技术背景坐标变换、旋转矩阵，是在线性空间常用的操作，在分子动力学模拟领域有非常广泛的应用。比如在一个体系中切换坐标，或者对整体分子进行旋转平移等。如果直接使用Numpy，是很容易可以实现的，只要把相关的旋转矩阵写成numpy.array的形式即可。但是在一些使用GPU计算的深度学习框架中，比如MindSpore框架，则是不能直接支持这样操作的。因此我们需要探索一下如何在MindSpore框架中实现一个简单的旋转矩阵，并使用旋转矩阵进行一些旋转操作。Jax.numpy旋转矩阵我们先介绍一下在常用的Numpy库中是如何实现一个旋转矩阵的，这里为了演示方便，简化编程工作量，我们选择用Jax中所集成的

第五章参数估计与假设检验5.1点估计概述相关概念：参数空间：参数的取值范围。点估计：对未知的参数进行估计所得到的一个具体的数据，结果是一个数（数轴上的一个点）。区间估计：在可信度下的最可能的存在区间中得到的结果，结果是一个区间。\(\hat{\theta}=\hat{\theta}(X_1,\cdots,X_n)\)表示构造函数在取得样本后可以计算出一个参数的估计值。无偏性无偏估计量：\(E\hat{\theta}=\theta\)有偏估计量：\(E\hat{\theta}\ne\theta\)渐进无偏估计量：\(\lim\limits_{n\to\infty}E\hat{\theta}=\t

第五章参数估计与假设检验5.1点估计概述相关概念：参数空间：参数的取值范围。点估计：对未知的参数进行估计所得到的一个具体的数据，结果是一个数（数轴上的一个点）。区间估计：在可信度下的最可能的存在区间中得到的结果，结果是一个区间。\(\hat{\theta}=\hat{\theta}(X_1,\cdots,X_n)\)表示构造函数在取得样本后可以计算出一个参数的估计值。无偏性无偏估计量：\(E\hat{\theta}=\theta\)有偏估计量：\(E\hat{\theta}\ne\theta\)渐进无偏估计量：\(\lim\limits_{n\to\infty}E\hat{\theta}=\t

一，前向传播与反向传播1.1，神经网络训练过程神经网络训练过程是：先通过随机参数“猜“一个结果（模型前向传播过程），这里称为预测结果$a$；然后计算$a$与样本标签值$y$的差距（即损失函数的计算过程）；随后通过反向传播算法更新神经元参数，使用新的参数再试一次，这一次就不是“猜”了，而是有依据地向正确的方向靠近，毕竟参数的调整是有策略的（基于梯度下降策略）。以上步骤如此反复多次，一直到预测结果和真实结果之间相差无几，亦即$|a-y|\rightarrow0$，则训练结束。1.2，前向传播前向传播(forwardpropagation或forwardpass)指的是:按顺序(从输入层到输出层)计

一，前向传播与反向传播1.1，神经网络训练过程神经网络训练过程是：先通过随机参数“猜“一个结果（模型前向传播过程），这里称为预测结果$a$；然后计算$a$与样本标签值$y$的差距（即损失函数的计算过程）；随后通过反向传播算法更新神经元参数，使用新的参数再试一次，这一次就不是“猜”了，而是有依据地向正确的方向靠近，毕竟参数的调整是有策略的（基于梯度下降策略）。以上步骤如此反复多次，一直到预测结果和真实结果之间相差无几，亦即$|a-y|\rightarrow0$，则训练结束。1.2，前向传播前向传播(forwardpropagation或forwardpass)指的是:按顺序(从输入层到输出层)计