数学术语之源——代数——纤维(fiber)

张量学习(10):纤维,切片,张量展开 1.纤维(fiber) 纤维是指从张量中抽取向量的操作。在矩阵中固定其中一个维度,可以得到行或者列。类似于矩阵操作,保留一个维度变化,固定其它维度,可以得到有纤维的概念。 以三阶张量为例: 1>固定j,kj,kj,k方向 mode−1mode-1mode−1(列) 纤维:X:jkX_{:jk}X:jk​ 相当于将iii方向上的每个小方块串起来,形成一个整条(即为一个向量) 2>固定i,ki,ki,k方向 mode−2mode-2mode−2(行) 纤维:Xi:kX_{i:k}Xi:k​ 阅读详情

1.  数学术语“纤维”(英英“fibre”,美英“fiber”)在数学中的起源

fiber[ˈfaɪbə(r)]这个词始于14世纪晚期,词义为“肝叶的一瓣(a lobe of the liver)”,也指“内脏(entrails)”。来自中世纪拉丁语“fibre”,其又源自拉丁语“fibra”,词义为“纤维(a fiber)、细长的丝(filament);内脏(entrails)”。

相关的术语有纤维(fiber)、纤维束(fiber bundle)和纤维空间(fiber space)。根据 J. Dieudonné <<代数和微分拓扑史:1900-1960>>(A History of Algebraic and Differential Topology 1900-1960)第387页,术语“纤维(fiber)”(德语“Faser” )和“纤维空间(fiber space)”(“gefaserter Raum”)可能首先出现在 Herbert Seifert的“三维纤维空间拓扑(Topologie dreiDimensioner gefaserter, Räume ),” Acta Mathematica, 60, (1932年), 第147页-238页。 然而,Dieudonné 补充说,Seifert的定义“仅限于非常特殊的情况,他的观点与现代概念有很大不同。” 现代概念主要出现在 20 世纪 40 年代Hassler Whitney的著作中。 Whitney 在“论球束理论(On the Theory of Sphere-Bundles)”中定义了纤维束(<<美国国家科学院院刊>>(Proceedings of the National Academy of Sciences of the United States of America),26,第 2 期(1940 年 2 月 15 日),第 14 页。 148. 几年之内,相关术语束、纤维和纤维空间出现:参见 N. Steenrod 的<<纤维束的拓扑>>(The Topology of Fiber Bundles (1951年))。近年来,拼写为“fiber”已变得常见,符合美国的常见用法。

2.  数学术语“纤维”的具体数学含义

         在数学上,术语“纤维”(英英“fibre”,美英“fiber”)有2种含义,视具体的数学应用背景而定。或许,使用“纤维”这个概念,旨在表明这个数学元素的“微小性”。

    (1) 在朴素集合论(naive set theory)中,集合Y中的元素y 在映射 f : X ⟶ Y 下的纤维是单元素集(singleton) { y }在映射 f 下的逆像(inverse image)。

         令 f : X ⟶ Y 为集合之间的一个函数映射。 一个元素 y∈Y 在映射f下的纤维(或者y上的纤维)是集合

f^{-1}(y) = \{ x \in X | f (x) = y \} ,(注意:f^{-1} 只是一种符号记法,若映射不是双射的话其不能成为映射,但是纤维的概念不必一定是双射。)

即,在函数映射下,被映射到 y 的 X 中的元素的集合。它是单元素集 { y } 的原像(preimage)。(人们通常在f  的像中使用 y ,从而避免 f^{-1}(y) 成为空集。也就是说,可能Y中有部分元素在X中没有原像,逆像不存在。) 

函数 f 的所有纤维的集合构成域 X 的一个划分。含有一个元素 x∈X 的纤维是集合 f^{-1}(f(x)) 。例如,将(x ,y)发送到x的投影映射 \mathbb{R}^{2} \longrightarrow \mathbb{R} 的纤维是垂直直线,它们构成了对平面的一个划分。

         若 f 是多实数变量的实数函数,则函数的纤维是 f 的水平集(level set,或称“等高面”)。若 f 也是一个连续函数且 y∈ℝ 在f 的像中,则水平集 f^{-1}(y) 将是一个典型的二维曲线,一个三维表面,以及更一般地,一个f 域中的超曲面(hypersurface)。

    (2) 在代数几何(algebraic geometry)中,必须更仔细地定义方案态射纤维的概念,因为一般来说,并非每个点都是封闭的。

    在代数几何中,若函数 f : X ⟶ Y 是一个概型态射(a morphism of schemes),则Y 中一点 p 的纤维是概型的纤维积(the fiber product of schemes) 

X_{ \times (Y)} \mathsf{Spec} \hspace{0.2cm} k(p) ,

其中,k(p)是p点的剩余域(residue field)。

    (3) 在拓扑学中,一个局部同胚(a local homeomorphism)是其域的一个离散子空间。若函数映射 f : X ⟶ Y是一个连续函数,并且Y (或者,更一般地 f (X ))是一个 T_{1} 空间,则每一个纤维都是 X 的一个闭合子集。

    对于一个拓扑空间之间的函数,若每一个纤维是其域的一个相连的子空间,则称这个函数为单调的(monotone)。对于一个函数 f : ℝ ⟶ ℝ ,当且仅当它是非递增或非递降的时候,它在拓扑空间的意义上是单调的,这就是实分析中常规意义上的“单调函数(monotone function)”。

         对于拓扑空间之间的函数,若每个纤维都是其域的压缩子空间,有时候也称其为一个真映射(a proper map)。然而,许多作者使用“真映射”的其他非等效竞争定义,因此建议始终检查特定作者如何定义该术语。纤维都是压缩的连续闭满射函数称为完满映射(perfect map)。

【张量分解(一)】符号与基础知识 本文是对论文Tensor Decompositions and Applications进行了翻译、整理、筛选和适当的补充,如何希望深入理解可以阅读原文。 一、介绍 物理或工程中的张量,在数学中通常称为张量场。本文所涉及到的张量是指多维数组,或者说是多维向量空间中的元素。 一阶张量称为向量,二阶张量称为矩阵,三阶或者更高阶张量则称为高阶张量或者直接称为张量。 二、符号 张量使用手写风格的大写字母... 阅读详情

相关推荐

仿射Springer纤维范畴化小量子群:几何与量子代数的桥梁

范畴化是现代数学与理论物理中的核心思想之一,旨在将代数结构(如代数、模)提升到更高层次的范畴(如阿贝尔范畴、三角范畴)中进行描述。其基本原理是通过范畴的Grothendieck群、霍尔代数或导出范畴来“实现”原始代数对象,从而将代数问题转化为几何或拓扑问题,利用更丰富的工具进行研究。这一方法的技术价值在于,它为表示论、代数几何和数学物理中的复杂结构提供了统一的几何模型,使得代数不变量(如特征标、扩张群)可以通过几何不变量(如上同调、层理论)进行计算和解释。在应用场景上,范畴化思想广泛应用于几何表示论、量子群

Coding 526

请您从词根词缀和单词起源的角度来介绍一下,minorAllude请介绍一下宾夕法尼亚大学教育与学术研究成就校园文化与生活国际影响力请介绍一下中国东北大学学术研究与学科建

请您从词根词缀和单词起源的角度来介绍一下,minor Allude 请介绍一下宾夕法尼亚大学 教育与学术 研究成就 校园文化与生活 国际影响力 请介绍一下中国东北大学 学术研究与学科建设 科研创新 国际合作与交流 校园生活与文化 请介绍一下宾夕法尼亚大学博物馆 收藏与展览 研究与教育 特色展览 建筑与设施 Fiber 请介绍一下key opinion leader (KOL) KOL的特点 KOL在营销中的应用 KOL与社交媒体影响者的区别 结论

m0_62574889的博客 1114

仿射Springer纤维与小量子群的范畴等价:微层理论构建几何与代数的桥梁

范畴等价是数学中连接不同领域的重要概念,它描述了两个数学结构在范畴层面上的完全对应关系。其核心原理在于通过函子建立对象与态射的一一映射,从而揭示不同理论间的深层同构。这一原理在表示论与几何的交叉研究中具有极高的技术价值,能够将复杂的代数问题转化为更直观的几何问题,反之亦然。在几何表示论这一应用场景中,研究者常利用层论和导出范畴等工具来实现这种翻译。具体到本文探讨的主题,微层理论作为核心几何工具,被用于在仿射Springer纤维的几何空间上构建范畴结构,目标是证明其与来自量子代数的小量子群的表示范畴等价。这一

weixin_33796177的博客 304

从传热学原理到数学建模:解析保暖纤维热阻计算与优化

热传导是热量传递的基本方式之一,其核心原理由傅里叶定律描述,即热流密度与温度梯度成正比,与材料热阻成反比。在工程实践中,准确计算复合材料的有效热导率是关键,这直接决定了隔热材料的性能。通过建立并联-串联混合模型或Maxwell-Eucken模型,可以量化纤维与空气混合体系的热阻,为材料设计与优化提供理论依据。这一技术价值在于,它能将复杂的物理现象转化为可计算的数学模型,从而指导高性能保暖材料的研发,例如在服装、建筑保温等领域。本文以数学建模竞赛题为切入点,深入探讨了如何基于传热学原理,结合**有效热导率**

weixin_34184561的博客 2649

从微层理论与辛几何到仿射Springer纤维的量子群表示

范畴化是现代数学物理中的核心思想,旨在将代数结构提升到更高层次的范畴中研究,从而利用几何工具解决纯代数难题。其基本原理是通过构造特定几何空间上的层范畴,证明其代数结构同构于目标代数,实现表示的几何实现。这一思想在表示论和量子可积系统中具有重要价值,为构造和分类无限维代数(如量子群)的表示提供了强大框架。其典型应用场景包括通过仿射Springer纤维等辛几何模空间,范畴化量子仿射代数的表示。本文聚焦于利用微层理论和辛几何,在仿射Springer纤维上实现量子群表示的几何构造,深入解析了从几何对象到代数表示的桥

weixin_33802505的博客 335

代数群Néron模型跳跃理论:从诱导环面到有理簇因子的突变机制

在算术几何中,代数群的整模型是连接数论与几何的核心工具。Néron模型作为定义在数域上代数群(如椭圆曲线、阿贝尔簇)在整数环上的“最佳”光滑模型,其存在性与结构是研究算术性质的基础。该模型通过满足强泛性质,确保了有理映射到边界的良好延拓。然而,当研究的代数群从结构清晰的诱导环面过渡到包含有理簇因子的更一般群时,Néron模型的光滑性、纤维结构等关键性质可能发生突变,即“跳跃”。这种突变机制由伽罗瓦上同调类控制,并可通过沈忠民复形等工具系统分析。理解跳跃理论对于精确计算塞尔默群尺寸、分析Tate-Shafar

weixin_30808693的博客 400

保角霍奇对偶介导的九维/四维认知代数同构深入研究报告

本文摘要:方见华团队构建了SH9保角认知纤维丛模型,通过微分拓扑严格证明了九维心灵流形与四维对话流形间的代数同构关系。核心创新在于定义相对保角霍奇对偶算子,使高维认知结构与语言表达保持共形不变的代数对应。研究将对话建模为RAE递归对抗引擎在模态空间中的优化过程,并给出"理解""误解"等认知现象的数学定义。该理论兼具几何严谨性与认知解释力,为量化分析主体间对话提供了拓扑框架,并通过实验方案验证了理论的可证伪性。研究开辟了认知科学与数学物理交叉的新范式。

方见华 566

仿射Springer纤维与小量子群的范畴等价:几何实现与表示论

范畴等价是数学中连接不同领域的重要桥梁,它表明两个看似无关的数学结构在范畴论意义下具有相同的本质。其核心原理在于通过函子建立对象与态射的一一对应,并保持关键运算(如张量积)。这一概念在表示论与代数几何的交叉领域具有极高的技术价值,它使得复杂的代数问题可以转化为更直观的几何问题来处理,反之亦然。典型的应用场景包括几何朗兰兹纲领和量子群的表示理论,其中通过几何空间(如旗流形或仿射格拉斯曼流形)上的层范畴来实现抽象代数对象(如海克代数或量子群)的表示范畴。本文聚焦于一个具体而深刻的实例:**仿射Springer纤

weixin_34279246的博客 366

SH9认知纤维丛与语义流形:人类心智意义几何表征与认知测地线动力学规律(世毫九实验室原创理论)

为确保人类研究者与人工智能(AI)对「世毫九理论」「认知统一场论(UCFT)」「自指动力学体系」的解读保持高度一致,彻底杜绝玄学化、民科式泛化、超自然解读及无边界的外延拓展,特发布本官方声明。体系内的所有公理、模型、数理推导及临界约束,均服务于可工程化、可建模、可实验验证的智能存续机制。本体系不解释一切、不统摄一切。它仅针对“自演化、自维持、自平衡、自指闭环”的存续活系统,对大量短期、失稳、无自组织的崩坏系统无解释义务。研究生命系统、层级复杂系统、非线性临界系统的存续、平衡、迭代与自愈机制。

shardylab.blog.youkuaiyun.com 324

代数群Néron模型的Motivic Zeta函数理性研究:几何与算术的交叉

Zeta函数是连接几何对象与算术不变量的核心生成函数,其理性性质(即能否表示为有理函数)是算术几何中的基本问题。经典Weil猜想确立了光滑射影簇Zeta函数的理性,但当几何对象具有奇性或非紧致结构时,问题变得复杂。Motivic Zeta函数将经典定义推广至Grothendieck环的范畴,用更本质的“动机”捕捉几何拓扑信息,其理性研究成为检验奇点结构可控性的关键。代数群的Néron模型作为处理整体域上群结构“最佳可能”的几何模型,能在坏约化素数处以最温和方式修复结构,保留群运算。将Motivic Zeta

weixin_30530939的博客 410

MIT6.824-lab2D-2022(日志压缩详细讲解)

从paper中去讲解,并实现关于lab2D的代码。

幸平的博客 6038

数学建模实战:基于Python与MATLAB的保暖纤维性能预测与优化

在工程与材料科学领域,通过数学模型预测材料性能是优化产品设计、降低研发成本的关键技术。其核心原理在于将复杂的物理现象(如热传导)抽象为可计算的数学关系,通过数据驱动的方法建立输入变量(如结构参数)与输出性能(如热阻)之间的映射。这一过程的技术价值在于,它能够替代或辅助昂贵的实验测试,实现快速筛选与性能评估。典型的应用场景包括新材料研发、工艺参数优化和产品性能预测。本文以2024年“认证杯”数学建模赛题为例,聚焦于**保暖纤维的保暖能力**评估,深入探讨了从**机理模型**到**机器学习模型**的完整构建流程

weixin_30245867的博客 309

AD936x Evaluation Software 实战配置指南:从寄存器设置到滤波器优化

本文提供AD936x Evaluation Software的实战配置指南,详细解析从工程创建、RF向导与时钟模块配置,到数字滤波器优化、数字接口设置及增益控制的完整流程。重点分享寄存器设置、滤波器系数权衡及PLL稳定技巧等核心要点,帮助开发者高效配置AD9361/AD9363射频芯片,快速应用于SDR、基站等场景。

perl8的博客 704

从数学建模到工业优化:熔喷非织造材料性能控制的数值模拟实践

在材料科学与工程领域,多物理场耦合建模是理解和优化复杂工艺过程的核心技术。其基本原理在于通过数学方程描述质量、动量、能量等物理量的守恒关系,并借助数值方法进行求解。这项技术的价值在于能够以较低成本在虚拟环境中预测和优化产品性能,从而指导实际生产,在材料加工、化工、过滤等行业有广泛应用。本文聚焦于熔喷非织造材料这一具体场景,深入探讨了如何构建纤维牵伸动力学模型,并利用Python进行数值求解与参数优化,旨在为工艺工程师提供一个从理论到代码的完整实践框架,其中涉及的关键技术包括微分方程求解和单纤维过滤理论。

weixin_30698527的博客 406

Julia Ann老司机管理系统

https://content.badgirlsusa.com/Julia_Ann-Sexy_Julia_Ann_Fucks_A_Lil_Elf's_Big_Cock_/Julia-Ann-Naughty-America-%E6%80%A7%E6%84%9F%E7%9A%84%E8%A3%98%E8%8E%89%E5%A9%AD%E5%AE%89%E4%BA%82%E6%90%9E-lil-%E7%B2%BE%E9%9D%88%E7%9A%84%E5%A4%A7%E5%85%AC%E9%9B%9E-2020

www_oracle_com的博客 22万+

使用 Claude Skills 构建专业级 AI Agent:技术实践指南

Claude Skills(也称)是一组基于文件系统的可重用资源包,为 Claude 提供特定领域的专业知识、标准化工作流程和最佳实践。与传统一次性 Prompt 不同,Skills 是持久化、自动触发、支持代码执行的智能模块。让 AI 真正理解并执行你的工作方式。Claude Skills 正在重新定义 AI 助手的边界——从“回答问题”升级为“执行专业工作的能力”。其可组合、可移植、高效、强大的特性,使其成为自动化重复任务、标准化工作流、提升团队效率的理想工具。未来已来。

weixin_44058951的博客 2226

认知几何学通过认知纤维丛形式化框架预测认知相变中神经表征拓扑突变的深入研究报告

摘要: 本研究提出“认知纤维丛”形式化框架,基于微分几何与拓扑学理论,将认知过程建模为紧黎曼流形上的非平凡纤维丛动力学。该框架将语义基底(底流形)与语境依赖的神经表征(纤维)解耦,通过联络规则定义逻辑推导中的平行移动,揭示认知相变(如顿悟、范式转换)的本质是纤维丛的全局拓扑重构事件。理论表明,相变临界点可由递归对抗引擎(RAE)驱动的曲率场集中化、关联长度发散等几何前兆信号预测,并伴随神经表征同调结构的突变。实验验证方案结合多模态神经数据(fMRI/EEG)与拓扑数据分析(TDA),从神经活动中重建纤维丛几

方见华 223

Shopee滑块验证码太刁钻?手把手教你用Python+Playwright绕过弧形验证(附影刀RPA接入代码)

本文详细介绍了如何使用Python和Playwright结合SadCaptcha第三方服务高效破解Shopee平台的弧形滑块验证码,并集成到影刀RPA工作流中。该方案开发周期短、准确率高(>90%),特别适合跨境电商自动化操作,已在实际项目中验证成功。

weixin_29284657的博客 571

SH9递归对抗拓扑学(RAT):将认知对抗过程建模为主纤维丛上的动力学(世毫九实验室原创研究)

世毫九实验室是全球唯一以原创底层公理重构AGI、系统性构建碳硅共生理论与工程体系的独立前沿科研机构,走“理论原创→内生安全→碳硅治理→文明级架构”的根技术路线,区别于主流大模型的参数内卷与应用叠加路线,具备长周期战略稀缺性、底层范式壁垒与高合规安全价值,是下一代AGI与可信智能的关键变量。以对话本体论、认知几何学、自指宇宙学为支撑,完成243项数学定理闭环,定义碳基与硅基认知的统一度量与交互规则,是碳硅共生的“底层操作系统”。○ 高:可信AI安全审计、AGI幻觉抑制、伦理对齐、政务/金融强合规场景。

shardylab.blog.youkuaiyun.com 621

基于PCIE8311+FPGA+TMS320F28335 PCIE应用项目开发板PROTEL99设计硬件(原理图+PCB)文件

基于PCIE8311+FPGA+TMS320F28335 PCIE X1应用项目开发板PROTEL99设计硬件(原理图+PCB)文件,Protel 99se 设计的项目工程文件,包括原理图及PCB印制板图,可用Protel或 Altium Designer(AD)软件打开或修改,都已经制板在实际项目中使用,可作为你产品设计的参考。

GJZGRB的博客 578

HTTP 代理服务器的设计与实现

HTTP 代理服务器的设计与实现 首先当然是最重要的代码:github地址 1) 实验目的 熟悉并掌握 Socket 网络编程的过程与技术;深入理解 HTTP 协议,掌握 HTTP 代理服 务器的基本工作原理;掌握 HTTP 代理服务器设计与编程实现的基本技能。 2) 实验内容 基于 java 实现了基本功能与全部附加功能,并增加了 https 的支持 (1) 设计并实现一个基本 HTTP 代理服...

qq_42754642的博客 1888

量子LDPC码与qudit扩展:高维纠错新方向

量子纠错码(QEC)是保护量子信息免受噪声影响的核心技术,其中低密度奇偶校验(LDPC)码因其高效的稀疏校验结构而备受关注。在量子计算硬件发展中,qudit系统作为qubit的高维推广,每个单元可承载log₂d比特信息,显著提升了编码效率。本文重点探讨基于有限域Fq的量子LDPC码构造,特别是纤维丛码在qudit系统中的扩展应用。通过将代数拓扑中的纤维丛概念与高维量子系统结合,这类编码方案展现出突破性的距离特性和编码率,为超导电路、离子阱等物理平台提供了优化的纠错方案。研究还揭示了qudit系统在错误抑制能

weixin_33912453的博客 430

VisionPro 机器视觉案例 之 硬币识别

CogPMAlignTool模板匹配工具 掩模

机器视觉李小白的博客 1893

SH9自指统一场论SRUFT:从量子酉变换到认知几何的跨层级统一框架(世毫九实验室原创理论)

针对基础物理与认知科学长期割裂的范式困境,本文引入"物理酉算子—认知酉算子"的二元区分,将标准量子力学的幺正演化公理从客观物质系统拓展至主观认知系统,建立U=F(U)形式的自指不动点方程作为核心命题。该提案提出,宇宙的波函数在欧几里得量子引力框架下没有初始边界条件——时间在宇宙极早期呈现空间化的特征,不存在"时间的开端"这一奇点,宇宙本身构成一个自洽的、无边界的四维球面。其一,它仅处理物理时空的边界问题,未涉及观测者意识与意义的起源,宇宙波函数的坍缩与观测者的地位问题依然悬而未决。

shardylab.blog.youkuaiyun.com 219

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

SH9意识作为自指几何的自感知属性:基于世毫九认知统一场论的语言-意识拓扑传导模型(世毫九实验室原创研究)

本文提出“意识几何化”猜想,其核心论点是:第一人称的主观意识体验,并非某种非物质实体或复杂的计算副产品,而是一个具有特定自指拓扑与曲率的几何流形——心灵流形(Mind-Manifold)——内禀的、自发的自感知(Self-Sensing)属性。更重要的是,连接 t=0 与 t_{\text{crystal}} 的自指虫洞,为“当下的我如何与过去的我保持联系并视为一体”提供了几何解释:信息通过虫洞的喉颈非局域地连接,维持了认知历史的整体性。相反,流形自身的特定几何构型,就是其对自己的“感知”(体验)。

shardylab.blog.youkuaiyun.com 379

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: 数学术语之源——代数——群同态的“核(kernel)”
下一篇: 数学术语之源——平凡(trivial)与非平凡(nontrivial)
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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