ln函数怎么看奇偶性_今年真的不是初等函数了:2020年杨树森高考模拟题 (7) (1)...

这篇博客回顾了作者多年出的函数大题,涉及函数单调性、奇偶性、零点讨论等核心概念。文章详细分析了几道具有代表性的题目,包括如何构造函数、证明单调性以及处理复杂问题的方法。其中,一道非初等函数问题的提出增加了试题的难度,要求考生具备深入的导数应用和奇偶性分析能力。
摘要由CSDN通过智能技术生成

我想给读者看看这么多年以来我出的函数大题有什么变化。

已知函数
求函数
的单调区间;
求证:对于任意
曲线
与曲线
的交点不多于
个。

这道题现在看来就相当常规了,但也不是完全没有需要注意的。

构造函数

讨论
的单调性和零点,需要一些抽象的论证。

已知函数
是否存在非零实数
使得
在区间
上单调递增?
是否存在非零实数
使得
在区间
上单调递增?

这道题在当年难住了所有参加测试的考生,主要是因为不知道怎么处理第二问。

第一问的关键在于理解构造

时不必构造出最佳的,通过放缩可以证明当
时满足要求,这样就已经构造出来了,不必寻找
的最大值。

第二问的论证有一定难度,对于任意

论证
不能单调递增,就构造出
的一个递减区间。

已知函数
上的可导函数,满足
讨论
的奇偶性;
满足
试比较
的大小。

这是我第一次尝试不提供解析式的函数题,我的本意是希望考生不通过求原函数解决。

可以论证

的奇偶性的关系,然后解决第一问。

将两个比较的数做差记为

然后求出
的二阶导数,并发现
于是
不单调,进一步讨论得出
的单调性,然后解决第二问。

将函数
的一切极值点从小到大排序组成数列
对于任意正整数
求证
若实数
对于任意正整数
成立
的最小值。

本题的难度较大。利用

的二阶导数和数学归纳法解决第一问。

可以论证

是方程
的解,然后先论证
可行,然后对于任意
构造正整数
作为反例。

已知函数
上的非恒等可导函数,满足
讨论
的单调性;
判断是否存在
使方程
至少有三个解;
判断是否存在非恒等的
满足
的条件且

这道题看上去似乎很抽象,但是如果消除恐惧就不难解决。

你可以将题干中的方程解出来,它是

接下来的三问全都利用这个解析式解决。

但是更理想的方法是不解方程,直接利用它讨论以下三问,这样全程都是抽象的。

以上这些就是我曾经出过的函数大题,其中

的没有在题干给解析式,虽然是这样,理论上要讨论的函数依然是初等函数。

而在

年,我彻底出了一道非初等函数的问题:

已知

上的可导函数,满足

函数
其中
是非零实数。
讨论函数
的奇偶性;
若函数
上单调递减,求
的取值范围;
判断是否存在
使得函数
有无穷多个零点。

本文仅仅解决第一问。首先公布这道题的分值,总分

分,第一问
分,第二问
分,第三问
分。实际上第三问最深刻也最难,但是为了保证区分度,我给第二问最大的分值。

这道题的第一问和

年的第一问是类似的,也是利用导数和原函数奇偶性的关系。

要论证

是奇函数,就构造函数
然后论证
恒等于零;要论证
是偶函数,就构造函数
然后论证
恒等于零。

构造函数

求出
的导数为

时,计算

另外,计算

所以

恒等于零,所以
是恒等函数。

又因为

所以

恒等于零,所以
是奇函数。
【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值