ACM之路

微积分重点Chap1 微积分总览微积分是 描述两个函数的f(x) g(x) 之间的关系。微分：f(x) 求每一点的速率变成 g(x)积分：g(x) 反求 f(x)

1.6DOF head tracking2. 3d surface reconstruction

对r提取系数，然后通分可视化解法即可得到解。

就是认为 优化是 线性的。然后找到点后就知道了方向。

const *const * val 是指针不能变const val 是值不能变fun() const 不能改变成员变量右值引用int &&r2 = std::move(a); # 编译通过thisthis 指针被隐含地声明为: ClassName const this，这意味着不能给 this 指针赋值；在 ClassName 类的 const ...

使用一个set进行维护中间的数字，然后滑窗

自回归模型其实可以看成 y=M^n x其中，y, x都是进行了归一化后的结果

相关系数 = 协方差 / 归一化方差

AR(2) 为例子yt=ϕt−1yt−1+ϕt−2yt−2+erry_t = \phi_{t-1}y_{t-1} + \phi_{t-2}y_{t-2} + erryt​=ϕt−1​yt−1​+ϕt−2​yt−2​+err自回归的目的就是求解ϕt−2\phi_{t-2}ϕt−2​ 和 ϕt−1\phi_{t-1}ϕt−1​.求解的办法是先求出相关系数，把序列变成了一个值，然后列出方程组解这...

#include <string>#include <cstring>#include <vector>#include <queue>#include <iostream>//#include <string>using namespace std;int T;typedef long long LL;...

Jacobian matrix 和 jacobian vector的区别u = f(x, y) 是vectoru = f(x, y); v = g(x, y) 是matrix

其实说白了就一句话，梯度大的时候容易错，step就稍微小一点；梯度小的时候不容易错，step可以稍微大一点https://spaces.ac.cn/archives/6234

https://stats.stackexchange.com/questions/232741/why-is-it-important-to-include-a-bias-correction-term-for-the-adam-optimizer-for

线性变化a + bi里面的a平移和旋转变化a + bi里面的b

行列式的值 是变换后 围成的空间体积的变化

所有的位置，最后被变化压到零点

拉普拉斯矩阵 定义图的性质的矩阵，里面包含了很多图的性质。

三角函数sin(θ)′=cos(θ)sin(\theta)&amp;amp;#x27; = cos(\theta)sin(θ)′=cos(θ)链式法则

f(x)/g(x)当f(x) = g(x) = 0的时候f(x) ~= df(x)dxg(x) ~= dg(x)dxf(x)/g(x) ~= df(x)/dg(x)

(a+bi) * (c+di)2个向量，角度相加，长度相乘

几何分布第一次出现正面所需要的次数E(x) = 1/pVar(x) = (1-p)/p^2柏松分布其实是二项分布的一个简化版。n很大, p很小p(k) = e-m (x^k/k!)期望E(x) = sum{xp(x)}Var(x) =E[(x-Ex)^2]平均分布E(x) = (a+b)/2Var(x) = (n^2 - 1)/12疑问: P105...

空间变换，仍在同方向的向量

一个矩阵，先变换到一个空间，对角矩阵表示，然后再翻转回来

https://www.zhihu.com/question/22199657/answer/115178055

就是学习率和 约束的权重累加和 都使用 RMS

a + bi 看成是把(1,0) 这个位置扯到(a, b) 这个位置。所以i就是左旋90度。所以2次i就是-1