在使用ChatGPT过程中，总感觉用chatgpt的效果没有那么好。经过多次使用和摸索，终于发现了问题，原来不是ChatGPT不好用，效果不好，而是因为我之前不会提问。话不多说，给大家准备了30句ChatGPT提问公式1、撰写一篇文章，使其具有吸引XX粉丝的效果2、根据以下XX指令生成图片，不要使用反引号或代码框3、设想一个XX背景的场景，并根据这个场景回答以下问题4、在保持简洁明了的同时，详细解释这个概念5、请以一个XX年代的风格撰写以下故事6、提供一个关于XX谣言的解答方案7、描述一个关于XX主题的成功案例，并分析其成功的关键因素8、请提供一个与XX主题相关的实验或研究方法9、分别从短期和

原文来自《老饼玩转-BP神经网络》http://bp.bbbdata.com/teach#132目录一、公式二、导数三、求导过程(一)tansig求导过程(二)logsig求导过程tansig和logsig经常用于做BP神经网络的激活函数，它们的导数都有良好的性质：导数可以用自身表示。本文讲述tansig和logsig的导数推导过程。一、公式tansig和logsig都是S型曲线，它们的区别在于，tansig的取值范围在[-1,1]之间，而logsig的范围在[0,1]之间。二、导数tansig和logsig的导数公式如下：tansig求导logsig求导三、求导过程下面我们具体推导tansi

1-条件概率，联合概率，边缘概率三者关系以及贝叶斯公式前言一、联合概率二、条件概率三、边缘概率四、概率测度五、贝叶斯公式总结前言过去一直没有养成记笔记的习惯，今天开始对所学的知识进行一个记录，以便日后翻阅查看。若有不对之处，欢迎各位网友指出一、联合概率表示两个事件共同发生的概率。举例：A与B的联合概率表示为P(AB)或者P(A,B),或者P(A∩B)。二、条件概率条件概率是指事件A在事件B发生的条件下发生的概率。条件概率表示为：P(A|B)，读作“A在B发生的条件下发生的概率”。若只有两个事件A，B，那么P(A|B)=P(AB)/P(B)。三、边缘概率边缘概率是某个事件发生的概率，而与其它事件

卡尔曼滤波在很多项目中都有用到，但是对于原理却很少有详细分析，而只是直接应用，在看完b站up主DR_CAN视频推导后自行推导一遍和查看其他资料后进行总结，将从最初的递归算法，利用数据融合，协方差矩阵，状态空间方程等基础推导，最终分析卡尔曼滤波5个方程全部的推导过程，其过程有很多晦涩难懂的公式，我会尽量的表达清楚和加入一些个人理解，从而使得较为便于理解，所以整个篇幅较长，大家可以在目录中寻找想查看的内容，如有其他意见，大家可以提出！目录一、递归算法 二、数据融合（DataFusion） 三、协方差矩阵四、状态空间方程 五、卡尔曼滤波核心公式推导5.1第一个公式（预测） 5.2 第四个公式（后验估

 1.1图的基本描述几种特殊图有限图复合图简单图（无环无重边）完全图  Kn边数最多的简单图            同构下唯一            边数Cn2=n(n-1)/2补图H 完全图-原图             把原图不相邻的点全部连起来，擦掉原图就是补图）自补图G与H同构           判定：顶点数为4的倍数或除4余1证判定：同构=边数相同，             G、H边数和为完全图边数=n(n-1)/2             G、H边数为n(n-1)/4，所以n或n-1为4倍数二部图（偶图）每条边端点一个在x一个在y（用两种颜色对顶点着色，使任意边两点颜色不同，则为

前置知识：牛顿-莱布尼茨公式题1：fff在[a,b][a,b][a,b]上连续，F(x)=∫ax(x−t)f(t)dtF(x)=\int_a^x(x-t)f(t)dtF(x)=∫ax​(x−t)f(t)dt，求F′′(x)F''(x)F′′(x)解：F(x)=x∫axf(t)dt−∫axtf(t)dtF(x)=x\int_a^xf(t)dt-\int_a^xtf(t)dtF(x)=x∫ax​f(t)dt−∫ax​tf(t)dt所以F′(x)=∫axf(t)dt+xf(x)−xf(x)=∫axf(t)dtF'(x)=\int_a^xf(t)dt+xf(x)-xf(x)=\int_a^xf(t)d

华里士公式的推导及其推广基础知识华里士公式In=∫0π2sin⁡nxdx=∫0π2cos⁡nxdx={n−1nn−3n−2⋯23n is odd,n−1nn−3n−2⋯12π2n is even\Large\begin{aligned}I_n=\int_{0}^{\frac{\pi}{2}}\sin^n{x}\mathrm{d}x=\int_{0}^{\frac{\pi}{2}}\cos^n{x}\mathrm{d}x=\begin{cases}\frac{n-1}{n}\frac{n-3}{n-2}\cdots\frac{2}{3}&&n\is\odd,\\\\\frac{n-1}{n}\f

鉴于A1单元包含一个数字，说5（根据其他输入计算），我如何使用它来访问第四列，i。e。E:E?在示例中，如何使用A1指的是“baz1”，...e列？看答案一种方法是将此公式放在桌子旁边=CONCATENATE(LEFT(ADDRESS(1,A1),2),ROW(),":",LEFT(ADDRESS(1,A1),2),ROW())

一。向量点积公式先给个向量内积的定义，也叫向量点积 同时它还满足如下公式。 有了上面两个公式呢，就可以很方便地求出两个向量的夹角了，下面的定义3，其实就是根据上面的式(1)转换得到 比如x=(1,0)，y=(1,1)，由定义1，[x,y]=1*1+0*1=1∣x∣∗∣y​∣=1∗那么cos()=[x,y]/(∣x∣∗∣y​∣)=1/ 就是45度啦可以看出求夹角非常地方便。式1中的公式它为什么能成立呢，把它细化一下，就是下式为什么能成立呢？x1x2+y1y2+...+xnyn=∣x∣∗∣y​∣∗cos()  -----------------式(2) 二。分析先说明一点，我们最终要证的就是式（2

这几天开始刷力扣上面的算法题，有些题目上面限制时间复杂度和空间复杂度，题目虽然写出来了，但是很没底。印象里数据结构老师讲过一点，沉睡的记忆苏醒了。只记得一个时间复杂度是O(n)，空间复杂度是S(n)。for循环常常是O(n)，具体是怎么算的不清楚。所以在看了相关的视频教学后，总结一下时间复杂度的计算公式，希望能给大家的学习带来帮助!目录一、什么是时间复杂度 二、单层循环时间复杂度计算公式三、两层循环时间复杂度计算公式四、多层循环时间复杂度计算公式方法一：抽象为计算三维物体体积方法二：列式求和一、什么是时间复杂度 时间复杂度（Timecomplexity）是一个函数，它定性描述该算法的运行时间。