立体风

2026年9月10日

摘要：建立一个自己的 Python 离线软件仓库（wheelhouse）。以后换电脑，只要把这个目录复制过去，就可以完全离线安装，不需要再次从官方下载。 1. 先找到你现在这个 Torch 到底缓存在哪里最可靠的方法不是猜路径，而是让 pip 自己告诉你： python -m pip cache dir 阅读全文

posted @ 2026-09-10 20:57 立体风阅读(53) 评论(0) 推荐(0)

numpy 向量、梯度学习

摘要：学习目标——微积分 → 向量/矩阵 → 梯度 → 梯度下降 → 神经网络 → PyTorch——不建议你去找一本“泛数据分析型”的 NumPy 教程。那类资料会花大量篇幅讲 CSV、DataFrame、数据清洗，而你现在真正需要的是：把数学对象直接映射成 NumPy 对象，并理解每个运算背后的数学阅读全文

posted @ 2026-09-10 13:46 立体风阅读(37) 评论(0) 推荐(0)

1080ti 显卡下的深度学习软件包

摘要：结合实际环境——Windows 10 + Python 3.11 + GTX 1080 Ti 11GB + CUDA/驱动环境 + 后面要学 NumPy → SciPy → sklearn → PyTorch → 深度学习——我建议不要追全部最新版本，而是建立一套“稳定、教程多、兼容性好、能长期学习阅读全文

posted @ 2026-09-10 13:24 立体风阅读(41) 评论(0) 推荐(0)

梯度的命名 -- 心智模型构造

摘要：梯度是中文的命名，我感觉比这个坡度（gradient的本义）的愿意更加形象，更符合最陡坡度的意象。现实中不管是上房假设的梯子还是楼层间的楼梯，都是最快上来的方向，楼梯的层级恰好也暗喻了梯度内各个分量的增量，每一个楼梯的台阶都像是一个轴的分量的增加为整体增加的贡献。这个联想触碰到了现代数学（泛函分析阅读全文

posted @ 2026-09-10 09:58 立体风阅读(9) 评论(0) 推荐(0)

2026年9月9日

方向向量最核心的线性结构

摘要：方向导数最核心的线性结构：一个方向上的单位位移，可以分解成各坐标轴上的位移；每个坐标轴位移又按照该轴的偏导数产生函数值变化；把所有这些变化加起来，就得到沿这个方向的总变化率；这个加权求和恰好就是“梯度 · 单位方向向量”。下面我把你前后的思路重新整理成一篇完整的文章，并在最后重点点评你的理解。阅读全文

posted @ 2026-09-09 23:32 立体风阅读(22) 评论(0) 推荐(0)

2026年9月7日

用"增量叠加"重构泰勒公式

摘要： 🚀 终极实战：用"增量叠加"重构泰勒公式核心心法函数的最终值 = 起点值 + 无数层微小增量的累加我们将完全抛弃死记硬背，只遵循这一条直觉。准备好了吗？让我们开始这场从零搭建泰勒公式的旅程！ 🎯 我们的目标假设一个函数 \(f(x)\) 在起点 \(x=0\) 处开始"演化"。我们想知道阅读全文

posted @ 2026-09-07 09:22 立体风阅读(26) 评论(0) 推荐(0)

2026年9月6日

积分运算中dt的作用

摘要：微积分灵魂之问：\(d\tau\) 到底有什么用？很多初学者在学微积分时，都会产生这样的疑惑： “既然算的时候好像只是对 \(\tau\) 求原函数，那 \(d\tau\) 放在那里到底有什么用？” 事实上，\(d\tau\) 不仅参与了运算，而且它是整个微积分大厦的“灵魂”。它的作用主要体现在以阅读全文

posted @ 2026-09-06 18:23 立体风阅读(14) 评论(0) 推荐(0)

2026年9月4日

隐函数求导：圆方程

摘要：问题：请根据下述方程求 y'： x^2 + y^2 - r^2 = 0 这是一个隐函数求导的问题。我们可以直接对等式两边关于 x 求导。对等式两边求导 frac{d}{dx}(x^2 + y^2 - r^2) = frac{d}{dx}(0) 逐项求导 x^2 的导数：直接对 x 求导，结果为 2 阅读全文

posted @ 2026-09-04 11:20 立体风阅读(38) 评论(0) 推荐(0)

2026年9月3日

链式法则的直观理解和几何理解

摘要：链式法则的直观理解与 \(\Delta x\) 的奥秘一、链式法则的直观理解和几何理解要真正掌握链式法则，死记硬背公式是不够的，建立直观和几何上的理解至关重要。我们可以从“物理意义”和“几何图形”两个维度来拆解它。 1. 物理/直观理解：齿轮传动系统（放大效应）把链式法则想象成一套齿轮传动系阅读全文

posted @ 2026-09-03 18:08 立体风阅读(64) 评论(0) 推荐(0)

2026年8月31日

word2vec 反向传播问答1

摘要：问题 1 \(p(w_j \| w_c)\) 和 \(\hat{y}_j\) 数学含义解答在 Word2Vec 和机器学习的数学 notation 中，符号 \(\hat{y}_j\) 有非常明确的约定含义： 1. 符号拆解符号名称含义 \(y_j\) 真实标签 (Ground Truth 阅读全文

posted @ 2026-08-31 23:07 立体风阅读(17) 评论(0) 推荐(0)

公告