希腊字母、拉丁字母表

2024-03-24

希腊字母、拉丁字母、Markdown、拼写与读音中英对照表

大写	小写	中文名	英文	英语音标注音	大写Markdown	小写Markdown	意义
$\Alpha$	$\alpha$	阿尔法	Alpha	/'ælfə/	\Alpha	\alpha	角度、系数、角加速度、第一个、电离度、转化率
$\Beta$	$\beta$	贝塔/毕塔	Beta	/'bi:tə/ 或 /'beɪtə/	\Beta	\beta	磁通系数、角度、系数
$\Gamma$	$\gamma$	伽玛/甘玛	Gamma	/'gæmə/	\Gamma	\gamma	电导系数（小写）、角度、比热容比
$\Delta$	$\delta$	德尔塔/岱欧塔	Delta	/'deltə/	\Delta	\delta	变化量、焓变、熵变、屈光度、变动、方程判别式（大写）、允许误差（小写，统计学）
$\Epsilon$	$\epsilon$ 　 $\varepsilon$	伊普西隆/埃普斯棱	Epsilon	/'epsɪlɒn/	\Epsilon	\epsilon　\varepsilon	对数之基数、介电常数
$\Zeta$	$\zeta$	泽塔/Z塔	Zeta	/'zi:tə/	\Zeta	\zeta	系数、方位角、阻抗、相对粘度、原子序数
$\Eta$	$\eta$	伊塔/诶塔	Eta	/'i:tə/	\Eta	\eta	迟滞系数；机械效率（小写）
$\Theta$	$\theta$	西塔\非塔	Theta	/'θi:tə/	\Theta	\theta	温度、相位角
$\Iota$	$\iota$	约塔\埃欧塔	Iota	/aɪ'əʊtə/	\Iota	\iota	微小、一点儿
$\Kappa$	$\kappa$	卡帕\堪帕	Kappa	/'kæpə/	\Kappa	\kappa	介质常数、绝热指数
$\Lambda$	$\lambda$	兰姆达\拉姆达	Lambda	/'læmdə/	\Lambda	\lambda	波长（小写）、体积、导热系数
$\Mu$	$\mu$	米欧/谬/穆	Mu	/mju:/	\Mu	\mu	磁导系数、微（百万分之一）、动摩擦系（因）数、流体动力黏度、货币单位、放大因数（小写）、正态分布中的位置参数（小写）
$\Nu$	$\nu$	拗/奴/纽	Nu	/nju:/	\Nu	\nu	磁阻系数、流体运动粘度、光波频率、化学计量数
$\Xi$	$\xi$	克西/可西/赛	Xi	希腊 /ksi/　英美 /ˈzaɪ/ 或 /ˈsaɪ/	\Xi	\xi	随机变量、（小）区间内的一个未知特定值
$\Omicron$	$\omicron$	欧米克隆/欧 (阿~) 米可荣	Omicron	/əuˈmaikrən/ 或 /ˈɑmɪˌkrɑn/	\Omicron	\omicron	高阶无穷小函数
$\Pi$	$\pi$	派	Pi	/paɪ/	\Pi	\pi	圆周率=圆周÷直径=3.1416、π(n)表示不大于n的质数个数
$\Rho$	$\rho$	柔/若	Rho	/rəʊ/	\Rho	\rho	密度;电阻系数（小写）、柱坐标和极坐标中的极径
$\Sigma$	$\sigma$	西格玛	Sigma	/'sɪɡmə/	\Sigma	\sigma	总和（大写），表面密度、跨导（小写）、正应力
$\Tau$	$\tau$	陶/套/驼	Tau	/tɔ:/ 或 /taʊ/	\Tau	\tau	时间常数、切应力、2π（两倍圆周率）
$\Upsilon$	$\upsilon$	玉普西隆/宇 (阿~) 普西龙	Upsilon	/ˈipsɪlon/ 或 /ˈʌpsɪlɒn/	\Upsilon	\upsilon	位移
$\Phi$	$\phi$ $\varphi$	斐/弗爱/弗忆	Phi	/faɪ/	\Phi	\phi　\varphi	磁通量、角、透镜焦度、热流量、电势、空集（大写）
$\Chi$	$\chi$	凯/柯义	Chi	/kaɪ/	\Chi	\chi	统计学中有卡方( $\Chi^2$ )分布
Ψ	$\psi$	赛/普赛/普西	Psi	/psaɪ/	\Psi	\psi	角速；介质电通量（静电力线）；角；波（ $\psi$ ）函数
Ω	$\omega$	奥米伽/欧米伽/欧枚嘎	Omega	/'əʊmɪɡə/ 或 /oʊ'meɡə/	\Omega	\omega	欧姆、电阻（大写）、角速度（小写）、交流电的电角度、化学中的质量分数、角

文章页 >>

Generative Adversarial Networks

2024-03-11

Generative Adversarial Networks(GAN神经网络)

[TOC]

摘要

本文提出了一个新的基于对抗的网络框架，主要包含两个模型。一个是生成模型G，用于获取整个数据分布；另一个是判别模型D，用于判别数据是来自真实数据还是生成数据。生成模型尽可能让判别模型犯错。判别模型试图找到一个函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。

介绍

GAN网络由两个模型组成：生成模型G和判别模型D。生成模型G的目标是生成尽可能接近真实数据的数据，判别模型D的目标是判别数据是来自真实数据还是生成数据。

生成模型G通过一个随机过程生成数据，判别模型D试图判别数据是否来自真实数据。判别模型D有一个输出值，表示数据来自真实数据的概率。判别模型D有一个目标函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。

生成模型G有一个目标函数，使得判别模型在生成模型的数据上得分较低，在真实的数据上得分较高。

生成模型G和判别模型D交替更新，生成模型G的目标函数和判别模型D的目标函数相互对抗。

方法

GAN网络可以应用在图像生成、语音生成等领域。

参考资料

[1] Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bharath Ramsundar, Tomaso Poggio. Generative Adversarial Nets. 2014.

文章页 >>

SpringBoot

2023-08-23

官方文档：https://spring.io/projects/spring-boot#learn

其他笔记：

主要参考： Spring Boot 2 学习笔记（1 / 2）_KISS-CSDN博客

SpringBootWeb模块的默认规则研究_大恐龙的小弟的博客-CSDN博客

01、基础入门-Spring生态圈

Spring官网

Spring能做什么

Spring的生态

覆盖了：

web开发
数据访问
安全控制
分布式
消息服务
移动开发
批处理
…

查看全文 >>

文章页 >>

SpringMVC

2023-06-23

官方文档：https://docs.spring.io/spring-framework/docs/current/reference/html/web.html#spring-web

基于Spring实现的MVC轻量级Web框架

SSM: mybatis+Spring+SpringMVC

MVC三层架构

Java基础：认真学习，老师带，入门快

JavaSE
JavaWeb

框架：研究官方文档，锻炼官方文档，锻炼自学能力，锻炼笔记能力，锻炼项目能力

SpringMVC + Vue + SpringBoot + SpringCloud + Linux

SSM = JavaWeb项目

Sping: IOC和AOP

SpringMVC：SpringMVC的执行流程！

SpringMVC: SSM框架整合！

MVC：模型（dao, service）, 视图（jsp），控制器（Servlet）

查看全文 >>

文章页 >>

Mybatis

2023-06-07

环境：

JDK1.8
Mysql 5.7
maven 3.6.1
IDEA

回顾：

JDBC
Mysql
Java基础
Maven
Junit：单元测试

1. 简介

1.1 什么是Mybatis

MyBatis 是一款优秀的持久层框架，它支持自定义 SQL、存储过程以及高级映射。MyBatis 免除了几乎所有的 JDBC 代码以及设置参数和获取结果集的工作。MyBatis 可以通过简单的 XML 或注解来配置和映射原始类型、接口和 Java POJO（Plain Old Java Objects，普通老式 Java 对象）为数据库中的记录。

框架：配置文件最好直接看官网

MyBatis官方文档：https://mybatis.org/mybatis-3/zh/index.html

GitHub主页：https://github.com/mybatis/mybatis-3

Maven地址：https://mvnrepository.com/artifact/org.mybatis/mybatis

<!-- https://mvnrepository.com/artifact/org.mybatis/mybatis -->
<dependency>
    <groupId>org.mybatis</groupId>
    <artifactId>mybatis</artifactId>
    <version>3.5.6</version>
</dependency>

查看全文 >>

文章页 >>

Spring

2023-05-27

1. Spring

官网：https://spring.io/projects/spring-framework/

文档：https://docs.spring.io/spring-framework/docs/current/reference/html/index.html

三大核心：

控制反转（ioc）-----> Inversion of Control

依赖注入（di）---- >Dependency Injection

面向切面编程（AOP）---->Aspect Oriented Programming

查看全文 >>

文章页 >>

JAVA学习路线

2022-06-27

CodeSheep

参考视频：https://www.bilibili.com/video/BV1GQ4y1N7HD

编程基础（掌握）

JAVA语法

Java基础

JVM

类加载机制
字节码执行机制
JVM内存模型
GC垃圾回收
JVM性能监控与故障定位
JVM调优

多线程

并发编程的基础
线程池
锁
并发容器
原子类
JUC并发工具类

查看全文 >>

文章页 >>

Python入门

2021-08-05

1、环境配置

python作为脚本语言，只需要一个python解释器就可以直接编写代码和运行。但是为了方便我们通常会使用IDE(集成开发环境)或轻量级的文本编辑器进行开发。这里首先介绍使用最简单的python编辑器编写代码，以及使用VS Code、Jupyter开发。

查看全文 >>

文章页 >>

从零开始的深度学习

2021-07-28

从零开始的深度学习

主要内容：

安装NVIDIA GPU驱动
安装CUDA Toolkit
安装cuDNN
安装Conda(附带python)
安装PyTorch
安装TensorFlow

一、工具介绍

NVIDIA GPU驱动：nvidia-smi是nvidia 的系统管理接口，一般安装NVIDIA GPU驱动后即可使用。
CUDA Toolkit：CUDA（Compute Unified Device Architecture），是NVIDIA推出的运算平台，AMD也有类似的平台 ROCm，但并不成熟。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。
cuDNN：NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如Tensorflow、pytorch等。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。
Conda：Conda 是一个开源的软件包管理系统和环境管理系统，用于安装多个版本的软件包及其依赖关系，并在它们之间轻松切换。
- 简单来说就是可以创建多个虚拟环境，各个虚拟环境互不干扰，在每个环境中可以装一个版本的python，以及各种版本的软件包。
PyTorch：PyTorch是一个开源的Python机器学习库，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。
TensorFlow：TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。

总结：NVIDIA GPU驱动、CUDA Toolkit、cuDNN作用是使用NVIDIA进行GPU加速，如果只使用CPU或AMD显卡则不需要。Conda方便后面环境配置和软件管理。PyTorch和TensorFlow是两个不同的深度学习框架，PyTorch学术界使用较为广泛，方便简单，易于上手。TensorFlow工业界使用较为广泛，泛用性好，被更多框架和平台支持。

查看全文 >>

文章页 >>

Attention Is All You Need

2021-05-21

Transformer 注意力就是您所需要的

[TOC]

会议： NeurIPS 2017

论文地址：https://arxiv.org/abs/1706.03762

摘要

主流的序列转换模型多是基于复杂的循环或卷积神经网络，网络包括编码器和解码器。性能最好的模型还通过注意机制连接编码器和解码器。我们提出了一个新的简单且完全基于注意力机制的网络结构，Transformer，摒弃了循环和卷积。在两个机器翻译任务上的实验表明，这些模型具有更高的并行性，更少的训练时间。我们的模型在WMT 2014 Englishto-German 的翻译任务中达到28.4 BLEU，比现有的最佳结果（包括集成模型）提高了2 BLEU以上。在WMT 2014 English-to-French翻译任务中，我们的模型在8个GPU上训练3.5天后，达到了新的单模型BLEU 41.8的最新分数，这只相当于文献中最佳模型训练成本的一小部分。通过将Transformer成功地应用于大规模和有限训练数据下的英语选区分析，证明了Transformer具有良好的泛化能力。

查看全文 >>

文章页 >>