菩提本无树 明镜亦非台 本来无一物 何处惹尘埃

原创 【初高中数学】

原创 【高中旋转题目】

在平面直角坐标系xOy中，将坐标轴绕原点30∘，得到新坐标系x′Oy′。已知点P在原坐标系下的坐标为223​。求点P在新坐标系x′Oy′下的坐标x′y′。若原坐标系中有一条曲线方程为x2xyy21，求该曲线在新坐标系下的方程。

原创 【梯度的整体逻辑】

梯度的定义是一个向量，它的每个分量是函数对相应变量的偏导数。

原创 【python开发环境安装】

pip是什么。

原创 【茶茶茶】

绿茶（不发酵）—— 如龙井（扁形）、碧螺春（卷曲形）、毛尖（针形）青茶/乌龙茶（半发酵）—— 如铁观音（颗粒形）、大红袍（条形）白茶（微发酵）—— 如白毫银针（芽头）、白牡丹（一芽二叶）红茶（全发酵）—— 如金骏眉（芽尖）、祁门红茶（条形）黄茶（轻发酵）—— 如君山银针（也是“毛尖”类外形）黑茶（后发酵）—— 如普洱茶饼（饼形）、茯砖（砖形）再加工茶 —— 花茶（茉莉花茶）、紧压茶、萃取茶等。毛尖/针形：细直如针，带白毫（绿茶、黄茶）一、按工艺（六大基础茶类 + 再加工茶）二、按形状（常见外形术语）

原创 【矩阵及其运算】

矩阵乘法矩阵乘法矩阵乘法矩阵乘法矩阵乘法。

原创 【行列式】

行列式，本质上是一个线性变换对“整体体积（长度/面积/体积的高维推广）”缩放了多少倍的量。它最核心的作用，就是判断这个线性变换有没有把空间“压瘪”，也就是用于恢复原向量的信息是否丢失。

原创 【Nacos】

是阿里巴巴开源的一个动态服务发现、配置管理和服务管理平台，致力于帮助开发者更轻松地构建云原生应用。

原创 【Maven Spring Nacos之profile】

原创 【单元测试】

单元测试虽然看起来是“每个类自己写”，但其实有一套很稳定的通用逻辑。Arrange：准备数据、准备 mock。哪些不该写成单元测试而应该写成集成测试。每个类至少该覆盖哪几种 case。这是在准备输入和依赖行为。Act：调用被测试方法。Assert：检查结果。这是在准备测试环境。哪些类适合写单元测试。

原创 【04 继承和聚合】

在进一步详述插件和生命周期的绑定关系之前，必须先了解插件目标(Plugin Goal)的概念。我们知道，Maven的核心仅仅定义了抽象的生命周期，具体的任务是交由插件完成的，插件以独立的构建形式存在，因此，Maven核心的分发包只有不到3MB的大小，Maven会在需要的时候下载并使用插件。父 POM vs 聚合 POM。

原创 【小学数学】

从小建构良好的数学思维

原创 【AI随笔杂记】

在推理过程中，你有一些前提，有一些操作表达式的规则，然后你推导出一些结论。这很像数学——你有一个方程，你有在两边进行操作的规则，然后你推导出新的方程。它们非常擅长“感知”（Perception），它们很擅长“类比推理”（Reasoning by analogy），但它们其实极度不擅长逻辑推理。所以，我们不应该去研究逻辑，而应该研究由大量脑细胞组成的大型网络，看看它们是如何完成感知和记忆这些任务的。关于 AI 的起源，在 20 世纪 50 年代，其实对于“如何构建智能系统”一直存在两种截然不同的观点。

原创 【02 Maven依赖配置】

Maven的一大功能就是管理项目依赖。为了能自动化地解析任何一个Java构建，Maven就必须将他们唯一标识，这就依赖管理的底层基础----坐标。

原创 【工程应用】

线性代数在工程里经常解决的问题是：从一大堆复杂数据中，找出主要方向、主要模式、主要结构，然后用更少的信息近似表示原来的东西。我们只保留最重要的几项，就能用更少的数据近似还原原图。A = 第 1 层重要图案 + 第 2 层重要图案 + 第 3 层重要图案 + …如何找到一组“最重要的方向 / 最重要的模式”，用少量线性组合尽量还原原始数据。线性代数里的 SVD 奇异值分解可以把这个图像矩阵拆成很多层简单图案的叠加。只保留前 k 个最重要的层，丢掉后面不重要的层。A 可以拆成很多个“基础图像”的线性组合。

原创 【线代演进】

到“统一所有线性系统”。总览一句话（先给全景）从“具体线性现象” →。到“变换为中心” →。下面我们一层一层走。

原创 【数学思维】

数学思维 = 主动忘掉“东西是什么”，只保留“它们之间哪些关系必须被保留”。

原创 【线性代数 linear algebra】

线性代数研究向量空间，以及保持其线性组合关系不变的线性变换；通过矩阵等工具表示、组合、分类和计算这些变换，从而揭示各种“可叠加、可缩放”现象的共同结构。

原创 【8 Generic Programming】泛型编程

摘要：本文探讨了Java泛型的本质及其局限性。Java 5引入的泛型主要作为"编译期语法糖"，旨在保持与早期版本的兼容性。以ArrayList为例，展示了泛型出现前使用Object数组实现的通用集合类，这类实现需要在运行时进行类型检查。泛型通过在编译时提供类型安全检查，减少了运行时错误，但其设计妥协也带来了一些使用限制。

原创 【docker swarm】

Current versions of Docker include Swarm mode for natively managing a cluster of Docker Engines called a swarm（蜂群）. Use the Docker CLI。

原创 【redis监控工具】

原创 【03 Maven生命周期和插件】

除了坐标、依赖以及仓库之外，Maven另外两个核心概念是生命周期和插件。

原创 【01 Maven安装配置】

简单介绍了Apache Maven的安装配置，然后解释了Maven中仓库、镜像等概念；最后总结了Maven安装配置实践。

原创 在Centos 7上安装docker

【代码】在Centos 7上安装docker。

原创 个人对设计模式的一些体会

GoF（“四人帮”，又称Gang of Four，即Erich Gamma、Richard Helm、Ralph Johnson和John Vlissides四人）的《设计模式》，原名**《Design Patterns: Elements of Reusable Object-Oriented Software》**（1995年出版，出版社：Addison Wesly Longman.Inc），第一次将设计模式提升到理论高度，并将之规范化。三大基本观点：①联系的观点、②发展的观点、③一分为二的观点。

原创 4.装饰器模式（Decorator Pattern）

The decorator[4] design pattern is one of the twenty-three Gang-of-Four design patterns; these describe how to solve recurring design problems and design flexible and reusable object-oriented software—that is, objects which are easier to implement, change,

原创 【token】

例如，一个罕见的公司名 “Zxqpr” 可能会被分成 [“Z”, “x”, “q”, “p”, “r”]。化”的后缀 “ify”。例如，学会了 “ify” 在 “simplify”（简化）和 “beautify”（美化）中的含义，它就能很容易理解所有带 “ify” 的新词。所以，Token的向量不是通过一个数学公式“计算”出来的，而是模型通过学习语言规律，自己“领悟”并“赋予”它的一个数值表示。答案是：有一个基础的、可查找的“向量表”，但向量的具体值是在模型训练过程中学习出来的，而不是人为计算的。

原创 【venv】

The venv module supports creating lightweight “virtual environments”, each with their own independent set of Python packages installed in their site directories. A virtual environment is created on top of an existing Python installation, known as the virtu

原创 【线性代数】

基于加法和数乘这两种最基础运算，来处理向量、矩阵、线性方程组、空间变换等问题的。

原创 【python学习零散知识点记录】

原创 【Linux目录结构】

Linux的文件结构与windows有着很大的区别，在linux下仅有一个文件结构不像windows下C、D、E、F都是相互独立的文件结构，linux会把除了根目录外全部挂载到根目录下统一管理，所以linux下分区倒是没有windows下那么重要。在我们安装linux系统的时候可以简单的分区为/和swap分区，这时在/下会有很多的文件夹；如果我们分出了/usr /bin等分区那么这些分区会以文件夹的形式显示在/下。/dev 系统设备文件，linux下所有设备都是以文件的形式被处理的，该目录不包含驱动程序。

原创 【正余弦相似度】

本文介绍余弦定理、正弦定理以及定理推到过程和工程中的应用示例。

原创 【人工智能高级工程师ACP认证】

本文介绍了大模型问答系统的工作原理及微调方法。大模型问答流程分为五个阶段：分词、向量化、推理、输出Token和生成文本，其中通过调整temperature和top_p参数可控制输出随机性。针对特定领域需求，文章提出使用微调技术直接提升模型能力，并以数学题解答为例，说明微调能显著提升模型逻辑推理能力。文章还阐述了机器学习基本原理，包括损失函数、代价函数的作用，以及如何通过梯度下降算法寻找最优参数。最后指出计算能力可通过外部计算器插件增强，而模型核心能力需通过微调提升。

原创 【Docker Compose】

整理Docker Compose安装、使用及注意事项相关知识

原创 【linux命令实践】

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：撤销：Ctrl/Command + Z重做：Ctrl/Command + Y加粗：Ctrl/Command + B斜体：Ctrl/Command + I标题：Ctrl/Command + S

原创 【最大似然估计】

这个视频让你从头通透到脚趾！

原创 【损失函数】

您的问题非常精准地抓住了最小二乘法的核心矛盾：为什么我们选择最小化平方偏差（L2）而不是绝对偏差（L1）？这会影响结果的"正确性"吗？让我们通过数学证明和几何演示彻底解决这个根本疑问。

原创 【Docker笔记】

记录一些docker镜像使用的实战技巧。

原创 【最小二乘法（最大似然估计特例）】

介绍最小二乘法,其中着重说明了在推演过程中从绝对值误差之和转换位误差平方和的理论基础。

原创 【DeepSeek 版本介绍】

发布时间：2024年1月特点：编码能力：支持Python、Java等编程语言，预训练数据包含87%代码，适合自动化代码生成17。长上下文窗口：支持128K标记的上下文处理，适合技术文档分析13。局限性：多模态能力弱，复杂推理能力不足13。适用场景：基础代码生成、技术文档处理7。发布时间：2024年上半年特点：参数规模：2360亿参数，性能接近GPT-4 Turbo，但训练成本仅为GPT-4 Turbo的1%138。开源生态：完全开源且免费商用，推动科研与商业化应用18。局限性：推理速度较慢，多模态支持有限1