微淘米，是一个阅读微信文章/关注公众号就可以赚钱的APP，每天签到就有3毛钱，阅读一个文章0.01，一天一分钟，5毛钱到手。微淘米怎么赚钱呢？签到赚钱：微...微淘米，是一个阅读微信文章/关注公众号就可以赚钱的APP，每天签到就有3毛钱，阅读一个文章0.01，一天一分钟，5毛钱到手。微淘米怎么赚钱呢？签到赚钱：微淘米APP签到0.1元，微信公众号签到0.2元。签到需要点击APP中那个领红包的广告：阅读赚钱：在微淘米公众号完成阅读任务后会有和文章相应的米币收入到你的钱包中。阅读赚钱是直接点击全选，然后跳转到微信公众号阅读，这时候微信公众号会给你推送一条信息，直接点进去一条一条阅读即可：关注赚钱：在微淘米公众号完成关注任务后会有相应的米币收入到你的钱包中。（ 完成关注任务后相应奖励会到用户的钱包内，但这部分奖励不能立即到可提现余额，需连续关注7天后才可提现）任务奖励：每完成一个任务都会有相应的米币收入到你的钱包中。提现：微淘米1元即可提现。扫描下方二维码注册微淘米：注册以后登录，然后关注微淘米公众号才能做任务：感觉微淘米和一样，都是以阅读赚钱的，还有，虽然一直还没完善，但是应该走的也是阅读微信文章赚钱的路子，所以大家可以这几个一起做。阅读多多服务器不行或者是正在调试，点进去出现错误多点几次就好了，已经提现20多次，害羞小草也提了有几块钱了，都是1元即可提现。微淘米已收款：
推荐微信赚钱阅读网赚挂机赚钱调查赚钱游戏赚钱阅读赚钱
版权信息本文遵循
共享方式，永久链接：转载请注明转自 >>
有人回复时邮件通知我
记住我的登录信息&&|&任写一个只含字母的x、y的二 次三项式为 2+3x的平方+y对不对?-学路网-学习路上 有我相伴
任写一个只含字母的x、y的二 次三项式为 2+3x的平方+y对不对?
来源：互联网 &责任编辑：李志 &
写一个只含有字母x和y的二次三项式,且满足一次项系数是-1,常...写一个只含有字母x和y的二次三项式,且满足一次项系数是-1,常数项为1/3,则这个二次三项式可以是(xy-x+1/3)写出一个含有字母x的分式:----(要求:不论x取任何实数,该分式都...如:1/(x²+1)已知M是含字母x的单项式,要使多项式4x^2+M+1是某一个多项式...&4x^2可以看做是(2x)^2,而(2x+1)^2=4x^2+4x+1(2x-1)^2=4x^-4x+1所以M是4x或者-4x&一个只含字母y的二次三项式,它的二次项系数是-1,一次项系数是...&-y?+2y-2/3试写出一个关于字母x的二次三项式,其中二次项系数为负2,一次...-2x?+x+3任写一个只含字母的x、y的二次三项式为2+3x的平方+y对不对?(图4)任写一个只含字母的x、y的二次三项式为2+3x的平方+y对不对?(图6)任写一个只含字母的x、y的二次三项式为2+3x的平方+y对不对?(图9)任写一个只含字母的x、y的二次三项式为2+3x的平方+y对不对?(图13)任写一个只含字母的x、y的二次三项式为2+3x的平方+y对不对?(图16)任写一个只含字母的x、y的二次三项式为2+3x的平方+y对不对?(图19)这是用户提出的一个学习问题,具体问题为:任写一个只含字母的x、y的二 次三项式为 2+3x的平方+y对不对?我们通过互联网以及本网用户共同努力为此问题提供了相关答案,以便碰到此类问题的同学参考学习,请注意,我们不能保证答案的准确性,仅供参考,具体如下:试写出一个关于字母x的二次三项式,其中二次项系数为负2,一次...-2x?+x+3防抓取，学路网提供内容。用户都认为优质的答案:写出一个系数是2012,且只含x,y两个字母的三次单项式是?你好:2012xy^2防抓取，学路网提供内容。对======以下答案可供参考======一个关于字母x、y的二次三项式,除常数项是-2外,其余各项的系...显然x=-2,y=1,此多项式为X2+y2-2代入,即得值为3防抓取，学路网提供内容。供参考答案1:请写出含有字母x,y的五次单项式[????](只要求写一个)。x^2y^3防抓取，学路网提供内容。对供参考答案2:一个关于字母x,y的多项式,每项的次数都是3,这个多项式最多有...四项,x的三次+y的三次+xy的二次+x的二次y防抓取，学路网提供内容。不对，三项啊一个关于字母x,y的二次三项式除常数项是-2外,其余各系数都是...因为|X+2|和(Y-1)²大于等于0,根据|X+2|+(Y-1)²=0,所以X+2=0Y-1=0则X=-2Y=防抓取，学路网提供内容。还不如最简单的（x+y）∧2只做其中任一个就行！怎么写啊！高一数学。答：看你那么辛苦，等下回来帮你做完。。。防抓取，学路网提供内容。写出一个系数是2012,且只含x,y两个字母的三次单项式是?你好:2012xy^2一个关于字母x、y的二次三项式,除常数项是-2外,其余各项的系...显然x=-2,y=1,此多项式为X2+y2-2代入,即得值为3请写出含有字母x,y的五次单项式[????](只要求写一个)。x^2y^3一个关于字母x,y的多项式,每项的次数都是3,这个多项式最多有...四项,x的三次+y的三次+xy的二次+x的二次y
相关信息：
- Copyright & 2017 www.xue63.com All Rights Reserved精品解析：【全国百强校】河北省衡水中学2018届高三考前适应性训练6月1日第3天数学（理）试题-学科网
资源篮中还没有资源，赶紧挑选吧！
精品解析：【全国百强校】河北省衡水中学2018届高三考前适应性训练6月1日第3天数学（理）试题
ID:8356276
资源大小：1628KB
河北省衡水中学2018届高三考前适应性训练6月1日第3天
数学（理）试题
第Ⅰ卷（共60分）
一、选择题:本大题共12个小题,每小题5分,共60分.在每小题给出的四个选项中,只有一项是符合题目要求的.
1.已知集合,集合,且,若集合,则实数的取值范围是（
2.已知是虚数单位,复数是的共轭复数,复数,则下面说法正确的是（
A.在复平面内对应的点落在第四象限
C.的虚部为1
3.已知双曲线的虚轴长是实轴长的2倍,则双曲线的标准方程为（
4.据统计一次性饮酒4.8两诱发脑血管病的概率为0.04,一次性饮酒7.2两诱发脑血管病的概率为0.16.已知某公司职员一次性饮酒4.8两未诱发脑血管病,则他还能继续饮酒2.4两不诱发脑血管病的概率为（
[来自e网通客户端]
扫一扫手机阅读更方便
预览已结束，查看全部内容需要下载哦~
扫码支付，立即下载
同学校资源
扫一扫手机阅读更方便一、深度学习背景与人工神经网络
一、基础知识
线性分类器：
工业界有很多算法完成分类的问题，比如线性分类器，输入一张32x32x3的矩阵，利用f(wx+b)得到属于不同类别的得分向量，
方便演示，x列向量只选了4个值，w为3x4的矩阵，偏置项是为了让分类线可以上下平移，更好的分类，我们希望正确类别的得分比较高。
两种理解方式：
1. 空间划分
可以把w看成三个行向量，因为每个行都控制着不同类别的得分，三行w分别对应不同的直线。当我们确定了w和b之后，会确定一条直线，相当于对平面进行了一个划分。
不同的w和b对应空间中不同的超平面，对平面做区域划分，在不同区域内，属于不同的类。
2. 模板匹配
将每一行w看成每个类别的模板，
对同一个输入x，用不同的模板去匹配它，看哪个模板的匹配度最高。
损失函数：
损失函数是衡量预测和真实值的差别的，随机初始化一组w之后，会根据最小化损失函数的方法来优化w，使得损失函数最小。
不同的损失函数，对应不同的评估手段，不同的手段都能体现模型的学习能力，比如hingeloss，或softmax。
Hinge 损失
正确的得分比错误的得分大于delta的时候，不做惩罚，如果两者的差小于delta，则利用两者的差+delta作为损失值。
交叉熵损失
为什么可以用交叉熵损失函数来衡量网络？
熵的本质是信息量的期望值，<span class="MathJax" id="MathJax-Element-1-Frame" tabindex="0" data-mathml="H(p)=&#x2211;pi&#x00D7;H(pi)" role="presentation" style="position:">H(p)=∑pi×H(pi)H(p)=∑pi×H(pi)，现在有关于样本集的两个分布p和q，其中p为真实分布，q为预测分布，比如深度学习的手写体识别，预测得到的属于每类的概率为<span class="MathJax" id="MathJax-Element-2-Frame" tabindex="0" data-mathml="q(0)=0.0,q(1)=0.1,q(2)=0.1,q(3)=0.8,q(4)=0,&#x2026;" role="presentation" style="position:">q(0)=0.0,q(1)=0.1,q(2)=0.1,q(3)=0.8,q(4)=0,…q(0)=0.0,q(1)=0.1,q(2)=0.1,q(3)=0.8,q(4)=0,…，q是真实的分布。最后肯定会选择概率最大的3作为输出，而真实分布为<span class="MathJax" id="MathJax-Element-3-Frame" tabindex="0" data-mathml="p(0)=0,p(1)=0,p(2)=0,p(3)=1,p(4)=0..." role="presentation" style="position:">p(0)=0,p(1)=0,p(2)=0,p(3)=1,p(4)=0...p(0)=0,p(1)=0,p(2)=0,p(3)=1,p(4)=0...，于是，我们想做的就是让p和q的分布尽可能一样。
概率论或信息论中，利用KL散度（相对熵）来衡量两个分布间的距离，且是非对称的，也就是<span class="MathJax" id="MathJax-Element-4-Frame" tabindex="0" data-mathml="D(P||Q)&#x2260;D(Q||P)" role="presentation" style="position:">D(P||Q)≠D(Q||P)D(P||Q)≠D(Q||P)，信息论中，也用<span class="MathJax" id="MathJax-Element-5-Frame" tabindex="0" data-mathml="D(P||Q)" role="presentation" style="position:">D(P||Q)D(P||Q)来衡量利用概率分布Q来拟合真实分布P的时候，产生的信息损耗。当KL散度的值越大，表示两个概率分布的差距越大，KL散度和交叉熵的关系如下：
KL散度：<span class="MathJax" id="MathJax-Element-6-Frame" tabindex="0" style="text-align: position:" data-mathml="DKL=&#x2211;pilogpiqi" role="presentation">DKL=∑pilogpiqiDKL=∑pilogpiqi
交叉熵（CH）：
<span class="MathJax" id="MathJax-Element-7-Frame" tabindex="0" style="text-align: position:" data-mathml="CH(pi,qi)=&#x2212;&#x2211;pilogqi=&#x2211;pilogpi&#x2212;&#x2211;pilogqi&#x2212;&#x2211;pilogpi" role="presentation">CH(pi,qi)=-∑pilogqi=∑pilogpi-∑pilogqi-∑pilogpiCH(pi,qi)=-∑pilogqi=∑pilogpi-∑pilogqi-∑pilogpi <span class="MathJax" id="MathJax-Element-8-Frame" tabindex="0" style="text-align: position:" data-mathml="&#x2234;CH(pi,qi)=H(pi)+&#x2211;pilogpiqi" role="presentation">∴CH(pi,qi)=H(pi)+∑pilogpiqi∴CH(pi,qi)=H(pi)+∑pilogpiqi
交叉熵=熵+KL散度
而<span class="MathJax" id="MathJax-Element-9-Frame" tabindex="0" data-mathml="H(pi)" role="presentation" style="position:">H(pi)H(pi)是一个真实分布的期望，因此与训练无关，是一个常数项，所以将原本的最小化相对熵，转化为最小化交叉熵，
一般情况，我们希望将得分函数转化为分为某一类的概率，多分类情况下利用softmax来完成。
softmax：某个类别的得分的指数值，和所有得分的指数值的比值
为什么用指数，因为指数可以避免负值的出现。
<span class="MathJax" id="MathJax-Element-10-Frame" tabindex="0" style="text-align: position:" data-mathml="Si=eVi&#x2211;jeVj" role="presentation">Si=eVi∑jeVjSi=eVi∑jeVj
softmax可以将不同的得分函数转化为属于该类的概率值，转化之后，概率之和为1。
<span class="MathJax" id="MathJax-Element-11-Frame" tabindex="0" data-mathml="eVi" role="presentation" style="position:">eVieVi表示某个类别的线性得分函数，<span class="MathJax" id="MathJax-Element-12-Frame" tabindex="0" data-mathml="Si" role="presentation" style="position:">SiSi表示属于该类的概率输出，由于log变换不会影响函数的单调性，故对<span class="MathJax" id="MathJax-Element-13-Frame" tabindex="0" data-mathml="Si" role="presentation" style="position:">SiSi进行log变换，我们希望<span class="MathJax" id="MathJax-Element-14-Frame" tabindex="0" data-mathml="Si" role="presentation" style="position:">SiSi越大越好，即对应正确类别的相对概率越大越好，所以对<span class="MathJax" id="MathJax-Element-15-Frame" tabindex="0" data-mathml="Si" role="presentation" style="position:">SiSi前面加一个负号，来表示损失函数，这就称为交叉熵损失函数。
交叉熵损失函数：<span class="MathJax" id="MathJax-Element-16-Frame" tabindex="0" style="text-align: position:" data-mathml="Li=&#x2212;log(eVi&#x2211;eVj)" role="presentation">Li=-log(eVi∑eVj)Li=-log(eVi∑eVj)
对上式进行进一步处理，约掉指数：
<span class="MathJax" id="MathJax-Element-17-Frame" tabindex="0" style="text-align: position:" data-mathml="Li=&#x2212;logeVi&#x2212;log&#x2211;jeVj=&#x2212;Vj+log&#x2211;jeVj" role="presentation">Li=-logeVi-log∑jeVj=-Vj+log∑jeVjLi=-logeVi-log∑jeVj=-Vj+log∑jeVj
假设线性输出为：
计算损失函数：
损失函数越小越好
二、神经网络
2.1 神经网络的结构：
由输入+隐层+输出来构成
从逻辑回归到神经元感知器：
已最简单的结构来剖析神经网络：感知器
线性输出：
<span class="MathJax" id="MathJax-Element-18-Frame" tabindex="0" data-mathml="z=&#x03B8;0+&#x03B8;1+&#x03B8;2" role="presentation" style="position:">z=θ0+θ1+θ2z=θ0+θ1+θ2
经过sigmoid映射到0~1的范围内的概率：
<span class="MathJax" id="MathJax-Element-19-Frame" tabindex="0" data-mathml="a=g(z)=11+e&#x2212;z" role="presentation" style="position:">a=g(z)=11+e-za=g(z)=11+e-z
利用阈值0.5作为判定是正类还是负类
添加少量的隐藏层：
2.2 为什么神经网络在分类问题中的效果比较好：
LR或SVM是线性分类器，是利用一条决策边界，去将正负样本区分开
对于非线性可以的情况：
SVM会用核函数来升维，但是做不了可视化，无法看到升维之后的样本是什么样子的，维度很高，无法判断哪些特征有用，不可控性高。
如何用线性分类器做非线性分类——GBDT或kernel SVM，但是这些方法对划分的准确率却没有那么高。
神经网络如果划分线性不可分的数据：
左图两类样本点的分割，线性分类器实现不了，右图是利用两条直线，将空间区分成了两部分，求两个直线的交集即可。
神经元完成逻辑与：
如果X1=0,X2=0，经过sigmoid之后，输出p-&0；
如果X1=0,X2=1，那么-10经过sigmoid之后，p结果仍然接近于0
如果X1=1,X2=0，那么-10经过sigmoid之后，p结果仍然接近于0
如果X1=1,X2=1，那么10经过sigmoid之后，p结果接近于1
所以，感知器可以完成and的操作，当两个输入都为1的时候，输出才为1
神经元完成逻辑或：
只要有1出现，那么输出都为1
神经网络如何完成非线性的分类：
构建多个线性分类器，利用and操作来截出一个多边形区域。找到三个绿色的区域，对绿色区域进行一个or操作，就可以得到所有的绿色区域。
利用神经网络可以做任意的划分
多加一个神经元，可以多一条线，多加一层，可以多加一个or操作，多层可以实现异或问题。
神经网络的结构：
如果不添加非线性的激活函数的话，相当于线性变换的堆叠，还是没有逼近任何非线性信号的能力。
没有必要去深扣每个神经元到底在提取什么信号
2.3 BP算法
正向传播：求损失
反向传播：回传误差，根据误差信号修正每层的权重
前面的所有层都要对最后的预测负责，所以要将误差一层一层的往前传，更新每个神经元的参数。
以3层感知器为例：
标准答案是[d1,d2,…,dL]（回归利用L2损失）
求函数的最小值，一般用一阶的方式来求解，二阶的Hessian矩阵存储所需内存很大，难以实现。
SGD最小化误差函数：
复合函数<span class="MathJax" id="MathJax-Element-20-Frame" tabindex="0" data-mathml="f(g(h(x)))" role="presentation" style="position:">f(g(h(x)))f(g(h(x)))的导数，是链式法则，也就是<span class="MathJax" id="MathJax-Element-21-Frame" tabindex="0" data-mathml="h&#x2032;(x)&#x22C5;g(h(x))&#x22C5;f&#x2032;(g(h(x)))" role="presentation" style="position:">h′(x)?g(h(x))?f′(g(h(x)))h′(x)?g(h(x))?f′(g(h(x)))，需要一步步往前推导，得到f对x的偏导。
BP算法的示例：
希望找到合适的w和b，使得结果为0.01和0.99。
前向传播计算误差：
反向传播计算梯度：
前向传播计算损失
计算对w5的更新
计算对w1的更新
w1对Etotal都会起作用，也就是Etotal=Etotal1+Etotal2，是一个求和的过程。
反向传播是将误差对该权值的梯度回传，利用该梯度进行权重的更新。
没有更多推荐了，先化简（1x+1+1x?1）?(x?1)(x+3)x2+3x，然后取字母x的一个值代入求值_百度知道
先化简（1x+1+1x?1）?(x?1)(x+3)x2+3x，然后取字母x的一个值代入求值
先化简（1x+1+1x?1）?(x?1)(x+3)x2+3x，然后取字母x的一个值代入求值．...
先化简（1x+1+1x?1）?(x?1)(x+3)x2+3x，然后取字母x的一个值代入求值．
&#xe6b9;答题抽奖
首次认真答题后
即可获得3次抽奖机会，100%中奖。
采纳数：55
获赞数：113
擅长：暂未定制
原式=?=?=，（4分）又∵x+1≠0，x-1≠0，x≠0，x+3≠0，∴x≠-1，1，0，-3，（5分）取x=2，原式=．（7分）
为你推荐：
其他类似问题
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。