关于函数的事情

什么是函数

在运动变化的观点下,函数指一个量(因变量)随另一个量(自变量)的变化而变化。例如,当自变量xxx在定义域内取每个确定值时,因变量yyy都有唯一确定的值与之对应。
比如:y=2x+1y=2x+1y=2x+1y=x2−4y=x^2-4y=x24

函数图像

定义

函数图像是所有有序数对 (x,f(x))(x,f(x))(x,f(x)) 组成的集合,其中xxx是定义域内的自变量,f(x)f(x)f(x) 是对应的因变量值。
在平面直角坐标系上,横轴(xxx轴)表示数对中的xxx,而数轴(yyy轴)表示数对中的f(x)f(x)f(x)
xxxf(x)f(x)f(x)为坐标的点一一连接,就构成了函数图像。
例如,函数y=4xy=4xy=4x的函数图像:
在这里插入图片描述

函数分类

幂函数(包括一次函数,二次函数)

形如y=xay=x^ay=xa的函数,以 xxx为底数,指数为常数。
例如:y=x2y=x^2y=x2y=xy=\sqrt xy=xy=x3+9y=x^3+9y=x3+9
函数图像:
y=x2y=x^2y=x2
![幂函数]图像(https://i-blog.csdnimg.cn/direct/6ea74a90bfe0477098a065a0ef0f01ea.png#pic_center)

指数函数

形如y=axy=a^xy=ax的函数,以xxx为指数,底数为常量。
例如:y=10xy=10^xy=10x
函数图像:
y=10xy=10^xy=10x
指数函数图像

对数函数

形如y=logaxy=log_axy=logax的函数,与指数函数互为反函数,两者的函数图像关于y=xy=xy=x对称。
例如:y=log10xy=log_{10}xy=log10x
函数图像:
y=log10xy=log_{10}xy=log10x
对数函数图像

与指数函数y=10xy=10^xy=10x图像作对比:
对数函数与指数函数对比
特殊性质:若两函数底数aaa互为倒数,则两函数的图像关于xxx轴对称。

三角函数

勾股定理:直角三角形的两条直角边长度分别为aaabbb,斜边长度为ccc,那么就有a2+b2=c2a^2+b^2=c^2a2+b2=c2
证明:
三角函数证明

如图,aaabbb为直角三角形的直角边长,ccc为斜边长。
大正方形的面积为(a+b)2=a2+b2+2ab(a+b)^2=a^2+b^2+2ab(a+b)2=a2+b2+2ab
四个三角形的面积为:4×ab2=2ab4\times\frac{ab}{2}=2ab4×2ab=2ab
那么中间小正方形的面积就是(a2+b2+2ab)−2ab=a2+b2(a^2+b^2+2ab)-2ab=a^2+b^2(a2+b2+2ab)2ab=a2+b2
同时又因为小正方形的边长也就是三角形斜边长为ccc,所以小正方形的面积也是c2c^2c2
可以得出a2+b2=c2a^2+b^2=c^2a2+b2=c2
三角函数
三角函数三个主要的组成分别是正弦sinsinsin,余弦coscoscos,正切tantantan,他们适用于直角三角形的锐角,反映的是对应边的比值。
1.sin,表示对边斜边\frac{对边}{斜边}斜边对边的值。
2.cos,表示邻边斜边\frac{邻边}{斜边}斜边邻边的值。
3.tan,表示对边邻边\frac{对边}{邻边}邻边对边的值。
特殊值

角度000303030454545606060909090
sin00012\frac{1}{2}2122\frac{\sqrt 2}{2}2232\frac{\sqrt 3}{2}23111
cos11132\frac{\sqrt 3}{2}2322\frac{\sqrt 2}{2}2212\frac{1}{2}21000
tan00033\frac{\sqrt 3}{3}331113\sqrt 33不存在(∞)(\infin)()
反比例函数

形如y=kxy=\frac{k}{x}y=xk(k≠0k\ne0k=0)的函数,此时,yyyxxx成反比例关系。
例如:y=1xy=\frac{1}{x}y=x1
定义域
x≠0x\ne0x=0y≠0y\ne0y=0
函数图像:
反比例函数的函数图像为双曲线。
k>0k>0k>0时,双曲线位于第一、三象限;
k<0k<0k<0时,双曲线位于第二、四象限。
y=1xy=\frac{1}{x}y=x1的函数图像。
反比例函数图像

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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