占的时间一味愚的博客

新的问题随之而来，”非常大“和"非常接近于0"这意味着什么呢？"非常大"和"非常接近于0"的概念是相对的，需要结合具体的函数和极限来理解。需要注意的是我们不把0看作是小的，它就是零。"非常接近于0"的概念也需要结合具体的函数和极限来理解。从图像中我们不难看出当x变得越大，函数的图像越接近于x轴也就是当。在微积分中我们通常称一个数是大的或小的。那什么是大的什么是小的？x$变得越来越大时的函数的行为。大的数都是“大”的。看作是一个非常大的负数。变得越小，函数的图像越接近于。这和非常大的情形是一样的。

上一节中我们提到的极限又称为双侧极限。这是因为这个极限是x从数轴的左右两侧趋向于点a时。那就让我们从左极限和右极限开始。垂直渐近线是函数图像在某一点的左侧或右侧无限接近但永不相交的直线。既然双侧极限，那么就有单侧极限：左极限、右极限。通常双侧极限在x=a处存在，仅当左极限和右极限在。它和右极限的情况恰好相反，当x从左侧趋向于0时，如果左右极限不相等或不存在则双侧极限不存在。看起来是非常大的，并且越靠近0，看起来是非常小的，并且越靠近0，表示该极限是一个左极限。表示该极限是一个右极限。其中至少有一个极限是。

在数学中，极限的定义是更为严格的。时，函数值越来越接近于4,但是永远不会是4。我们也可以找一些接近于2的值，如。是极限的符号，这个极限式子表示当。不严谨的来说，极限就是当。，如果对于任何给定的正数。的定义域做一点限制，让。从图中可以清楚的看到当。这是极限的ε-δ定义。不在函数的定义域内，

简单的来说，指数函数是指将一个实数作为底数提升为指数次方的幂。$$ 底数^{指数}$$例如：$2^{3}$是以2为底数3为指数的一个幂。$f(x)=2^x$则是以2为底的指数函数。为了使指数便于定义，规定其底数必须大于0，指数是任意实数。指数具有许多的法则和性质，可以帮助我们进行指数运算。对于任意底数$b>0$，和任意正数$x$和$y$:- $b^0=1$ 任意底数的零次幂都是1- $b^1=b$ 任意底数的1次幂都是它自身- $(b^x)^y=b^{xy}$ 当取幂的幂时，将其指数

在处理微积分问题时，我们不可避免的会遇到三角函数。学会三角函数对于微积分是非常重要的。

我们还有互补角公式。它们描述了在直角三角形中，一个角的正弦、正切和正割值与其互补角的余弦、余切和余割值之间的关系。还记得如何用直角三角形中描述三角函数吗？根据勾股定理（又称毕达哥拉斯定理）我们有。对于第二个公式，我们可以使用勾股定理将它表示为。最后还有加法公式和二倍角公式。让我们来回顾一下三角函数。

掌握三角函数的图像是非常有必要的。从上一节末尾我们可以直到三角函数是具有周期性的。这意味着它们的图像是从左到右的反复的重复自己。时考虑到它存在垂直渐近线（无定义的点），所以最好是先画出。再“复制粘贴”就可以得到它的图像。我们可以通过重复这个模式对图像进行扩展。的图像，画出它的图像很简单。不同，它的定义域不是全体实数。大家有没有从图中看出一个关键信息呢？关于原点对称，所以它是奇函数。是一个关于y轴对称的偶函数。为最小正周期的周期函数。你应该记住这个图像。的周期函数,它的周期为。

分别称为第一象限、第二象限、第三象限、第四象限。我们可以看到象限标记的走向是逆时针。大家可能已经注意到了坐标轴上的数字了。它们表示的是标记表示的从原点出发射线与x正半轴的夹角的弧度。或者说是从原点出发射线在x轴正半轴逆时针转动的弧度。在上一节中，讨论了如何在直角三角形中定义三角函数，限制让我们扩展三角函数的定义域。事实上我们可以取任意角的正弦和余弦，而不只是局限于。当然需要注意的是，正切函数对不是对任意角都成立。我们需要从坐标平面中来定义三角函数。这里要注意，这里是将射线标记为θ，而不是角本身。

第一章函数1.1 函数的定义简单来说，函数就是一种规则，它将一个值作为输入映射到另一个值作为输出。如f(x)=5xf(x)=5xf(x)=5x。其中f称为函数，5x5x5x 是将输入xxx映射到输出的规则，f(x)f(x)f(x)称为函数值或输出，xxx称为输入。这个函数就是接受x作为输入，将x乘以5作为值输出。输入x来自于称为定义域的集合注。输出来自称为值域的集合。让我们看更多函数的例子：令f(x)=5x3f(x)=5x^3f(x)=5x3,大家可以尝试自己划分这个函数中的各个部分。如果没有明

在处理微积分问题时，我们不可避免的会遇到三角函数。学会三角函数对于微积分是非常重要的。

一个函数可能是奇的，可能是偶的，也可能是非奇非偶的，大多数函数是非奇非偶的。只有一个函数是即奇又偶的，他就是对所有x成立的。这很容易可以从图像中看出。,我们怎么判断它的奇偶性呢？我们很容易看出它是偶函数，因为它关于y轴对称。同样的，一个函数关于直线原点对称，那么意味着。现在，让我们从代数角度来了解函数的奇偶性。如果都不是则是非奇非偶的。我们说一个函数关于y轴对称，那么这意味着。因为它关于原点对称，所以它是奇函数。大家可以尝试自己取证明它们。然后进行化简，如果得到。除此之外，我们还有，则说明是偶函数，得到。

在之前的1.1节中，我们说过函数要求定义域中的每一个输入必须有唯一确定的输出与之对应。最简单的方法是通过函数的图像。反函数的要求是在值域中的任意y值都在定义域中有唯一确定的x值，满足。反函数顾名思义就是将原函数的输出逆反回原函数输入的函数。反函数的输入是原函数的输出，反函数的输出就是原函数的输入。函数的复合是将一个函数的输出作为另一个函数的输入。因为我们可以将它分为按顺序执行的两个独立的计算。因此，我们不能说一个乘法操作是由两个函数复合得到的。函数的复合是指将一个函数的输出作为另一个函数的输入。

在这里我将为大家讲解微积分的内容，我会从最基础的内容开始讲解。微分学主要研究的是函数的瞬时变化率。瞬时变化率指的是当自变量x加上极小的值的时，函数值y的变化与x的变化的比值。微积分主要研究的是函数的性质，所以函数对于微积分来说是非常重要的。因为在函数的自变量一个极小的变化中，它的函数值的变化也是极小的。学习微积分那么就需要知道什么是微积分，我带大家从一定高度俯瞰微积分是什么。积分学则主要研究的是函数在一段区间上的累积变化，例如求解面积、体积等问题。我也会在后续出一些微积分的题，让大家可以进行巩固和提高。

第一题： 对于对数函数fxlog22x−5fxlog2​2x−5，我们需要注意的是对数函数的定义域是其内部表达式大于0的x的集合。解这个不等式，我们得到x52x25​。因此，函数fxlog22x−5fxlog2​2x−5的定义域为x∈52∞x∈25​∞。第二题对于函数fx55−xfx5−x5​。

简单来说，函数就是一种规则，它将一个值作为输入映射到另一个值作为输出。如fx5xf(x)=5xfx5x。其中f称为函数，5x5x5x是将输入xxx映射到输出的规则，fxf(x)fx称为函数值或输出，xxx称为输入。这个函数就是接受x作为输入，将x乘以5作为值输出。输入x来自于称为定义域的集合（顾名思义，它是一组明确的对象）。输出来自称为值域的集合。令fx5x3f(x)=5x^3fx5x3,大家可以尝试自己划分这个函数中的各个部分。

为方便大家阅读，这里推出一个线性代数的合集。这与之前的内容是一致的。我们在深度学习-简介和 深度学习-历史背景中已经初步了解的深度学习。在我们开始学习深度学习前还需要做些准备工作。就是学习应用数学和机器学习基础。 想要理解深度学习这些是必不可少的。我将在这篇文章中为大家介绍一部分与深度学习有关的线性代数。我们先来了解线性代数中几个重要概念：标量、向量、矩阵、张量​x1​x2​⋮xn​​​矩阵（matrix）：矩阵是二维数组，大家可以将矩阵看成由n个列向量（或者说是一维数组）横向排列构成的。每个列向量

# 深度学习## 必备的数学知识### 概率论我们将接着上一篇文章继续讲解。在接下来的文章中，将会把随机变量本身写作大写字母，随机变量的值写作小写字母。#### 期望、方差和协方差期望（expectation）是指随机变量X所有可能取值的平均或期望值。期望可以看作随机变量的中心或平均位置。换句话说期望是随机变量可能取值的加权平均，权重就是每个值的概率。 对于离散型随机变量，其期望$\mathbb{E}[X]$定义为$$ \mathbb{E}[X]=\sum_{x} xP(X)$$

大家还记得[上一篇文章]()的提到的联合概率分布吗？定义在一组变量的联合概率分布的子集上的概率分布被称为边缘概率分布（marginal probability distribution）。对于离散型随机变量x和y，如果我们有$P(x,y)$,则可以根据以下求和法则（sum rule）来计算$P(x)$$$ \forall x \in x,P(x=x)=\sum_{y}P(x=x,y=y)$$例如，假设我们有两个离散随机变量$x$和$y$，它们的可能值分别为$x = {1, 2}$和$y =

深度学习必备的数学知识概率论在上一篇文章中，我带大家初略的了解了概率论是什么。这篇文章中我将为大家讲解概率论中的随机变量和概率分布。随机变量在概率论中，随机变量（random variable）是一个可以随机地取不同值的变量。一个随机变量是对可能的状态的描述，它的取值范围是事件的所有可能的状态。它必须伴随着概率分布来指定每个状态的可能性。随机变量可以是离散的，也可以是连续的，取决于它的值是否可以在一个连续的范围内变化。离散型随机变量的例子有：掷骰子的结果，1到6的整数连续型随机变量的例子