类的特征根的特殊性质,如现在称为埃米特矩阵的特征根性质等。后来,克莱伯施(A.Clebsch,1831-1872)、布克海姆(A.Buchheim)等证明了对称矩阵的特征根性质。泰伯(H.Taber)引入矩阵的迹的概念并给出了一些有关的结论。

在矩阵论的发展史上,弗罗伯纽斯(G.Frobenius,1849-1917)的贡献是不可磨灭的。他讨论了最小多项式问题,引进了矩阵的秩、不变因子和初等因子、正交矩阵、矩阵的相似变换、合同矩阵等概念,以合乎逻辑的形式整理了不变因子和初等因子的理论,并讨论了正交矩阵与合同矩阵的一些重要性质。1854年,约当研究了矩阵化为标准型的问题。

矩阵本身所具有的性质依赖于元素的性质。矩阵由最初作为一种工具经过两个多世纪的发展,现在已成为独立的一门数学分支——矩阵论。而矩阵论又可分为 矩阵方程论、矩阵分解论和广义逆矩阵论 等矩阵的现代理论。矩阵及其理论现已广泛地应用于现代科技的各个领域。矩阵的发展是与线性变换密切相连的。到19世纪它还仅占线性变换理论形成中有限的空间。现代向量空间的定义是由皮亚诺(Peano)于1888年提出的,皮亚诺以公理的方式定义了有限维或无限维向量空间。二次世界大战后随着现代数字计算机的发展,矩阵又有了新的含义,特别是在矩阵的数值分析等方面。由于计算机的飞速发展和广泛应用,许多实际问题可以通过离散化的数值计算得到定量的解决。于是作为处理离散问题的线性代数,成为从事科学研究和工程设计的科技人员必备的数学基础。


线性方程组

线性方程组的解法早在中国古代的数学著作《九章算术》的方程一章中已作了比较完整的论述。《九章算术》是综合性的历史著作,原作者不详,据研究西汉的张苍、耿寿昌曾经做过增补,魏晋时的数学家刘徽做过详细注解。刘徽定义了若干数学概念,全面论证了《九章算术》的公式解法,提出了许多重要的思想、方法和命题。在这部书的手稿中解释了如何消去变元的方法求解带有三个未知量的三方程系统,其中所述方法实质上相当于现代的对方程组的增广矩阵施行初等行变换从而消去未知量的方法,即高斯消元法。

刘徽

刘徽

在西方,线性方程组的研究是在17世纪后期由莱布尼茨开创的。他曾研究含两个未知量的三个线性方程组组成的方程组。麦克劳林在18世纪上半叶研究了具有二、三、四个未知量的线性方程组,得到了现在称为克莱姆法则的结果。克莱姆不久也发表了这个法则。18世纪下半叶,法国数学家贝祖对线性方程组理论进行了一系列研究,证明了n个n元齐次线性方程组有非零解的条件是系数行列式等于零。

19世纪,英国数学家史密斯(H.Smith)和道奇森(C.L.Dodgson)继续研究线性方程组理论,前者引进了方程组的增广矩阵和非增广矩阵的概念,后者证明了n个未知数m个方程的方程组相容的充要条件是系数矩阵和增广矩阵的秩相同。这正是现代方程组理论中的重要结果之一。大量的科学技术问题,最终往往归结为解线性方程组。因此在线性程组的数值解法得到发展的同时,线性方程组解的结构等理论性工作也取得了令人满意的进展。现在,线性方程组的数值解法在计算数学中占有重要地位。

道奇森

道奇森

二次型

高斯

高斯

二次型也称为“二次形式”。二次型的系统研究是从18世纪开始的,它起源于对二次曲线和二次曲面的分类问题的讨论。将二次曲线和二次曲面的方程变形,选有主轴方向的轴作为坐标轴以简化方程的形状,这个问题是在18世纪引进的。柯西在其著作中给出结论:当方程是标准形时,二次曲面用二次项的符号来进行分类。然而,那时并不太清楚,在化简成标准形时,为何总是得到同样数目的正项和负项。西尔维斯特回答了这个问题,他给出了n个变数的二次型的惯性定理,但没有证明。这个定理后被雅可比重新发现和证明。1801年,高斯在《算术研究》中引进了二次型的正定、负定、半正定和半负定等术语。


P.S.1 2025年3月1日上午10点39分全篇文章收录完毕,在夜间21点8分手动截图添加一位位数学家的头像。如该篇文章标题所示,博主首次看到这篇文章在本人2020年11月7日所购之书《线性代数的几何意义》(任广千)的附录1,上一篇文章《线代[8]|北大丘维声教授《怎样学习线性代数?》(红色字体为博主本人注释)》则是附录2。博主本人看完这两篇久矣,2025年2月末反复翻看该书时终归还是动了收录的念头。「2025.3.1 21:21」

相关文章:

线代[9]|线性代数主要内容及其发展简史(任广千《线性代数的几何意义》的附录1)

文章目录 向量行列式矩阵线性方程组二次型 向量 向量又称为矢量,最初应用与物理学。很多物理量如力、速度、位移以及电场强度、磁感应强度等等都是向量。大约公元前350年前,古希腊著名学者亚里士多德就知道了力可以表示成向量,两个力的组合作…...

C++ Primer 动态内存与智能指针

欢迎阅读我的 【CPrimer】专栏 专栏简介:本专栏主要面向C初学者,解释C的一些基本概念和基础语言特性,涉及C标准库的用法,面向对象特性,泛型特性高级用法。通过使用标准库中定义的抽象设施,使你更加适应高级…...

AI在原型设计中的革命性应用:效率与创新的双重突破

引言 在数字化转型加速的今天,产品开发周期被压缩至前所未有的程度。原型设计作为产品开发的核心环节,其效率和质量直接影响最终产品的市场竞争力。传统原型设计流程依赖人工绘制、反复修改和用户测试,耗时且成本高昂。而人工智能&#xff0…...

网络学习(四)HTTPS中,SSL的单向认证与双向认证

目录 一、什么是SSL?1.1 SSL 的主要功能1.2 SSL 的工作原理1.3 SSL 的核心组件1.4 SSL 的应用场景1.5 SSL 与 TLS 的区别 二、SSL 单向认证、双向认证2.1 SSL 单向认证2.2 SSL 双向认证2.3 总结:SSL 单向认证和双向认证的区别 一、什么是SSL?…...

分类任务和回归任务的区别

分类任务和回归任务是机器学习中两种常见的监督学习任务,尽管它们都属于预测性的分析,但它们的目标和应用场景存在显著的差异。 分类任务 定义:分类任务是指将输入样本映射到一个有限且离散的类别集合中的过程。目标是对数据进行分类&#…...

android接入rocketmq

一 前言 RocketMQ 作为一个功能强大的消息队列系统,不仅支持基本的消息发布与订阅,还提供了顺序消息、延时消息、事务消息等高级功能,适应了复杂的分布式系统需求。其高可用性架构、多副本机制、完善的运维管理工具,以及安全控制…...

V4L2框架基础

一、V4L2视频设备驱动基础 1.V4L2是专门为Linux设备设计的整合视频框架(其主要核心在Linux内核,相当于Linux操作系统上层的视频源捕获驱动框架)。为上层访问系统底层的视频设备提供一个统一的标准接口。V4L2驱动框架能够支持多种类型&#x…...

【微知】如何通过mlxlink查看Mellanox网卡和光模块相关的信息?( mlxlink -d 01:00.0 -m)

背景 通过mlxlink可以查看Mellanox网卡的一些链路信息和硬件信息,也可以查看所插入的光模块的一些信息。 兄弟篇通过ethtool查看的方法:如何查看Mellanox网卡上的光模块的信息? 命令 mlxlink -d 01:00.0 -mman手册介绍: 如果…...

使用pytorch和opencv根据颜色相似性提取图像

需求:将下图中的花朵提取出来。 代码: import cv2 import torch import numpy as np import timedef get_similar_colors(image, color_list, threshold):# 将图像和颜色列表转换为torch张量device torch.device(cuda if torch.cuda.is_available() el…...

HTML label 标签使用

点击 <label> 标签通常会使与之关联的表单控件获得焦点或被激活。 通过正确使用 <label> 标签&#xff0c;可以使表单更加友好和易于使用&#xff0c;同时提高整体的可访问性。 基本用法 <label> 标签通过 for 属性与 id 为 username 的 <input> 元素…...

SQL注入的分类靶场实践

前言 SQL 注入&#xff08;SQL Injection&#xff09;是一种常见且危险的 Web 安全漏洞&#xff0c;攻击者通过在输入字段中插入恶意 SQL 代码&#xff0c;能够绕过应用程序的验证机制&#xff0c;直接操纵数据库。本文将介绍 SQL 注入的分类&#xff0c;并通过 Pikachu 靶场进…...

用matplotlib构建BI看板:Superset插件开发实战

目录 前言&#xff1a;当经典可视化库遇见BI航母 一、Superset插件架构精要 1.1 核心模块解析 1.2 插件通信机制 二、开发环境准备 2.1 依赖矩阵 三、开发自定义可视化插件 3.1 插件脚手架 3.2 渲染引擎适配 四、Superset深度集成 4.1 控制面板配置 4.2 动态参数传递…...

【Linux】之【Bug】VMware 虚拟机开机 一直卡在黑屏左上角下划线闪烁界面

解决 参考&#xff1a; 解决Ubuntu20.04 开机黑屏光标闪烁进不去系统 Centos根目录100%解决思路 当前界面 ctrlaltf3-f6 暂时进入终端界面 df -h 查看发现根目录 磁盘空间已满 执行命令 查看当前目录占用内存明细 sudo du -h -x --max-depth1清理无用的大内存文件 或者安装…...

【练习】【链表】力扣热题100 19. 删除链表的倒数第 N 个结点

题目 删除链表的倒数第 N 个结点 给你一个链表&#xff0c;删除链表的倒数第 n 个结点&#xff0c;并且返回链表的头结点。 示例 1&#xff1a; 输入&#xff1a;head [1,2,3,4,5], n 2 输出&#xff1a;[1,2,3,5] 示例 2&#xff1a; 输入&#xff1a;head [1], n 1 输出&…...

SQL-labs13-16闯关记录

http://127.0.0.1/sqli-labs/less-13/ 基于POST单引号双注入变形 1&#xff0c;依然是一个登录框&#xff0c;POST型SQL注入 2&#xff0c;挂上burpsuite&#xff0c;然后抓取请求&#xff0c;构造请求判断漏洞类型和闭合条件 admin 发生了报错&#xff0c;根据提示闭合方式是(…...

【Linux】进程信号——信号保存和信号捕捉

文章目录 信号保存信号相关的概念信号是如何保存的呢&#xff1f;有关信号保存的系统调用sigprocmask信号的增删查改查看pending表验证接口 信号捕捉用户态与内核态信号捕捉流程 总结 信号保存 信号相关的概念 信号递达&#xff1a;指 操作系统 将一个信号&#xff08;Signal…...

任务9:交换机基础及配置

CSDN 原创主页&#xff1a;不羁https://blog.csdn.net/2303_76492156?typeblog 一、交换机基础 交换机的概念&#xff1a;交换机是一种网络设备&#xff0c;用于连接多台计算机或网络设备&#xff0c;实现数据包在局域网内的快速交换。交换机基于MAC地址来转发数据包&#x…...

【DFS/回溯算法】2016年蓝桥杯真题之路径之谜详解

目录&#xff1a; 1.题目描述&#xff1a; 输入格式 输出格式 2.题解&#xff1a; 3.详细c代码 1.题目描述&#xff1a; 小明冒充 X 星球的骑士&#xff0c;进入了一个奇怪的城堡。 城堡里边什么都没有&#xff0c;只有方形石头铺成的地面。 假设城堡地面是 nn 个方格。…...

深度学习R8周:RNN实现阿尔兹海默症(pytorch)

&#x1f368; 本文为&#x1f517;365天深度学习训练营中的学习记录博客&#x1f356; 原作者&#xff1a;K同学啊 数据集包含2149名患者的广泛健康信息&#xff0c;每名患者的ID范围从4751到6900不等。该数据集包括人口统计详细信息、生活方式因素、病史、临床测量、认知和功…...

字节跳动发布 Trae AI IDE!支持 DeepSeek R1 V3,AI 编程新时代来了!

3 月 3 日&#xff0c;字节跳动重磅发布国内首款 AI 原生集成开发环境&#xff08;AI IDE&#xff09;——Trae 国内版&#xff01; Trae 不只是一个传统的 IDE&#xff0c;它深度融合 AI&#xff0c;搭载 doubao-1.5-pro 大模型&#xff0c;同时支持DeepSeek R1 & V3&…...

智能合约安全指南 [特殊字符]️

智能合约安全指南 &#x1f6e1;️ 1. 安全基础 1.1 常见漏洞类型 重入攻击整数溢出权限控制缺陷随机数漏洞前后运行攻击签名重放 1.2 安全开发原则 最小权限原则检查-生效-交互模式状态机安全失败保护机制 2. 重入攻击防护 2.1 基本防护模式 contract ReentrancyGuarde…...

DeepSeek 全套资料pdf合集免费下载(持续更新)

有很多朋友都关注DeepSeek相关使用的教程资料&#xff0c;本站也一直持续分享DeepSeek 学习相关的pdf资料&#xff0c;由于比较零散&#xff0c;这篇文章主要就是做一个汇总&#xff0c;并且持续更新&#xff0c;让大家可以及时获取下载最新的相关DeepSeek的资料。 持续更新地…...

IDEA 接入 Deepseek

在本篇文章中&#xff0c;我们将详细介绍如何在 JetBrains IDEA 中使用 Continue 插件接入 DeepSeek&#xff0c;让你的 AI 编程助手更智能&#xff0c;提高开发效率。 一、前置准备 在开始之前&#xff0c;请确保你已经具备以下条件&#xff1a; 安装了 JetBrains IDEA&…...

将md格式转jupyter并运行

将md格式转jupyter并运行 有时候我们需要将这种文档以学习的形式记笔记到jupyter中&#xff08;任务&#xff09; 但是内容太多了&#xff0c;一个一个粘贴又不方便&#xff0c;怎么办呢&#xff1f; 发现直接粘贴到md中是带格式的&#xff01;&#xff01;&#xff01; 那…...

SOUI基于Zint生成EAN码

EAN码广泛应用与欧洲的零售业。包括EAN-2、EAN-5、EAN-8和EAN-12码。分别编码 2、5、7 或 12 位数字。此外&#xff0c;可以使用 字符将 EAN-2 和 EAN-5 附加符号添加到 EAN-8 和 EAN-13 符号中&#xff0c;就像 UPC 符号一样。 EAN-8校验码计算&#xff1a; 从左往右奇数位的…...

StarRocks-fe工程在Cursor中不能识别为Java项目

SR简介 StarRocks 是一款高性能分析型数据库&#xff0c;支持实时、多维度、高并发的数据分析。本指南旨在解决在使用 VSCode 或 Cursor 开发 StarRocks 后端项目时遇到的模块识别问题。 问题描述 使用 Cursor 或 VSCode 打开 StarRocks 的后端工程 fe 时&#xff0c;spark-…...

AI是否能真正理解人类情感?从语音助手到情感机器人

引言&#xff1a;AI与情感的交集 在过去的几十年里&#xff0c;人工智能&#xff08;AI&#xff09;的发展速度令人惊叹&#xff0c;从简单的语音识别到如今的深度学习和情感计算&#xff0c;AI已经深入到我们生活的方方面面。尤其是在语音助手和情感机器人领域&#xff0c;AI不…...

【Linux】【网络】UDP打洞-->不同子网下的客户端和服务器通信(成功版)

【Linux】【网络】UDP打洞–&#xff1e;不同子网下的客户端和服务器通信&#xff08;成功版&#xff09; 根据上个文章的分析 问题可能出现在代码逻辑上面 我这里重新查找资料怀疑&#xff1a; 1 NAT映射可能需要多次数据包的发送才能建立。 2 NAT映射保存时间太短&#xff…...

【微知】如何查看Mellanox网卡上的光模块的信息?(ethtool -m enp1s0f0 看型号、厂商、生产日期等)

背景 服务器上插入的光模块经常被忽略&#xff0c;往往这里是定位问题最根本的地方。如何通过命令查看&#xff1f; 命令 ethtool提供了-m参数&#xff0c;m是module-info的意思&#xff0c;他是从光模块的eeprom中读取数据。&#xff08;应该是用i2c协议读取的&#xff09;…...

图论基础算法: 二分图的判定(C++)

二分图的基本概念 什么是二分图? 二分图(Bipartite Graph)是指一个图的顶点集可以被分割为两个互不相交的子集 U U U 和 V V V, 并且图中的每一条边都连接 U U U 中的一个顶点和 V V V 中的一个顶点. 换句话说, 二分图中的顶点可以被分成两组, 组内的顶点之间没有边相连…...

AI赋能校园安全:科技助力预防与应对校园霸凌

校园本应是学生快乐学习、健康成长的地方&#xff0c;然而&#xff0c;校园霸凌却成为威胁学生身心健康的隐形“毒瘤”。近年来&#xff0c;随着人工智能&#xff08;AI&#xff09;技术的快速发展&#xff0c;AI在校园安全领域的应用逐渐成为解决校园霸凌问题的新突破口。通过…...

PyTorch系列教程:评估和推理模式下模型预测

使用PyTorch时&#xff0c;将模型从训练阶段过渡到推理阶段是至关重要的一步。在推理过程中&#xff0c;该模型用于对以前从未见过的新数据进行预测。这种转换的一个重要方面是使用推理模式&#xff0c;它通过禁用仅在训练期间需要的操作来帮助优化模型的性能。 理解推理模式 …...

Linux注册进程终止处理函数

atexit() 是一个标准库函数&#xff0c;用于注册在进程正常终止时要调用的函数。通过 atexit()&#xff0c;你可以确保在程序结束时自动执行一些清理工作&#xff0c;比如释放资源、保存状态等。 函数原型如下&#xff1a; #include <stdlib.h> int atexit(void (*func…...

Lumerical INTERCONNECT 中的自相位调制 (SPM)

一、自相位调制的数学介绍 A.非线性薛定谔方程&#xff08;NLSE&#xff09;&#xff1a; NLSE 是光学中的一个关键方程。它告诉我们光脉冲在具有非线性和色散特性的介质中的行为方式。该方程如下所示&#xff1a; i ∂A/∂z β2/2 ∂A/∂t γ|A|A 0 其中&#xff1a; - …...

DICOM服务中的C-STORE、 C-FIND、C-MOVE、C-GET、Worklist

DICOM服务说明 DICOM&#xff08;Digital Imaging and Communications in Medicine&#xff09;是一种用于处理、存储、打印和传输医学影像的标准。DICOM定义了多种服务类&#xff0c;其中C-STORE、C-FIND、C-MOVE和C-GET是与影像数据查询和检索相关的四个主要服务类&#xff…...

Python的pdf2image库将PDF文件转换为PNG图片

您可以使用Python的pdf2image库将PDF文件转换为PNG图片。以下是一个完整的示例&#xff0c;包含安装步骤、代码示例和注意事项。 安装依赖库 首先&#xff0c;您需要安装pdf2image库&#xff1a; pip install pdf2imagepdf2image依赖于poppler库来解析PDF文件。 Windows系统…...

在Blender中给SP分纹理组

在Blender中怎么分SP的纹理组/纹理集 其实纹理组就是材质 把同一组的材质分给同一组的模型 导入到sp里面自然就是同一个纹理组 把模型导入SP之后 就自动分好了...

import模块到另一个文件夹报错:ModuleNotFoundError: No module named xxx

1. 问题 打开项目文件夹my_code&#xff0c;将bb.py的函数或者类import到aa.py中&#xff0c;然后运行aa.py文件&#xff0c;可能会报错ModuleNotFoundError: No module named xxx。 ‪E:\Desktop\my_code ├── a │ ├── train.sh │ └── aa.py └── b└── b…...

[SystemVerilog]例化

SystemVerilog 的例化方式和Verilog 类似 如果信号输入输出name一致 abc abc_inst( .a(a)&#xff0c; .b(b), c(c) ); 使用SystemVerilog abc abc_inst( .a, .b, .c ); 或者 abc abc_inst( .* ); 在SystemVerilog中&#xff0c;可以简化例化方式。 可以使用…...

Java方法详解

Java方法详解 方法1.方法的概念(1).什么是方法(2).方法的定义(3).实参与形参的关系 2.方法重载(1).方法重载的概念 3.递归&#xff08;C语言详细讲过&#xff09; 方法 1.方法的概念 (1).什么是方法 方法类似于C语言中的函数&#xff0c;我们重在体会与理解&#xff0c;不必…...

springboot自动插入创建时间和更新时间到数据库

springboot自动插入创建时间和更新时间到数据库 1.添加TableField注解2.添加TimeMetaObjectHandler配置3.测试 1.添加TableField注解 /*** 创建时间*/TableField(fill FieldFill.INSERT) // 插入时生效private LocalDateTime createTime;/*** 修改时间*/TableField(fill Fiel…...

如何将JAR交由Systemctl管理?

AI越来越火了&#xff0c;我们想要不被淘汰就得主动拥抱。推荐一个人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;最重要的屌图甚多&#xff0c;忍不住分享一下给大家。点击跳转到网站 废话不多说&#xff0c;进入正题。下面开始说如何使用 systemctl…...

VMware Workstation Pro安装openKylin 2.0全流程指南

原文链接&#xff1a;VMware Workstation Pro安装openKylin 2.0全流程指南 Hello&#xff0c;大家好啊&#xff01;今天给大家带来一篇在VMware Workstation Pro 上安装 openKylin 2.0 SP1 的文章。openKylin 2.0 作为国产开源桌面操作系统&#xff0c;目前已经发布了最新版本&…...

网络安全检查漏洞内容回复 网络安全的漏洞

网络安全的核心目标是保障业务系统的可持续性和数据的安全性&#xff0c;而这两点的主要威胁来自于蠕虫的暴发、黑客的攻击、拒绝服务攻击、木马。蠕虫、黑客攻击问题都和漏洞紧密联系在一起&#xff0c;一旦有重大安全漏洞出现&#xff0c;整个互联网就会面临一次重大挑战。虽…...

数据仓库的特点

数据仓库的主要特点可以概括为&#xff1a;面向主题、集成性、非易失性、时变性、高性能和可扩展性、支持复杂查询和分析、分层架构以及数据质量管理。 1. 面向主题&#xff08;Subject-Oriented&#xff09; 数据仓库是面向主题的&#xff0c;而不是面向事务的。这意味着数据…...

02_NLP文本预处理之文本张量表示法

文本张量表示法 概念 将文本使用张量进行表示,一般将词汇表示为向量,称为词向量,再由各个词向量按顺序组成矩阵形成文本表示 例如: ["人生", "该", "如何", "起头"]># 每个词对应矩阵中的一个向量 [[1.32, 4,32, 0,32, 5.2],[3…...

青蛙跳杯子(BFS)

#include <iostream> #include <queue> #include <string> #include <unordered_set> using namespace std;int main() {string a, b;cin >> a >> b; int n a.size(); // 字符串长度int d[] {1, -1, -2, 2, -3, 3}; // 跳跃距离queue&…...

【前端基础】1、HTML概述(HTML基本结构)

一、网页组成 HTML&#xff1a;网页的内容CSS&#xff1a;网页的样式JavaScript&#xff1a;网页的功能 二、HTML概述 HTML&#xff1a;全称为超文本标记语言&#xff0c;是一种标记语言。 超文本&#xff1a;文本、声音、图片、视频、表格、链接标记&#xff1a;由许许多多…...

Arm64架构的Linux服务器安装jdk8

一、下载 JDK8 打开浏览器&#xff0c;访问 oracle官网找到适用于自己服务器的 arm64 架构的 JDK8 安装包。 二、安装 JDK8 将下载好的 JDK 压缩包上传到服务器上 解压 JDK 压缩包&#xff1a; tar -zxvf jdk-8uXXX-linux-arm64.tar.gz选择安装目录&#xff0c;我将 JDK 安装…...

深入探索Python机器学习算法:模型调优

深入探索Python机器学习算法&#xff1a;模型调优 文章目录 深入探索Python机器学习算法&#xff1a;模型调优模型调优1. 超参数搜索方法1.1 网格搜索&#xff08;Grid Search&#xff09;1.2 随机搜索&#xff08;Random Search&#xff09;1.3 贝叶斯优化&#xff08;Bayesia…...