- 博客(176)
- 收藏
- 关注
RSS订阅原创 实分析入门（12）--可测函数
文章摘要 本文介绍了实分析中可测函数与简单函数逼近的基本概念。从集合可测性过渡到函数可测性，定义了可测函数的核心特征：Borel集的逆像保持可测性。重点阐述了通过上水平集检验函数可测性的等价条件，并给出了详细证明过程。文章还比较了Lebesgue积分与Riemann积分的区别，解释了可测函数在积分理论中的重要性。最后将概念推广到一般可测空间之间的映射，并与拓扑学中的连续函数概念进行类比。这些内容为后续Lebesgue积分的定义奠定了理论基础。
2026-06-02 22:13:50
414
原创 实分析入门（11）--Cantor三分集
摘要： Cantor集是通过不断移除区间中间三分之一构造的经典集合，具有反直觉性质： 构造：逐步移除[0,1]区间中所有形如“中间三分之一”的开区间，剩余的交集即Cantor集。 性质： 闭集且紧致：作为闭集的无限交，且包含于[0,1]。 零测度：每一步剩余部分测度趋于0（$(2/3)^n \to 0$）。 不可数性：通过三进制展开（仅含0和2）与二进制对应，建立到[0,1]的单射，证明其基数与连续统相同。 反直觉结论：Cantor集展示了“长度为零但点数不可数”的现象，区分了测度与基数意义上的“大小”。
2026-06-01 15:46:28
337
原创 实分析入门（10）--Lebesgue-Stieltjes测度
本文摘要： 本文介绍了实分析中构造$\mathbb R$上Borel测度和Lebesgue-Stieltjes测度的方法。主要内容包括： 使用左开右闭区间定义半开区间代数$\mathcal A$，它生成的$\sigma$-代数恰好是Borel $\sigma$-代数$\mathcal B_{\mathbb R}$。 通过递增右连续函数$F$定义预测度$\mu_0$，其中$\mu_0((a,b])=F(b)-F(a)$。这种构造推广了传统长度概念，例如取$F(x)=x$时得到普通Lebesgue测度。 证明了
2026-06-01 13:31:10
418
原创 实分析入门（9）--外测度与测度的构造
摘要： 本文介绍了实分析中外测度与Lebesgue测度的构造方法。外测度是通过简单集合（如区间、矩形）覆盖复杂集合，取覆盖总代价的下确界来定义的。它满足空集为零、单调性和可数次可加性。Carathéodory可测性条件用于筛选表现良好的集合，满足该条件的集合构成σ-代数。Carathéodory定理证明，外测度限制在该σ-代数上就是一个完备测度，从而构造出Lebesgue测度。这一过程实现了从直观的"外部覆盖"思想到严格测度理论的转变。
2026-05-31 18:51:39
364
原创 实分析入门（8）--测度
这篇文章摘要如下： 本文系统介绍了测度论的基本概念和性质。首先从可测集和σ-代数的概念出发，正式定义了测度作为满足空集测度为零和可数可加性的函数。文章详细讨论了测度的关键性质，包括有限可加性、单调性和次可加性，并通过构造不相交集合的方法证明了这些性质。特别介绍了两种重要的测度类型：有限测度和σ-有限测度。文中给出了Dirac测度和Lebesgue测度两个典型例子，说明了测度概念的实际应用。最后阐述了Lebesgue测度的平移不变性这一核心特征，为后续测度论研究奠定了基础。全文逻辑严谨，通过数学证明和直观解释
2026-05-28 15:16:54
379
原创 实分析入门（7）--σ代数
本文从实分析中的测度理论出发，探讨了σ-代数的必要性及其构造方法。首先通过维塔利集的例子说明，若要在实数集上定义满足平移不变性、可数可加性且μ([0,1))=1的测度，则不能将2^ℝ作为定义域。为此引入σ-代数的概念——对可数并、补集封闭的集合族，并证明这是保证测度可数可加性的最小要求。进一步阐述了如何从基本可测集（如开集）生成最小σ-代数（如Borel σ-代数），从而构建合理的测度定义域。这种构造既保留了关键性质，又规避了不可测集的矛盾。
2026-05-25 23:13:10
359
原创 实分析入门（6）--可数？不可数？
在第 0 章里，我们终于从自然数一路构造到了实数，并且证明了实数最核心的完整性：最小上界性质。。比如区间01的长度应该是1，矩形的面积应该是长乘宽，球的体积应该符合我们几何课里熟悉的公式。可是如果给你一个非常奇怪的集合，比如你可能听过的 Cantor 集（在后面的blog里会详细说到，现在看个名字就行qwq），甚至更糟糕一点的不可测集合，我们还能不能给它一个“长度”呢？测度理论就是为了回答这个问题而出现的。它想做的事情很简单：把“长度、面积、体积”这些概念推广成一个统一的东西，叫做。
2026-05-18 17:43:15
415
原创 实分析入门（5）--确界
本文介绍了实分析中的最小上确界定理及其证明过程。首先定义了上界和最小上界的概念，并通过例子说明其性质。随后详细证明了最小上界存在定理，分为三个部分：1) 构造性证明存在特定上界；2) 证明相关序列为柯西列并收敛于同一极限；3) 验证该极限即为最小上界。最后应用该定理证明了√2的存在性，通过构造集合E={y∈R|y>0且y²<2}并证明其最小上界满足x²=2，展示了实数系的完备性。全文以严谨的数学推导展示了实数与有理数的关键区别。
2026-05-05 16:54:33
194
原创 实分析入门（4）--绝对值&实数
本文从有理数的局限性出发，探讨了实数概念的引入。通过证明√2不是有理数，揭示了有理数系存在"缝隙"。为了描述这些缝隙，文章首先定义了绝对值（|x|）和距离（d(x,y)=|x-y|），并验证了其基本性质，包括重要的三角不等式。基于距离概念，提出了ε-接近的定义，为后续极限理论奠定基础。文章还证明了一个关键结论：尽管√2不是有理数，但可以用有理数列无限逼近它（如1.4,1.41,...），这暗示了需要更完备的数系——实数系来填补有理数的"缝隙"。这些内容为实分析的学习建
2026-05-05 15:01:53
387
原创 实分析入门（3）-- 有理数&除法
本文系统介绍了有理数的构造与性质。首先通过定义形如a/b的表达式（b≠0）引入有理数，并规定相等条件ad=bc。随后定义了有理数的加法、乘法和负号运算，并验证了这些运算的良定性。文章指出有理数不仅满足交换环的所有代数性质，还因为每个非零元素都有倒数而构成域。在此基础上定义了除法运算，即乘以倒数。最后讨论了有理数的顺序关系，定义了正负有理数及大小比较，证明其满足三歧性、传递性等基本性质。通过这一系列构造，有理数系实现了四则运算封闭性和顺序关系的完备性。
2026-05-04 16:30:05
227
原创 实分析入门（2）-- 整数&减法
本文从自然数减法运算不封闭的问题出发，系统介绍了整数的构造过程。通过定义形如a-b的表达式作为整数，并规定其相等条件(a+d=b+c)，巧妙避免了循环论证。文章详细阐述了整数加法和乘法的良定义性证明，说明了自然数可嵌入整数集(n≡n-0)。在引入相反数定义后，建立了整数的三岐性定理，证明了整数构成交换环的代数性质。最后正式定义了减法运算(x-y:=x+(-y))，并讨论了整数的大小关系，展示了整数作为完备数系的优越性。全文严谨地构建了整数理论体系，为后续数学分析奠定基础。
2026-04-28 23:29:24
350
原创 实分析入门（1）--皮亚诺和自然数
摘要： 本文从皮亚诺公理出发，系统地介绍了自然数的构造过程。通过五条公理（后继运算、后继唯一性、0的存在性、0非后继、数学归纳法）定义了自然数集合。随后基于递归定义构造了加法运算，并详细证明了1+1=2等基本运算。最后运用数学归纳法证明了加法交换律，通过建立关键引理（0+m=m+0和m+(n++)=(m+n)++）完成了严格证明。全文展现了如何从最基础的公理出发，逐步构建自然数及其运算体系的过程。
2026-04-10 23:08:56
386
原创 关于反向传播
文章摘要：本文通俗地解释了神经网络中的反向传播算法。通过一个简单神经网络示例，作者展示了如何计算权重和偏置对成本函数的影响。核心思想是使用链式法则分步计算梯度，从输出层逐步回传到输入层。文章详细推导了各层参数的偏导数公式，并发现了一个可以递推计算的公共项δ，这正是反向传播高效计算梯度的关键。这种从后向前逐层计算误差贡献的方法，使得神经网络能够高效地调整参数以最小化误差。
2025-10-20 22:57:58
766
原创 数学分析--实数系的连续性
最大数：若∃ξ∈S，对于∀xinS， 有x≤ξ， 则ξ是S中的最大数，记为ξmaxS最小数：若∃η∈S，对于∀x∈S，有x≥η，则η是S中的最小数，记为ηminSS⊂RS非空，若S是有限集，则S必有最大数和最小数，若S是无限集，则不一定有最大数和最小数。
2025-08-31 15:13:04
987
3
原创 kaggle competition--房价预测（线性回归）
这里用linearregression的方式来搞一下预测房价问题，这是在kaggle的一个比赛 不限期 可以随时提交。
2024-09-15 15:01:56
1579
原创 机器学习--VGG
我们已经见过了LeNet和AlexNet，一个是3层，一个是7层，那么如果我们想实现一些更多层的神经网络要怎么办呢，还是手动开每一层吗？显然不能这么原始，所以我们想到了一件事：为社么不试试for循环呢qwq这就是vgg的本质了。
2024-09-14 20:08:20
1353
原创 机器学习--AlexNet
这个netnetnet其实就是比LeNetLeNetLeNet# 第一阶段# 第二阶段# 第三阶段# 第四阶段net.add(nn.Dropout(.5)) # 50% 的概率的丢掉 但期望不变# 第五阶段# 第六阶段net.add(nn.Dense(10)) # 真实的AlexNet是1000 但是我们这里还是用的mnist 所以就是10print(net)我们可以看看打印出来的netnetnet然后我把LeNetLeNetLe。
2024-09-14 16:14:43
1338
原创 机器学习--卷积神经网络（包括python实现）
首先我们要知道channel是什么意思，。我们来举个例子，在计算机视觉中，如果一张图片是黑白的，那么每个像素点都是有一个信息也就是这个像素点的灰度。但是对于一张彩色图片来说，每个像素点都是由三个信息叠加而成的，也就是RBG三个颜色的“灰度”。于是我们对黑白照片操作变成矩阵的时候，我们就会直接将灰度拿来用，把它变成一个二维的矩阵。而对于彩色照片来说，我们就会建立一个高为3的三维张量来存储这个图片。这里的所谓“高度3”就是我们的channel。
2024-09-13 17:02:14
1811
1
原创 python 实现的 softmax regression
很简单的模型，就只有一层DenselayerDense \;layerDenselayerdef accuracy(output, label): # 计算拟合的准确度return nd.mean(output.argmax(axis = 1) == label).asscalar() # argmax是把每一列的最大概率的index返回出来 然后和label比较是否相同 最后所有求个meanacc = 0.这里的softmaxcrosse。
2024-09-13 16:20:13
900
原创 python 实现的 linear regression
这里我们实现一个很简单的线性回归模型我们这里还没有数据，所以我们整一个人为设定的truewtrue\_wtruew和truebtrue\_btrueb来人为生成训练数据和测试数据。true_w = np.array([2, -3.4]) # 真实的 w 和 bx = np.random.normal(0, 1, (n, len(w))) # 正态分布 0~1 的 n*2 的矩阵。
2024-09-12 17:00:39
1214
原创 机器学习--K-Means
的话可能不会得到一个很好的分类方案，所以我们考虑每次随机初始化聚类中心，然后跑很多遍（取决于你的数据规模和时间）2. 分别遍历同一类的所有点，计算这些点的几何平均位置，并把聚类中心移动到这个位置。图画到这里我们就能明显的观察到两个聚类已经被划分好了。并标记这个点为距离更小的那一类。可能你也注意到了，我们如果只跑一遍。像前面介绍的线性回归、逻辑回归、看得出来，这就是要最小化所有点。最小的那个分类方案作为最后的答案。到两个聚类中心的距离。，对于每次计算出来的。
2024-09-12 12:14:46
1569
原创 机器学习--支持向量机（SVM）
SVMSVMSVM 用于解决的问题也是 classificationclassificationclassification，这里 y∈{−1,1}y \in \{-1, 1\}y∈{−1,1} 比如说这样一个需要分类的训练数据： 我们可以有很多直线来分开这两坨东西，就像这样： 我们看到这三条线 l1,l2l_1, l_2l1,l2 和 l3l_3l3，我们显然可以看出来 l1l_1l1 比 l2l_2l2 和 l3l_3l3 要更优秀，但是我们怎么定义这个所谓的 “优秀” 呢？ 我
2024-09-12 12:09:01
1030
原创 机器学习--神经网络
神经网络计算 神经网络非常简单，举个例子就理解了（最后一层的那个写错了，应该是 a1(3)a^{(3)}_1a1(3)）： notationnotationnotation： aj(i)a^{(i)}_jaj(i) 表示第 iii 层的第 jjj 个单元。w(j)w^{(j)}w(j) 表示权重矩阵，控制从 jjj 层到 j+1j + 1j+1 层的映射。 其中：a1(2)=g(w10(1)x0+w11(1)x1+w12(1)x2+w13(1)x3)a2(2)=g(w20(1)x0+w
2024-09-12 12:07:50
1539
6
原创 机器学习--逻辑回归
是表示我们拟合出来的那条直线（二维的情况下，一下解释也是二维的情况下，高维就类比就行了）。而并且上过高中的都知道，同样的，我们考虑和线性回归一样构造一个表示差异程度的函数，然后用。这条直线将平面分成了两部分，一部分中的点是。表示的是这条直线上方的半平面部分，而。表示的是这条直线下方的半平面部分。的），而在逻辑回归中，我们希望。我们可以看到，这个函数过点。在逻辑回归中，我们只讨论。如果我们考虑将概率超过。在线性回归中，我们有。的一类，并把概率小于。
2024-09-12 12:00:33
1316
原创 机器学习--线性回归
的算法来执行第二部，感性的理解就是在某一点找到 “下山” 的方向，并沿着这个方向走一步，并且重复这个动作知道走到 “山脚下”。在我们要解决的线性回归问题中，我们不仅不能使用上述已知的表达式解，我们还可以将维度升高。求导，得到了蓝色的切线的斜率，这个斜率显然是个正数，于是我们沿着负方向走一步，这一步的大小取决于。我们在高中的时候都学过线性回归，在这我们回顾一下。的差异程度，上述表达式很好的符合这个定义。在高中的课程中，我们会被给得到一组。这里，这个红色的曲线就是我们的。并且显然的，我们希望这个。
2024-09-12 11:57:03
865
原创 关于 1 + 1 = 2 的证明
∀xx0x∀xx0x∀xyxSySxy∀xyxSySxy∀xx⋅00∀xx⋅00∀xyx⋅Syx⋅yx∀xyx⋅Syx⋅yx上面这些定义都非常显而易见，很显然这些定义满足我们对自然数的认知。证明过程非常简单：首先我们把式子列出来111 + 111然后我们知道S01S(0) = 1S01111S0111S0又因为∀xyxSySxy。
2023-08-05 23:21:27
3785
原创 CSP2022
是同一个点，这样就与题目意思不符了，所以我们还需要高出次大的点，记为。这俩玩意儿是不是长得一模一样，所以我们考虑对于每一个点。但是这样做会有一个问题，可能发现我们求到的。但是这样还是有一个问题，我们发现你有可能。这样就又不行了，所以我们需要再弄出第三大值。，这样就一定是正确的了，具体的操作可以看代码。然后如果考虑暴力，那么就可以直接枚举。），就可以暴力统计答案了，但是这样复杂度。，所以我们可以直接对于每一个点。取到最大值，这里记录这样的。这两个点，因为我们发现。，然后直接然后直接用。
2022-11-06 11:12:36
874
原创 2022.10.3 模拟赛
还是那个老 tricktricktrick 每个数取 log\loglog 乘法变加法，虽然最后还是要打一个高精。59 pts 直接暴力就是 O(n4)O(n^4)O(n4) ，最后记一下位置然后输出就完了：100 pts O(n4)O(n^4)O(n4) 的复杂度还是太高了，所以我们考虑能不能优化掉一维之类的。 首先我们更换枚举方式，先枚举矩形的上界和下界 a,ba, ba,b，再枚举左界 ccc，注意左界是从 mmm 到 111 反着枚举的。考虑能不能 O(1)O(1)O(1) 找到
2022-10-06 21:06:58
499
原创 2022.10.2好题选讲(构造专题)
于是若最大的数不在偶数位上，将其左/右移一位。所以如果这个序列长度是偶数并且最后能弄成全都是一样的的话那么这个序列的异或和必定是。也能保证偶数位的数是大于两边的数的，因为每个偶数位放的都是当前区间最大的数。个数我们就可以按照奇数的方法构造，至于最后一个数，因为满足异或和为。所以最后一个数必定和前面弄出来的所有数相等，那就可以不用管它了。仍然可以分奇偶讨论，如果数列长度是奇数的时候，就可以。的数列使得奇数项的异或和等于偶数项的异或和。显然这是不可能的，所以就这样构造就好了。之后对整个数组的异或和的贡献就是。
2022-10-02 20:00:33
757
原创 感性理解一下KMP
又因为红色部分是相同的，所以四个蓝色的部分都是相同的，然后就继续向后扩展，不能扩展之后就继续跳。个字符中真前缀和真后缀的最大相等的长度。，那么继续往后扫，知道不相等为止就是。然后我们在匹配的时候如果在。然后就又可以继续向下匹配了。如果不等，那么就继续跳前面。首先，对于模式串求出一个。这个位置适配了（也就是。
2022-10-02 08:45:15
504
原创 2022.10.1模拟赛
FSYo Orz orz orz orz %%%%% 国庆节限定模拟赛 二维偏序升级版，不等式变形一下，分 444 种情况讨论：100pts O(n)O(n)O(n) 把式子化简一下 (ai−1)(aj−1)
2022-10-01 19:57:22
606
原创 关于信息熵的理解
显然，我们每次猜测的词语能给到我们的信息量是不一样的，现在我们需要找到一种方法来定量的求出猜测某一个单词反馈给我们的信息量，当然我们希望这个词的信息量越大越好。一个小游戏，你的目标是要猜中某一个五个字母组成的单词，你有六次机会来猜，每次猜完之后你会得到一些关于你的猜单词与正确单词的一些相关信息。的一个约束条件，目标单词肯定是符合这个约束条件的某一个。这样一来，我们就可以写一个程序暴力的求出所有的。显然，我们可以这样考虑，对于输入的某一个单词。那么回到我们之前的问题上来，我们要求的。
2022-09-14 19:09:07
769
原创 再写一遍的网络流
G=(V,E)∀(x,y)∈Ec(x,y)(x,y)∈/Ec(x,y)=0SS∈VTT∈Vf(x,y)(x∈V,y∈V)f(x,y)≤f(x,y)=∀x=S,x=T,(u,x)∈E∑f(u,x)=c(x,y)−f(y,x)(x,v)∈E∑f(x,v)容量限制。
2022-09-02 11:28:42
342
原创 fhqTreap
fhqTreapsplayfhqTreap作为一种平衡树，她有很多优势，最重要的就是她好理解，码量小，而且实测下来还比splay快，最重要的是她不用旋转！！！所以我们来学fhqTreap吧qwq。
2022-08-31 15:34:37
402
原创 模拟退火补完计划
在上一篇写的模拟退火中我比较详细的写出了模拟退火的物理原理根据和主要的实现流程，但是没有具体的例子，所以在这里我们就用一道比较简单的题来简单的实现以下模拟退火的代码吧。
2022-08-29 13:51:04
265
1
原创 2022.8.17好题选讲
并且势能这个东西还有另一个重要的性质，也就是一个系统的势能是其中所有物品的势能之和。这也就是一个数列的二阶线性递推问题了，这个上过高中的同学也应该都会做吧qwq，所以我们就能很容易的得到在职考虑。势能是什么，只要是上过高中的同学都应该知道（应该上过初中的也知道），并且势能有一个和这道题的魔法值非常接近的性质，也就是。，这样一来，每一个星星就对应了一个矩形，这个矩形表示右上角在其中时会使得窗口能观测到这个星星。，在这个基础上，不妨设圈住星星的矩形的顶点坐标都是整数，于是左下角的坐标就可以看成。
2022-08-19 14:43:27
260
原创 2022.8.16 模拟赛
的，所以我们考虑每次只找到一个点然后一这个点为界拆分成两个区间，然后递归处理，这样不会影响正确性但是由于随便找一个点的位置是不均等的，所以时间会可能被卡成。我们发现，在暴力算法中我们在维护的一个东西就很想某一个算法的板子，没错，就是莫队。是单调不增的，也就是说大区间的约束没有小区间的严格，所以我们考虑从大区间加一些限制转到小区间。这样一来，总体的时间复杂度就和启发式合并是相同的了，那么这道题就愉快的切掉了。的小区间都是不合法的，所以我们考虑找出大区间中所有这样的。究极大水题，一眼背包板子，然后就做完了。..
2022-08-16 16:15:29
257
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人