【李沐深度学习笔记】线性代数

课程地址和说明

线性代数p1
本系列文章是我学习李沐老师深度学习系列课程的学习笔记,可能会对李沐老师上课没讲到的进行补充。

线性代数

标量

标量(scalar),亦称“无向量”。有些物理量,只具有数值大小,而没有方向,部分有正负之分。物理学中,标量(或作纯量)指在坐标变换下保持不变的物理量。用通俗的说法,标量是只有大小,没有方向的量。(在深度学习领域也是如此)

标量的运算规律

加减法: c = a + b c=a+b c=a+b
乘除法: c = a ⋅ b c=a\cdot b c=ab
取特定函数: c = s i n a c=sina c=sina
长度: ∣ a ∣ = { a , a > 0 − a , a ≤ 0 |a|=\begin{cases} a,a>0\\ -a,a\le 0 \end{cases} a={a,a>0a,a0
不等式:

  • ∣ a + b ∣ ≤ ∣ a ∣ + ∣ b ∣ |a+b|\le |a|+|b| a+ba+b
  • ∣ a ⋅ b ∣ ≤ ∣ a ∣ ⋅ ∣ b ∣ |a\cdot b|\le |a|\cdot|b| abab

数域

数域:复数集的一个子集 K K K如果满足:

  • 0 , 1 ∈ K 0,1\in K 0,1K
  • a , b ∈ K ⟹ a ± b , a b ∈ K a,b\in K\Longrightarrow a\pm b,ab\in K a,bKa±b,abK
  • a , b ∈ K , 且 b ≠ 0 ⟹ a b ∈ K a,b\in K,且b\ne 0\Longrightarrow \frac{a}{b}\in K a,bK,b=0baK

那么称 K K K是一个数域

【注】定义的第一条是说明0和1都在集合 K K K中,第二条是说明当 a , b a,b a,b都在集合 K K K中,则 a ± b a\pm b a±b a b ab ab的结果也在集合 K K K中,第三条是说明当 a , b a,b a,b都在集合 K K K中,则 a b , b ≠ 0 \frac{a}{b},b\ne 0 ba,b=0也在集合 K K K中,用这种方法我们可以定义有理数域,因为0,1在集合中,然后四则运算也在集合中,仅靠多次累加累乘等操作就能定义有理数。

【问】为什么定义数域?
【转自知乎,原贴地址:为什么要定义数域呢?】
定义数域的原因在于数学家希望建立一个具有良好性质和规律的数学结构,以方便进行计算和理论研究。数域是代数结构中的一个基本概念,它包含了一组满足特定运算法则的数。研究数域可以帮助我们更好地理解数学对象之间的关系,例如实数、有理数、整数等。
封闭性是数域的一个重要特性。在数域中,对于给定的运算(如加法、减法、乘法和除法等),结果仍然属于同一个数域。保证封闭性有几个好处:

  1. 简化计算:在一个封闭的数域中,我们可以对数进行各种运算,而不必担心结果会跳出这个域。这大大简化了计算过程,使我们能够更方便地处理数学问题。
  2. 方程的解有意义:当我们在研究方程时,封闭性确保了我们在求解过程中得到的解依然属于原始数域。这使得解更具有意义,因为我们可以在同一个数学框架内讨论和研究这些解。
  3. 易于理解和操作:保证封闭性有助于我们更好地理解数学概念,因为我们可以在一个统一的框架内讨论和操作数学对象。这也为研究数学性质提供了便利,因为我们可以在一个封闭的环境中探讨不同数学对象之间的关系。
  4. 探索新的数学结构:研究封闭性有助于数学家发现新的数学结构,从而推动数学领域的发展。例如,复数的引入解决了一些实数域中无法解决的方程,从而使我们的数学体系更加完善。

总之,保证封闭性有助于我们在数学领域中建立统一的框架,简化计算过程,并使方程的解具有意义。封闭性还有助于我们更好地理解和操作数学概念,以及发现新的数学结构。

由于我不是学数学的,下面这些我不证明,都当作结论用:

  • 有理数集 Q \textbf{Q} Q,实数集 R \textbf{R} R,复数集 C \textbf{C} C都是数域;但是整数集 Z \textbf{Z} Z不是数域,因为 Z \textbf{Z} Z对于除法不封闭(整数与整数做除法,如果不能整除,将产生小数,产生的小数又分为有限小数和无限不循环小数,有限小数是有理数,无限不循环小数是无理数,所以整数除整数得到的可能是整数、有理数或无理数,整数除整数不一定就是整数,所以整数集对除法不封闭)

【注】封闭性,即闭包 (数学)。数学中,若对某个集合的成员进行一种运算,生成的仍然是这个集合的成员,则该集合被称为在这个运算下闭合。

  • 任一数域都包含有理数域,即有理数域是最小的数域

n n n维向量空间 K n K^{n} Kn

这里可能我理解的有问题,我参考的是丘维声老师的高等代数教材加上我自己的理解,如果有数学专业的大佬发现我理解的有问题请指正。

  • 有序对:在数学中,有序偶是两个对象的搜集,使得可以区分出其中一个是“第一个元素”而另一个是“第二个元素”(第一个元素和第二个元素也叫做左投影和右投影)。带有第一个元素 a a a和第二个元素 b b b的有序偶通常写为 ( a , b ) (a,b) (a,b)
  • n n n元有序组 n n n元有序组(ordered n-tuples)亦称 n n n目有序组,是有序对的推广,按一定顺序给出的 n ( n ≥ 1 ) n(n≥1) n(n1)个客体称为一个n元有序组。依次给出 n n n个客体(这个客体可以是任意的东西) x 1 , x 2 , … , x n x_{1},x_{2},…,x_{n} x1x2xn得到的n元有序组记为 〈 x 1 , x 2 , … , x n 〉 〈x_{1},x_{2},…,x_{n}〉 x1x2xn(或 ( x 1 , x 2 , … , x n (x_{1},x_{2},…,x_{n} (x1x2xn),其中 x i x_{i} xi常称为有序组的第 i i i分量,元数不同的两个有序组不等,两个 n n n元有序组 〈 x 1 , x 2 , … , x n 〉 〈x_{1},x_{2},…,x_{n}〉 x1x2xn 〈 y 1 , y 2 , … , y n 〉 〈y_{1},y_{2},…,y_{n}〉 y1y2yn相等,当且仅当对每一个 i ∈ { 1 , 2 , … , n } i\in\left \{1,2,…,n\right \} i{12n},有 x i = y i x_{i}=y_{i} xi=yi.【比如:表示日期:年、月、日可用三元有序组表示:(年, 月, 日)。】
  • n n n元有序数组:将 n n n元有序组中的分量都定义为数字就是 n n n元有序数组(我个人理解,不严谨,欢迎数学大佬给出严谨的定义)
  • n n n元有序数组组成的集合:取定一个数域 K K K,设 n n n是任意给定的一个正整数,令 K n = { ( a 1 , a 2 , . . . , a n ) ∣ a i ∈ K , i = 1 , 2 , . . . , n } K^{n}=\left \{(a_{1},a_{2},...,a_{n})|a_{i}\in K,i=1,2,...,n\right \} Kn={(a1,a2,...,an)aiK,i=1,2,...,n},则称 K n K^{n} Kn n n n元有序数组组成的集合。
  • 相等关系:在 K n K^{n} Kn中,如果 a 1 = b 1 , a 2 = b 2 , . . . , a n = b n a_{1}=b_{1},a_{2}=b_{2},...,a_{n}=b_{n} a1=b1,a2=b2,...,an=bn,则称 K n K^{n} Kn中的两个元素(有序数组) ( a 1 , a 2 , . . . , a n ) (a_{1},a_{2},...,a_{n}) (a1,a2,...,an) ( b 1 , b 2 , . . . , b n ) (b_{1},b_{2},...,b_{n}) (b1,b2,...,bn)相等。
  • 加法运算:在 K n K^{n} Kn中,规定加法运算如下, ( a 1 , a 2 , . . . , a 3 ) + ( b 1 , b 2 , . . . , b 3 ) = ( a 1 + b 1 , a 2 + b 2 , . . . , a n + b n ) (a_{1},a_{2},...,a_{3})+(b_{1},b_{2},...,b_{3})=(a_{1}+b_{1},a_{2}+b_{2},...,a_{n}+b_{n}) (a1,a2,...,a3)+(b1,b2,...,b3)=(a1+b1,a2+b2,...,an+bn)
  • 数量乘法 k ( a 1 , a 2 , . . . , a n ) = ( k a 1 , k a 2 , . . . , k a n ) k(a_{1},a_{2},...,a_{n})=(ka_{1},ka_{2},...,ka_{n}) k(a1,a2,...,an)=(ka1,ka2,...,kan)
  • K n K^{n} Kn中规定加法和数量乘法满足8条法则,其中, α , β , γ ∈ K n , k , l ∈ K \alpha,\beta,\gamma\in K^{n},k,l\in K α,β,γKn,k,lK
  • 加法交换律: α + β = β + α \bm{\alpha}+\bm{\beta}=\bm{\beta}+\bm{\alpha} α+β=β+α
  • 加法结合律: ( α + β ) + γ = α + ( β + γ ) (\bm{\alpha}+\bm{\beta})+\bm{\gamma}=\bm{\alpha}+(\bm{\beta}+\bm{\gamma}) (α+β)+γ=α+(β+γ)
  • 零元:把 ( 0 , 0 , . . . , 0 ) (0,0,...,0) (0,0,...,0)记作 0 \bm{0} 0,它使得 0 + α = α + 0 \bm{0}+\bm{\alpha}=\bm{\alpha}+\bm{0} 0+α=α+0,称 0 \bm{0} 0 K n K^{n} Kn的零元。
  • 负元:对于 α = ( a 1 , a 2 , . . . , a n ) ∈ K n \bm{\alpha}=(a_{1},a_{2},...,a_{n})\in K^{n} α=(a1,a2,...,an)Kn,令 − α = ( − a 1 , − a 2 , . . . , − a n ) ∈ K n -\bm{\alpha}=(-a_{1},-a_{2},...,-a_{n})\in K^{n} α=(a1,a2,...,an)Kn,有 α + ( − α ) = ( − α ) + α = 0 \bm{\alpha}+(-\bm{\alpha})=(-\bm{\alpha})+\bm{\alpha}=\bm{0} α+(α)=(α)+α=0,则称 − α -\bm{\alpha} α α \bm{\alpha} α的负元
  • 1 α = α 1\bm{\alpha}=\bm{\alpha} 1α=α
  • ( k l ) α = k ( l α ) (kl)\bm{\alpha}=k(l\bm{\alpha}) (kl)α=k(lα)
  • ( k + l ) α = k α + l α (k+l)\bm{\alpha}=k\bm{\alpha}+l\bm{\alpha} (k+l)α=kα+lα
  • k ( α + β ) = k α + k β k(\bm{\alpha}+\bm{\beta})=k\bm{\alpha}+k\bm{\beta} k(α+β)=kα+kβ

向量

在数学中,向量(也称为欧几里得向量、几何向量),指具有大小(magnitude)和方向的量。它可以形象化地表示为带箭头的线段。箭头所指:代表向量的方向;线段长度:代表向量的大小。与向量对应的量叫做数量(物理学中称标量),数量(或标量)只有大小,没有方向。下面给出相关概念的精确定义。

向量空间

数域 K K K上所有 n n n元有序数组组成的集合 K n K^{n} Kn,连同定义在它上面的加法运算和数量乘法运算,及其满足的8条运算法则一起,称为数域 K K K上的一个 n n n维度向量空间

向量的定义

K n K^{n} Kn的元素称为 n n n维向量,记为 α = ( a 1 , a 2 , . . . , a n ) \bm{\alpha}=(a_{1},a_{2},...,a_{n}) α=(a1,a2,...,an),称 a i a_{i} ai α \bm{\alpha} α的第 i i i个分量,其在欧几里得空间下用一个有方向的箭头表示,在数学上一般用粗体或者字母上面带箭头表示向量。假设有向量 α = ( a 1 , a 2 , . . . , a n ) \bm{\alpha}=(a_{1},a_{2},...,a_{n}) α=(a1,a2,...,an)与向量 β = ( b 1 , b 2 , . . . , b n ) \bm{\beta}=(b_{1},b_{2},...,b_{n}) β=(b1,b2,...,bn)(以下均章节均按此假定)

  • n n n元有序数组写成一行 ( a 1 , a 2 , . . . , a n ) (a_{1},a_{2},...,a_{n}) (a1,a2,...,an),称为行向量,写成一列 ( a 1 a 2 ⋮ a n ) \begin{pmatrix} a_{1}\\ a_{2} \\ \vdots \\ a_{n} \end{pmatrix} a1a2an ,称为列向量
  • 行列向量通过取转置符号 T T T进行变换,比如行向量 α = ( a 1 , a 2 , . . . , a n ) \bm{\alpha}=(a_{1},a_{2},...,a_{n}) α=(a1,a2,...,an)的转置向量就是列向量 α T = ( a 1 a 2 ⋮ a n ) \bm{\alpha}^{T}=\begin{pmatrix} a_{1}\\ a_{2} \\ \vdots \\ a_{n} \end{pmatrix} αT= a1a2an
  • 向量与向量转置的乘法为: α β T = ( a 1 , a 2 , . . . , a n ) ( b 1 b 2 ⋮ b n ) = a 1 b 1 + a 2 b 2 + . . . + a n b n \bm{\alpha}\bm{\beta}^{T}=(a_{1},a_{2},...,a_{n})\begin{pmatrix} b_{1}\\ b_{2} \\ \vdots \\ b_{n} \end{pmatrix}=a_{1}b_{1}+a_{2}b_{2}+...+a_{n}b_{n} αβT=(a1,a2,...,an) b1b2bn =a1b1+a2b2+...+anbn

向量的运算规律

向量完全符合上述数域 K K K上所有 n n n元有序数组组成的集合 K n K^{n} Kn,连同定义在它上面的加法运算和数量乘法运算,及其满足的8条运算法则。以下给出向量在深度学习中的常见运算规律:
【符号说明】假设向量为 x \textbf{x} x,则其中的元素为 x i , i = 1 , 2 , 3... x_{i},i=1,2,3... xi,i=1,2,3...

  • 加减法: c = a + b \textbf{c}=\textbf{a}+\textbf{b} c=a+b,其中 c i = a i + b i c_{i}=a_{i}+b_{i} ci=ai+bi

  • 数乘: c = α ⋅ b \textbf{c}=\alpha\cdot \textbf{b} c=αb,其中 c i = α ⋅ b i c_{i}=\alpha\cdot b_{i} ci=αbi α \alpha α是一个常数

  • 取函数: c = s i n a \textbf{c}=sin\textbf{a} c=sina,其中 c i = s i n a i c_{i}=sina_{i} ci=sinai

向量的长度(模长)

向量 α \bm{\alpha} α的长度(模长) ∣ ∣ α ∣ ∣ ||\bm{\alpha}|| ∣∣α∣∣为:
∣ ∣ α ∣ ∣ = ∑ i = 1 n a i 2 = a 1 2 + a 2 2 + . . . + a n 2 ≥ 0 ||\bm{\alpha}||=\sqrt{\sum\limits_{i=1}^{n} a_{i}^{2}}=\sqrt{a_{1}^{2}+a_{2}^{2}+...+a_{n}^{2}}\ge 0 ∣∣α∣∣=i=1nai2 =a12+a22+...+an2 0
其中:

  • ∣ ∣ α ∣ ∣ ≥ 0 ||\bm{\alpha}||\ge 0 ∣∣α∣∣0
  • ∣ ∣ α + β ∣ ∣ ≤ ∣ ∣ α ∣ ∣ + ∣ ∣ β ∣ ∣ ||\bm{\alpha}+\bm{\beta}||\le ||\bm{\alpha}||+||\bm{\beta}|| ∣∣α+β∣∣∣∣α∣∣+∣∣β∣∣
  • ∣ ∣ α ⋅ β ∣ ∣ = ∣ ∣ α ∣ ∣ ⋅ ∣ ∣ β ∣ ∣ ||\bm{\alpha}\cdot \bm{\beta}||=||\bm{\alpha}||\cdot ||\bm{\beta}|| ∣∣αβ∣∣=∣∣α∣∣∣∣β∣∣

向量的叉乘(外积)

向量的叉乘(外积),也叫向量积。结果是一个和已有两个向量都垂直的向量(法向量)。

  • 在平面中,向量的叉乘的模长为 ∣ ∣ α × β ∣ ∣ = ∣ ∣ α ∣ ∣ ∙ ∣ ∣ β ∣ ∣ ∙ s i n θ ||\bm{\alpha}\times \bm{\beta}||=||\bm{\alpha}||\bullet ||\bm{\beta}||\bullet sin\theta ∣∣α×β∣∣=∣∣α∣∣∣∣β∣∣sinθ,其中 s i n θ sin\theta sinθ是向量 α \bm{\alpha} α与向量 β \bm{\beta} β的夹角的正弦值
  • 在三维空间中(假设 n = 3 n=3 n=3),向量的叉乘是指一个与这两个向量都垂直的向量,即:
    α × β = ∣ i j k a 1 a 2 a 3 b 1 b 2 b 3 ∣ \bm{\alpha}\times \bm{\beta}=\begin{vmatrix} i& j& k\\ a_{1}&a_{2} &a_{3} \\ b_{1}& b_{2} &b_{3} \end{vmatrix} α×β= ia1b1ja2b2ka3b3
    【注】这是一个行列式,行列式的计算方法参考:第一章----行列式知识点汇总

向量的点乘(内积)

向量 α \bm{\alpha} α与向量 β \bm{\beta} β的点乘结果为:
α ⋅ β = α β T = a 1 b 1 + a 2 b 2 + . . . + a n b n \bm{\alpha}\cdot \bm{\beta}=\bm{\alpha} \bm{\beta}^{T}=a_{1}b_{1}+a_{2}b_{2}+...+a_{n}b_{n} αβ=αβT=a1b1+a2b2+...+anbn

向量正交

两个向量正交说明两个向量相互垂直,即下图:

当两个向量的点乘结果为0时,两个向量正交,即当 α ⋅ β = α β T = a 1 b 1 + a 2 b 2 + . . . + a n b n = 0 \bm{\alpha}\cdot \bm{\beta}=\bm{\alpha} \bm{\beta}^{T}=a_{1}b_{1}+a_{2}b_{2}+...+a_{n}b_{n}=0 αβ=αβT=a1b1+a2b2+...+anbn=0时,向量 α \bm{\alpha} α与向量 β \bm{\beta} β正交。

矩阵

矩阵的定义

  • s ⋅ m s\cdot m sm个数排成 s s s行、 m m m列的一张表称为一个 s × m s\times m s×m矩阵,其中的每一个数称为这个矩阵的一个元素,第 i i i行与第 j j j列交叉位置的元素称为矩阵 ( i , j ) (i,j) (i,j)元。
  • 矩阵通常用大写英文字母 A , B , C , . . . \bm{A},\bm{B},\bm{C},... A,B,C,...表示,一个 s × m s\times m s×m矩阵可以简记为 A s × m \bm{A}_{s\times m} As×m,它的 ( i , j ) (i,j) (i,j)元记作 A ( i ; j ) \bm{A}(i;j) A(i;j)。如果矩阵 A \bm{A} A ( i , j ) (i,j) (i,j)元是 a i j a_{ij} aij,那么可以记作 A = ( a i j ) \bm{A}=(a_{ij}) A=(aij)
  • 元素全为0的矩阵称为零矩阵,简记为 0 \bm{0} 0 s s s m m m列的零矩阵可以记成 0 s × m \bm{0}_{s\times m} 0s×m
  • 如果一个矩阵 A \bm{A} A的行数与列数相等,则称它为方阵 m m m m m m列的方阵也称为 m m m级矩阵 m m m阶方阵
  • 对于两个矩阵 A \bm{A} A B \bm{B} B,如果它们的行数相等,列数相等,并且 A ( i ; j ) = B ( i ; j ) , i = 1 , 2 , 3... , j = 1 , 2 , 3 , . . . \bm{A}(i;j)=\bm{B}(i;j),i=1,2,3...,j=1,2,3,... A(i;j)=B(i;j),i=1,2,3...,j=1,2,3,...,那么称矩阵 A \bm{A} A B \bm{B} B相等,记作 A = B \bm{A}=\bm{B} A=B
  • 举一个三阶矩阵的例子:
    A = ( 1 1 1 1 1 1 1 1 1 ) \bm{A}=\begin{pmatrix} 1& 1 &1 \\ 1& 1&1 \\ 1 &1 &1 \end{pmatrix} A= 111111111

矩阵的运算规律

假设有矩阵 A B , C \bm{A}\bm{B},\bm{C} AB,C

加法

C = A + B \bm{C}=\bm{A}+\bm{B} C=A+B,其中, c i j = a i j + b i j c_{ij}=a_{ij}+b_{ij} cij=aij+bij,即对应元素相加

数乘

C = α ⋅ B \bm{C}=\alpha\cdot \bm{B} C=αB,其中, c i j = α b i j c_{ij}=\alpha b_{ij} cij=αbij,即对应元素乘相应的常数

取函数

C = s i n A \bm{C}=sin\bm{A} C=sinA,其中 c i j = s i n ( a i j ) c_{ij}=sin(a_{ij}) cij=sin(aij),对应元素取函数

矩阵与向量的乘法

据说是一种空间扭曲,可惜考研数学没接触,以后慢慢看高等代数、解析几何把这里补上






【注】正交矩阵的所有的行向量都是相互正交的,并且正交矩阵和其转置矩阵的乘积是一个对角线为1的单位矩阵,即 U U T = U E \mathbf{U}\mathbf{U^{T}}=\mathbf{U^{E}} UUT=UE

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/141784.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于微信小程序的校园失物招领系统设计与实现(源码+lw+部署文档+讲解等)

前言 💗博主介绍:✌全网粉丝10W,CSDN特邀作者、博客专家、CSDN新星计划导师、全栈领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java、小程序技术领域和毕业项目实战✌💗 👇🏻…

Qt创建线程(使用moveToThread方法创建子线程)

1.moveTothread方法: (1)要使用moveToThread方法必须继承与QObject类 (2)创建任务对象时不能指定父对象 例子: MyWork* work new MyWork(this); // error MyWork* work new MyWork; // ok (3&#…

北工大汇编题——分支程序设计

题目要求 信息检素程序设计:在数据区,有9个不同的信息,编号 0-8,每个信息包括20 个字符。从键盘接收 0-8 之间的一个编号,然后再屏幕上显示出相应编号的信息内容,按“q”键退出 完整代码 DATAS SEGMENTn0…

搭建SpringBoot项目三种方式(超详细版)

目录 一、官网下载压缩包解压 二、通过Idea脚手架搭建 三、Spring Boot项目结构 3.1 pom.xml文件 3.2 启动类 3.3 配置文件 四、通过创建Maven项目添加依赖 一、官网下载压缩包解压 接下来我们搭建一个SpringBoot项目,并引入SpringMVC的功能,首先…

自学WEB服务器搭建01-安装Express+Node.js框架完成Hello World!

一、前言,网站开发扫盲知识 1.网站搭建开发包括什么? 前端、后端(服务端)数据库 前端开发主要涉及用户界面(UI)和用户体验(UX),负责实现网站的外观和交互逻辑。前端开发…

多线程进阶:常见的锁策略、CAS

之前我们所了解的属于多线程的初阶内容。今天开始,我们进入多线程进阶的学习。 锁的策略 乐观锁 悲观锁 这不是两把具体的锁,应该叫做“两类锁” 乐观锁:预测锁竞争不是很激烈(这里做的工作可能就会少一些) 悲观锁…

3.6+铁死亡+WGCNA+机器学习

今天给同学们分享一篇3.6铁死亡WGCNA机器学习的生信文章“Identification of ferroptosis related biomarkers and immune infiltration in Parkinsons disease by integrated bioinformatic analysis”,这篇文章于2023年3月14日发表在BMC Med Genomics期刊上&#…

Mac电脑信息大纲记录软件 OmniOutliner 5 Pro for Mac中文

OmniOutliner 5 Pro是一款专业级的Mac大纲制作工具,它可以帮助用户更好地组织和管理信息,以及制作精美的大纲。以下是OmniOutliner 5 Pro的主要功能和特点: 强大的大纲组织和管理功能。OmniOutliner 5 Pro为用户提供了多层次的大纲结构&…

【QT】QT事件Event大全

很高兴在雪易的CSDN遇见你 ,给你糖糖 欢迎大家加入雪易社区-CSDN社区云 前言 本文分享QT中的事件Event技术,主要从QT事件流程和常用QT事件方法等方面展开,希望对各位小伙伴有所帮助! 感谢各位小伙伴的点赞关注,小易…

virtualbox安装linux虚拟机访问互联网(外网)的方法

virtualbox安装linux虚拟机访问互联网(外网)的方法 设置方法效果图 设置方法 效果图

Linux系统编程-文件

目录 1、系统编程介绍以及文件基本操作文件编程系统调用文件基本读写练习 2、文件描述符以及大文件拷贝文件描述符大文件拷贝对比试验 3、文件实战练习 1、系统编程介绍以及文件基本操作 系统编程是基于Linux封装好的一些函数,进行开发。 Linux文件信息属性在indo…

用AI解决量子学问题

3 人工智能用于量子力学 在这一部分中,我们提供了有关如何设计高级深度学习方法以有效学习神经波函数的技术评述。在第3.1节中,我们概述了一般情况下定义和解决量子多体问题的方法。在第3.2节中,我们介绍了学习量子自旋系统基态的方法。在第…

微信收款码费率0.38太坑了

作为一个有多年运营经验的商家,我本人在申请收款功能时曾经走过了不少弯路。我找遍了市面上的知名的支付公司,但了解到的收款手续费率通常都在0.6左右,最低也只能降到0.38。这个过程吃过不少苦头。毕竟,收款功能是我们商家的命脉&…

Java笔记三

包机制: 为了更好地组织类,Java提供了包机制,用于区别类名的命名空间。 包语句的语法格式为:pack pkg1[. pkg2[. pkg3...]]; 般利用公司域名倒置作为包名;如com.baidu.com,如图 导包: 为了能够…

Python学习 day01(注意事项)

注释 print语句 变量 数据类型的转换 运算符 / 的结果为浮点数。若// 的两边有一个为浮点数,则结果为浮点数,否则为整数。 字符串 7. 精度控制 8. input()

五、点击切换、滚动切换、键盘切换

简介 通过事件改变当前展示的信息组件,交互的事件有点击上下切换、鼠标轮动上下切换、键盘上下键切换。欢迎访问个人的简历网站预览效果 本章涉及修改与新增的文件:App.vue、public 一、鼠标点击上下箭头切换 <template><div class="app-background"…

python学习--类的浅拷贝与深拷贝

变量的赋值操作 只是形成两个变量&#xff0c;实际上还是指向同一个对象 浅拷贝 Python拷贝一般都是浅拷贝&#xff0c;拷贝时&#xff0c;对象包含的子对象内容不拷贝&#xff0c;因此&#xff0c;源对象与拷贝对象会引用同一个子对象 深拷贝 使用copy模块的deepcopy函数…

古彝文识别:文化遗产的数字化之旅

目录 &#x1f345;前言&#x1f353;古彝文介绍&#x1f353;古彝文识别的重难点&#x1f352;原籍难以获取&#xff0c;传统翻译过程繁琐&#xff0c;周期长。&#x1f352;版式多样&#xff0c;笔画相近。&#x1f352;图像质量差&#xff0c;手写识别难。&#x1f352;古彜…

成为威胁:网络安全中的动手威胁模拟案例

不断变化的网络威胁形势要求组织为其网络安全团队配备必要的技能来检测、响应和防御恶意攻击。然而&#xff0c;在研究中发现并继续探索的最令人惊讶的事情是&#xff0c;欺骗当前的网络安全防御是多么容易。 防病毒程序建立在庞大的签名数据库之上&#xff0c;只需更改程序内…

Vue组件库Element

目录 Vue组件库ElementElement简介Element快速入门环境配置Element常用组件Table表格Table表格演示Table表格属性详解 Pagination分页Pagination分页演示Pagination分页属性详解Pagination分页事件详解 Dialog对话框Dialog对话框组件演示Dialog对话框属性详解 Form表单Form表单…