当前位置: 首页 > news >正文

【考研数学】线性代数第五章 —— 特征值和特征向量(3,矩阵对角化理论)

文章目录

  • 引言
  • 三、矩阵对角化理论
    • 3.1 一般矩阵的相似对角化
    • 3.2 实对称矩阵的相似对角化
      • 3.2.1 实对称矩阵相似对角化定理
      • 3.2.2 实对称矩阵相似对角化过程
  • 写在最后


引言

承接前文,我们来看看矩阵的对角化理论。

我们前面提到对角化是在矩阵相似那里,若存在可逆矩阵 P P P ,使得 P − 1 A P = Λ P^{-1}AP=\Lambda P1AP=Λ ,其中 Λ \Lambda Λ 为对角矩阵,则称 A A A 可以相似对角化。


三、矩阵对角化理论

3.1 一般矩阵的相似对角化

A \pmb{A} A n n n 阶矩阵,其特征值为 λ 1 , λ 2 , ⋯ , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,,λn ,若存在可逆矩阵 P \pmb{P} P ,使得 P − 1 A P = [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] , \pmb{P}^{-1}\pmb{AP}=\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}, P1AP= λ1000λ2000λn , 称矩阵 A \pmb{A} A相似对角化,或 A \pmb{A} A 可对角化,或与对角矩阵相似。

第一步: 由特征方程 ∣ λ E − A ∣ = 0 |\lambda\pmb{E}-\pmb{A}|=0 λEA=0 ,求出矩阵 A \pmb{A} A 的特征值 λ 1 , λ 2 , ⋯ , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,,λn ;

第二步: 求齐次线性方程组 ( λ i E − A ) X = 0 ( 1 ≤ i ≤ n ) (\lambda_i\pmb{E}-\pmb{A})\pmb{X}=\pmb{0}(1\leq i \leq n) (λiEA)X=0(1in) 的基础解系,进而求出矩阵 A \pmb{A} A 的线性无关的特征向量 α 1 , α 2 , ⋯ , α m \pmb{\alpha_1,\alpha_2,\cdots,\alpha_m} α1,α2,,αm

回忆一下:
1.设 r ( A ) = r < n r(A)=r<n r(A)=r<n ,则 A X = 0 \pmb{AX=0} AX=0 所有解构成的解向量组的极大线性无关组称为方程组 A X = 0 \pmb{AX=0} AX=0 的一个基础解系。基础解系中所含有的线性无关的解向量的个数为 ( n − r ) (n-r) (nr) 个。具体求解方法见方程组那一篇文章,传松门 。
2.上一篇文章有定理 4:不同特征值对应的特征向量线性无关。

第三步:

(一)若 m = n m=n m=n ,则矩阵 A \pmb{A} A 可相似对角化,对角化过程如下:

有定理 5:设 A \pmb{A} A n n n 阶矩阵,则 A \pmb{A} A 可相似对角化(或与对角矩阵相似)的充分必要条件是 A \pmb{A} A n n n 个线性无关的特征向量。

P = ( α 1 , α 2 , ⋯ , α n ) \pmb{P}=(\pmb{\alpha_1,\alpha_2,\cdots,\alpha_n}) P=(α1,α2,,αn) ,显然 P \pmb{P} P 可逆。

列向量组线性无关,则矩阵满秩,自然是可逆的。

A α 1 = λ 1 α 1 , A α 2 = λ 2 α 2 , ⋯ , A α n = λ n α n \pmb{A\alpha_1}=\lambda_1\pmb{\alpha_1},\pmb{A\alpha_2}=\lambda_2\pmb{\alpha_2},\cdots,\pmb{A\alpha_n}=\lambda_n\pmb{\alpha_n} Aα1=λ1α1,Aα2=λ2α2,,Aαn=λnαn 得: A P = ( A α 1 , A α 2 , ⋯ , A α n ) = ( λ 1 α 1 , λ 2 α 2 , ⋯ , λ n α n ) = P [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] , \pmb{AP}=(\pmb{A\alpha_1,A\alpha_2,\cdots,A\alpha_n})=(\lambda_1\pmb{\alpha_1},\lambda_2\pmb{\alpha_2},\cdots,\lambda_n\pmb{\alpha_n})=\pmb{P}\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}, AP=(Aα1,Aα2,,Aαn)=(λ1α1,λ2α2,,λnαn)=P λ1000λ2000λn , 两边同时左乘以 P − 1 \pmb{P^{-1}} P1 ,有 P − 1 A P = [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] . \pmb{P}^{-1}\pmb{AP}=\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}. P1AP= λ1000λ2000λn .
(二)若 m < n m<n m<n ,则矩阵 A \pmb{A} A 不可相似对角化。

3.2 实对称矩阵的相似对角化

3.2.1 实对称矩阵相似对角化定理

定理 1 —— 若 A T = A \pmb{A}^T=\pmb{A} AT=A ,则 A \pmb{A} A 一定可以相似对角化。

定理 2 —— 设 A T = A \pmb{A}^T=\pmb{A} AT=A ,则存在正交矩阵 Q \pmb{Q} Q ,使得 Q T A Q = [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] . \pmb{Q}^T\pmb{AQ}=\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}. QTAQ= λ1000λ2000λn .

3.2.2 实对称矩阵相似对角化过程

第一步: 由特征方程 ∣ λ E − A ∣ = 0 |\lambda\pmb{E}-\pmb{A}|=0 λEA=0 ,求出矩阵 A \pmb{A} A 的特征值 λ 1 , λ 2 , ⋯ , λ n \lambda_1,\lambda_2,\cdots,\lambda_n λ1,λ2,,λn ;

第二步: 求齐次线性方程组 ( λ i E − A ) X = 0 ( 1 ≤ i ≤ n ) (\lambda_i\pmb{E}-\pmb{A})\pmb{X}=\pmb{0}(1\leq i \leq n) (λiEA)X=0(1in) 的基础解系,进而求出矩阵 A \pmb{A} A 的线性无关的特征向量 α 1 , α 2 , ⋯ , α n \pmb{\alpha_1,\alpha_2,\cdots,\alpha_n} α1,α2,,αn

第三步:

(一)找可逆矩阵 P \pmb{P} P ,按照上述一般矩阵对角化过程进行:

P = ( α 1 , α 2 , ⋯ , α n ) \pmb{P}=(\pmb{\alpha_1,\alpha_2,\cdots,\alpha_n}) P=(α1,α2,,αn) ,显然 P \pmb{P} P 可逆。

A α 1 = λ 1 α 1 , A α 2 = λ 2 α 2 , ⋯ , A α n = λ n α n \pmb{A\alpha_1}=\lambda_1\pmb{\alpha_1},\pmb{A\alpha_2}=\lambda_2\pmb{\alpha_2},\cdots,\pmb{A\alpha_n}=\lambda_n\pmb{\alpha_n} Aα1=λ1α1,Aα2=λ2α2,,Aαn=λnαn 得: A P = ( A α 1 , A α 2 , ⋯ , A α n ) = ( λ 1 α 1 , λ 2 α 2 , ⋯ , λ n α n ) = P [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] , \pmb{AP}=(\pmb{A\alpha_1,A\alpha_2,\cdots,A\alpha_n})=(\lambda_1\pmb{\alpha_1},\lambda_2\pmb{\alpha_2},\cdots,\lambda_n\pmb{\alpha_n})=\pmb{P}\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}, AP=(Aα1,Aα2,,Aαn)=(λ1α1,λ2α2,,λnαn)=P λ1000λ2000λn , 两边同时左乘以 P − 1 \pmb{P^{-1}} P1 ,有 P − 1 A P = [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] . \pmb{P}^{-1}\pmb{AP}=\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}. P1AP= λ1000λ2000λn .
(二)找正交矩阵 Q \pmb{Q} Q ,使得 Q T A Q \pmb{Q}^T\pmb{AQ} QTAQ 为对角矩阵的过程如下:

(1)将 α 1 , α 2 , ⋯ , α n \pmb{\alpha_1,\alpha_2,\cdots,\alpha_n} α1,α2,,αn 进行施密特正交化为 β 1 , β 2 , ⋯ , β n \pmb{\beta_1,\beta_2,\cdots,\beta_n} β1,β2,,βn

(2)将 β 1 , β 2 , ⋯ , β n \pmb{\beta_1,\beta_2,\cdots,\beta_n} β1,β2,,βn 规范化为 γ 1 , γ 2 , ⋯ , γ n \pmb{\gamma_1,\gamma_2,\cdots,\gamma_n} γ1,γ2,,γn 。令 Q = ( γ 1 , γ 2 , ⋯ , γ n ) \pmb{Q=(\gamma_1,\gamma_2,\cdots,\gamma_n}) Q=(γ1,γ2,,γn) ,显然 Q \pmb{Q} Q 为正交矩阵。实对称矩阵特征向量进行施密特正交化后,仍然为特征向量,因此有 A γ 1 = λ 1 γ 1 , A γ 2 = λ 2 γ 2 , ⋯ , A γ n = λ n γ n \pmb{A\gamma_1}=\lambda_1\pmb{\gamma_1},\pmb{A\gamma_2}=\lambda_2\pmb{\gamma_2},\cdots,\pmb{A\gamma_n}=\lambda_n\pmb{\gamma_n} Aγ1=λ1γ1,Aγ2=λ2γ2,,Aγn=λnγn 得: A Q = Q [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] , \pmb{AQ}=\pmb{Q}\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}, AQ=Q λ1000λ2000λn , 两边同时左乘以 Q T \pmb{Q^{T}} QT ,有 Q T A Q = [ λ 1 0 ⋯ 0 0 λ 2 ⋯ 0 ⋮ ⋮ ⋮ 0 0 ⋯ λ n ] . \pmb{Q}^{T}\pmb{AQ}=\begin{bmatrix} \lambda_{1} & 0 & \cdots & 0\\ 0 & \lambda_{2} & \cdots & 0 \\ \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & \lambda_{n} \end{bmatrix}. QTAQ= λ1000λ2000λn .

一般矩阵,不一定能相似对角化,要求有 n n n 个线性无关的特征向量才可以相似对角化。
实对称矩阵的不同特征值对应的特征向量本来就是正交的,之所以还要正交规范化,是为了求一个正交矩阵。

下面是一些笔记注解:

  1. 若矩阵 A \pmb{A} A 的特征值都是单值,则 A \pmb{A} A 一定可以相似对角化。
  2. A \pmb{A} A 为实对称矩阵,则 A \pmb{A} A 一定可以相似对角化。
  3. n n n 阶矩阵 A \pmb{A} A n n n 个线性无关的特征向量,则 A \pmb{A} A 一定可以相似对角化。
  4. 若矩阵 A \pmb{A} A 的每个特征值的重数与其对应的线性无关的特征向量的个数相同时, A \pmb{A} A 一定可以相似对角化。
  5. A \pmb{A} A 至少有一个特征值,其重数与其对应的线性无关的特征向量的个数不同时, A \pmb{A} A 一定不能相似对角化。
  6. A \pmb{A} A 不是实对称矩阵,则 A \pmb{A} A 在相似对角化的过程中,不可对特征向量进行正交规范化。因为有可能正交规范后就不是特征向量了。

写在最后

这一块内容刚接触可太费头脑了,而且一定是需要大量练习题目的。

那到此,关于特征值和特征向量的理论部分告一段落了,最后只剩下一个二次型了。

相关文章:

【考研数学】线性代数第五章 —— 特征值和特征向量(3,矩阵对角化理论)

文章目录 引言三、矩阵对角化理论3.1 一般矩阵的相似对角化3.2 实对称矩阵的相似对角化3.2.1 实对称矩阵相似对角化定理3.2.2 实对称矩阵相似对角化过程 写在最后 引言 承接前文&#xff0c;我们来看看矩阵的对角化理论。 我们前面提到对角化是在矩阵相似那里&#xff0c;若存…...

【计算机网络】IP数据报首部格式、最大传输单元MTU、最大分段大小MSS

创作不易&#xff0c;本篇文章如果帮助到了你&#xff0c;还请点赞 关注支持一下♡>&#x16966;<)!! 主页专栏有更多知识&#xff0c;如有疑问欢迎大家指正讨论&#xff0c;共同进步&#xff01; 更多计算机网络知识专栏&#xff1a;计算机网络&#x1f525; 给大家跳段…...

shell脚本之文件读写

shell脚本之文件读写 1、读取文件内容并打印2、将内容写入文件3、追加内容到文件末尾4、读取文件内容到变量中5、逐行读取文件内容并处理6、逐行追加内容到文件末尾7、获取文件行数8、获取文件最后一个单词 Shell 脚本读写文件的方法有很多种&#xff0c;下面是一些常见的方法&…...

SAP 刷新Fiori Apps缓存的方法(解决修改CDS后Fiori无法重载新配置)

1. 问题 修改CDS Annotation后&#xff0c;基于Fiori Element发布的Fiori App无法应用新的界面 2. 解决办法 2319491 - How to clean up the cache after applying changes that affect SAP Fiori apps刷新Frontend&#xff1a; SE38&#xff1a; /UI5/APP_INDEX_CALCULATE…...

如何在 Excel 中计算日期之间的天数

计算两个日期之间的天数是 Excel中的常见操作。无论您是规划项目时间表、跟踪时间还是分析一段时间内的趋势&#xff0c;了解如何在 Excel 中查找日期之间的天数都可以提供强大的日期计算功能。 幸运的是&#xff0c;Excel 提供了多种简单的方法来获取两个日期之间的天数。继续…...

Java高级-注解

注解 1.介绍2.元注解3.注解的解析4.注解的应用场景 1.介绍 注解 Annotation 就是Java代码里的特殊标记&#xff0c;作用是让其他程序根据注解信息来决定什么是执行该程序注解&#xff1a;注解可以在类上、构造器上、方法上、成员变量上、参数上等位置 自定义注解 /*** 自定…...

wabp.m 代码注释(便于算法快速理解)

算法效果: 波峰和起点检测效果: function [r,pk] = wabp(Araw, Offset,Scale, Fs) % r = wabp(Araw,Offset,Scale, Fs); % Input: Araw (125Hz sampled) waveform in wfdb-MIT format, % Offset, Scale % Araw = 血压波形 % Offset=偏移(信号减去或者加上偏移恢复成…...

数据库数据恢复-SQL SERVER数据库文件损坏的故障表现数据恢复方案

SQL SERVER数据库故障类型&#xff1a; SQL SERVER数据库MDF&#xff08;NDF&#xff09;或LDF损坏。 SQL SERVER数据库故障原因&#xff1a; 1、数据库正在操作过程中&#xff0c;机器突然断电。 2、人为误操作。 SQL SERVER数据库MDF&#xff08;NDF&#xff09;或LDF损坏的…...

flink中cpu消耗的大户-序列化和反序列化

背景 故事的起源来源于这样一篇关于序列化/反序列化优化的文章https://www.ververica.com/blog/a-journey-to-beating-flinks-sql-performance,当把传输的对象从String变成byte[]数组后&#xff0c;QPS直接提升了50% flink的网络数据交换优化 在flink中对于每个算子之间的跨…...

使用 K 均值聚类进行颜色分割

介绍 颜色分割是计算机视觉中使用的一种技术,用于根据颜色识别和区分图像中的不同对象或区域。聚类算法可以自动将相似的颜色分组在一起,而不需要为每种颜色指定阈值。当处理具有大范围颜色的图像时,或者当事先不知道确切的阈值时,这非常有用。 在本教程中,我们将探讨如何…...

Redis 哈希表操作实战(全)

目录 HSET 添加 HSETNX 添加 HMSET 批量添加 HGET 获取元素 HGETALL 获取所有 HMGET 批量查询 HEXISTS 判断是否存在 HINCRBY 增加整数 HINCRBYFLOAT 添加浮点数 HLEN 查Field数量 HKEYS 查所有Field HVALS 查所有Field值 HSCAN 迭代 HDEL 删除Field HSET 添加 …...

element table合并行或列 span-method

首先来看下官网上如何写的 <template><div><el-table:data"tableData":span-method"objectSpanMethod"borderstyle"width: 100%; margin-top: 20px"><el-table-columnprop"id"label"ID"width"18…...

【操作系统笔记】内存分配

内存对齐 问题&#xff1a;为什么需要内存对齐呢&#xff1f; 主要原因是为了兼容&#xff0c;为了让程序可以运行在不同的处理器中&#xff0c;有很多处理器在访问内存的时候&#xff0c;只能从特定的内存地址读取数据。换个说法就是处理器每次只能从内存取出特定个数字节的数…...

Web 整合

HTML span 行内元素 p 块级元素 br/ 强制换行 i em倾斜 b strong 加粗 u 下划线 mark 高亮 超链接 a &#xff1a;a href"链接地址" target"_blank" alt"可替文本" title"文字提示" tartget&#xff1a;_self 自己界面打开 _…...

hasOwnProperty 方法解析

一、含义&#xff1a; hasOwnProperty 是 JavaScript 中的一个内置方法&#xff0c;用于检查对象是否具有指定名称的属性。 具体来说&#xff0c;hasOwnProperty 方法用于判断一个对象是否拥有某个指定的属性&#xff0c;而不是继承自原型链的属性。它是一个布尔值方法&#…...

使用 nohup 运行 Python 脚本

简介&#xff1a;在数据科学、Web 开发或者其他需要长时间运行的任务中&#xff0c;我们经常需要让 Python 脚本在后台运行。尤其是在远程服务器上&#xff0c;可能因为网络不稳定或需要执行多个任务&#xff0c;我们不希望 Python 脚本因为终端关闭而被终止。这时&#xff0c;…...

Django:五、登录界面实现动态图片验证码

一、下载包 pip install pillow 二、代码 这是一个函数&#xff0c;无输入&#xff0c;返回两个值。一个值是图片&#xff0c;一个值是图片中的数字及字母。 需要注意&#xff1a;font_fileMonaco.ttf 是一个验证码字体文件&#xff0c;如有需要&#xff0c;可三连私信。 …...

GPT,GPT-2,GPT-3,InstructGPT的进化之路

ChatGPT 火遍圈内外&#xff0c;突然之间&#xff0c;好多人开始想要了解 NLP 这个领域&#xff0c;想知道 ChatGPT 到底是个什么&#xff1f;作为在这个行业奋斗5年的从业者&#xff0c;真的很开心让人们知道有一群人在干着这么样的一件事情。这也是我结合各位大佬的文章&…...

firefox_dev_linux下载安装配置(部分系统自带包请看结尾)

download 从 Firefox 的官方网站下载 Firefox Developer Edition 的 tar 文件 firefox_dev_linux_download # 终端快速下载 wget https://download.mozilla.org/?productfirefox-devedition-latest-ssl&oslinux64&langen-US彻底删除自带原版 # apt系 sudo apt --pu…...

vim缓存-交换文件

Catf1agCTF靶场 web swp 题目链接&#xff1a;http://catf1ag.cn/ 个人博客&#xff1a;https://sword-blogs.com/ 题目考点&#xff1a; vim在编辑文档的过程中如果异常退出&#xff0c;会产生缓存文件 vim 交换文件名 参考文章&#xff1a;vim手册 https://yianwillis.…...

Hive 优化建议与策略

目录 ​编辑 一、Hive优化总体思想 二、具体优化措施、策略 2.1 分析问题得手段 2.2 Hive的抓取策略 2.2.1 策略设置 2.2.2 策略对比效果 2.3 Hive本地模式 2.3.1 设置开启Hive本地模式 2.3.2 对比效果 2.3.2.1 开启前 2.3.2.2 开启后 2.4 Hive并行模式 2.5 Hive…...

CentOS 7.5 centos failed to load selinux policy 错误解决方法

这是个 selinux 使能导致的&#xff0c; 关闭即可 在进入到内核选中界面&#xff0c;选中要启动的内核&#xff0c; 按键盘 e 就会进入启动参数界面 进入启动参数界面如图&#xff0c;按上下键找到 UTF8 UTF8如图&#xff0c; 添加 selinux0 添加完成如图&#xff0c; 按 ctr…...

注入之SQLMAP(工具注入)

i sqlmap是一个自动化的SQL注入工具&#xff0c;其主要功能是扫描&#xff0c;发现并利用给定的URL和SQL注入漏洞&#xff0c;其广泛的功能和选项包括数据库指纹&#xff0c;枚举&#xff0c;数据库提权&#xff0c;访问目标文件系统&#xff0c;并在获取操作权限时执行任…...

Linux学习资源Index

由于Linux是支撑“云计算”的最核心、最底层、最重要的技术&#xff0c;持续提升自已的Linux水平是必须的&#xff0c;这里将不断更新的Linux学习索引。 书籍 书籍首页 - Documentation (rockylinux.org) WWW链接 提定发行版 RockyLinux Rocky Linux Download Rocky | R…...

什么是SVG(可缩放矢量图形)?它与普通图像格式有何不同?

聚沙成塔每天进步一点点 ⭐ 专栏简介⭐ 什么是SVG&#xff1f;⭐ 与普通图像格式的不同⭐ 写在最后 ⭐ 专栏简介 前端入门之旅&#xff1a;探索Web开发的奇妙世界 欢迎来到前端入门之旅&#xff01;感兴趣的可以订阅本专栏哦&#xff01;这个专栏是为那些对Web开发感兴趣、刚刚…...

求生之路2服务器搭建插件安装及详细的游戏参数配置教程windows

求生之路2服务器搭建插件安装及详细的游戏参数配置教程windows 大家好我是艾西&#xff0c;最近研究了下 l4d2&#xff08;求生之路2&#xff09;这款游戏的搭建以及架设过程。今天就给喜欢l4d2这款游戏的小伙伴们分享下怎么搭建架设一个自己的服务器。毕竟自己当服主是热爱游…...

React TypeScript 定义组件的各种方式

目录 举例说明1. 使用 class 定义2. 使用函数定义2.1 使用普通函数2.2 使用函数组件 举例说明 比如我们要定义一个计数器 Counter&#xff0c;它包含一个 label 和一个 button&#xff0c;计数器的初始值由外部传入&#xff0c;点击 button 计数加 1: 这虽然是个简单组件&…...

互联网摸鱼日报(2023-09-20)

互联网摸鱼日报(2023-09-20) 36氪新闻 国货美妆这五年&#xff1a;押注头部主播&#xff0c;追求极致流量中遭反噬 ​处于水深火热之中的奈飞该如何自救&#xff1f; 一头“灰犀牛”将冲击美国 年轻人花钱的样子变了 金V之后再推橙V&#xff0c;微博正试图重建创作者生态 …...

AWS入列CNCF基金会

7月27日&#xff0c;IT之家曾经报道&#xff0c;微软加入Linux旗下CNCF基金会&#xff0c;在这之后不到一个月的今天&#xff0c;亚马逊AWS也宣布&#xff0c;以铂金身份加入此基金会。 CNCF&#xff0c;全称Cloud Native Computing Fundation&#xff0c;该基金会旨在使得容器…...

岭回归与LASSO回归:解析两大经典线性回归方法

文章目录 &#x1f34b;引言&#x1f34b;岭回归&#xff08;Ridge Regression&#xff09;&#x1f34b;实战---岭回归&#x1f34b;LASSO回归&#xff08;LASSO Regression&#xff09;&#x1f34b;实战---LASSO回归&#x1f34b;岭回归和LASSO哪个更容易是直线&#x1f34b…...

自己免费怎么制作网站吗/海城seo网站排名优化推广

最近项目任务有需求&#xff0c;想探究一下对未知未加密网络协议的解析。 之前只了解过基本的计算机网络知识&#xff0c;对于具体的网络协议&#xff0c;更多是学术上的认识&#xff0c;而没有工程上的认知与实践。因此对于网络协议解析的工作&#xff0c;可谓是一筹莫展。 各…...

云服务器建设网站/软件开发公司有哪些

科目编号&#xff1a;0063 座位号 2017-2018学年度第二学期期末考试 中国现代文学专题 试题 2018年 7 月 一、简答题&#xff08;共30分&#xff09; 简要说明废名与许钦文、王鲁彦、台静农等乡土小说作家在创作上的不同。 二、分析题&#xff08;共70分&#xff09; 说明&am…...

修改动态网站/营销是什么意思

1.不含AAA或BBB的字符串 题目&#xff1a; 给定两个整数 A 和 B&#xff0c;返回任意字符串 S&#xff0c;要求满足&#xff1a; S 的长度为 A B&#xff0c;且正好包含 A 个 a 字母与 B 个 b 字母&#xff1b; 子串 aaa 没有出现在 S 中&#xff1b; 子串 bbb 没有出现在 …...

4线城市搞网站开发/滕州今日头条新闻

在 OpenBSD 的测试快照中加入了一个新的功能&#xff0c;每次当 OpenBSD 用户重启或升级计算机时都会创建一个独特的内核。该功能被称之为 KARL&#xff08;内核地址随机化链接Kernel Address Randomized Link&#xff09;&#xff0c;即以随机的顺序重新链接其内部的内核文件&…...

网站服务器搭建XP/怎么做市场营销和推广

文章目录前言一、动机二、Why Distributed Data Parallel&#xff1f;三、大图景&#xff08;The big picture&#xff09;四、最小例程与解释五、加上 MultiProcessing六、使用Apex进行混合混合精度训练参考链接前言 Data Parallel 并行运算时&#xff0c;各种原因导致单进程多…...

求个网站2022/富阳seo关键词优化

国内蓝牙芯片行业面临技术研发风险、市场需求增长放缓、产业链上游垄断&#xff0c;将制约行业的发展速度&#xff0c;影响行业国际竞争力 蓝牙技术新标准公布&#xff0c;企业面临研发风险 2020年1月7日&#xff0c;蓝牙技术联盟推出基于BLE的新一代蓝牙音频技术标准—LE aud…...