·一、实验目的 实验目的：练习多维数组的用法 ·二、实验原理 鞍点（Saddle point）在微分方程中，沿着某一方向是稳定的，另一条方向是不稳定的奇点，叫做鞍点。在泛函中，既不是极大值点也不是极小值点的临界点，叫做鞍点。在矩阵中，一个数在所在行中是最大值，在所在列中是最小值，则被称为鞍点。在物理 ...
分类：
其他好文 时间：
2021-06-02 20:46:53
阅读次数：
0
1.防止控制台退出，除使用断点以外，可用 system("pause"); 2.浮点数都是近似存储，一般不判断是否相等，而是计算差值是否小于一极小值。 3.cout 打印转义字符需要再加一个反斜杠。 4.char类型只能存一个字符 5.bool类型函数返回时，true 与false的情况都要说明。r ...
分类：
编程语言 时间：
2020-07-06 14:40:55
阅读次数：
60
#include <stdio.h> #define F(x) (3*x*x-8*x+9) double fun1(double x); void goAndBackSectionPrint(double x1, double h, double (*f)(double)); int main(vo ...
分类：
编程语言 时间：
2020-05-26 15:11:24
阅读次数：
128
#include <stdio.h> #include <math.h> #define F(x) (3*x*x*x-4*x+2) double fun1(double x); void goAndBackSectionPrint(double x1, double h, double (*f)(d ...
分类：
编程语言 时间：
2020-05-26 15:04:14
阅读次数：
117
"Line belt" 思路 我们假定在$A, B$上选取点$E$，在$C, D$上选取点$F$，我们的移动路径是$A E F D$。 当我们确定$E$点时，不难发现$dis(E F + F D)$是一个凹函数，具有极小值。 当我们确定$F$点时不难发现$dis(A E + E F)$也是一个凹函数 ...
分类：
其他好文 时间：
2020-05-21 11:49:06
阅读次数：
38
蛇形矩阵 题目链接： https://www.acwing.com/activity/content/problem/content/1898/1/ 思路 设计一个偏移量，4个方向，走不通了就改变方向 实现 链表的归并排序 迭代 递归 寻找矩阵的极小值 题目链接：https://www.acwing ...
分类：
编程语言 时间：
2020-05-07 15:13:20
阅读次数：
82
其实就是普通的插排，没想到中间还是因为尾节点的next指针没处理导致死循环，题目直接看链接，这里只是记录一下思路和代码。 解题思路： 需要注意的点： 1、增加一个极小值的头节点方便后面代码的撰写。 2、记录尾节点进行判断，减少总体循环的次数。 3、记得取出要判断的点时，尾节点的next要指向next ...
分类：
编程语言 时间：
2020-04-22 13:18:25
阅读次数：
66
1. SGD的不足： ①呈“之”字型，迂回前进，损失函数值在一些维度的改变得快（更新速度快），在一些维度改变得慢（速度慢）- 在高维空间更加普遍 ②容易陷入局部极小值和鞍点： 局部最小值： 鞍点： ③对于凸优化而言，SGD不会收敛，只会在最优点附近跳来跳去 - 可以通过使用不固定的learning ...
分类：
其他好文 时间：
2020-02-05 09:42:37
阅读次数：
90
一、牛顿方法： 基本思想是利用迭代点$x_k$处的一阶导数(梯度)和二阶导数(Hessen矩阵)对目标函数进行二次函数近似，然后把二次模型的极小点作为新的迭代点，并不断重复这一过程，直至求得满足精度的近似极小值。 对于f(x)=0,求解x; 初始化$\theta$ ,然后一直迭代：$\theta^{ ...
分类：
其他好文 时间：
2020-01-30 23:00:59
阅读次数：
88
梯度下降法 梯度下降法（英语：Gradient descent）是一个一阶最优化算法，通常也称为最速下降法。 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点；这 ...
分类：
其他好文 时间：
2020-01-24 17:28:40
阅读次数：
113
