CSS
CSS基础CSS全称为“层叠样式表 (Cascading Style Sheets)”，它主要是用于定义HTML内容在浏览器内的显示样式，如文字大小、颜色、字体加粗等。
如下列代码：
p{
font-size:12px;
color:red;
font-weight:bold;
}
使用CSS样式的一个好处是通过定义某个样式，可以让不同网页位置的文字有着统一的字体、字号或者颜色等。
CSS语法css 样式由选择符和声明组成，而声明又由属性和值组成。
选择符：又称选择器，指明网页中要应用样式规则的元素，如本例中是网页中所有的段（p）的文字将变成蓝色，而其他的元素（如ol）不会受到影响。
声明：在英文大括号“｛｝”中的的就是声明，属性和值之间用英文冒号“：”分隔。当有多条声明时，中间可以英文分号“;”分隔，如下所示：
p{font-size:12px;color:red;}
注意：
1、最后一条声明可以没有分号，但是为了以后修改方便，一般也加上分号。
2、为了使用样式更加容易阅读，可以将每条代码写在一个新行内，如下所示：
p ...
HTML
HTML基础HTML和CSS关系
css是用来修饰html样式的
html本身是有一些默认样式,如果我们想改变html标签的样式,就需要借助css
html+css构成了我们网页的基本页面结构和样式
标签的使用
标签由英文尖括号<和>括起来，如就是一个标签。
html中的标签一般都是成对出现的，分开始标签和结束标签。结束标签比开始标签多了一个/。
如：
<p></p>
<div></div>
<span></span>
标签与标签之间是可以嵌套的，但先后顺序必须保持一致，如：<div>里嵌套<p>，那么</p>必须放在</div>的前面。
HTML标签不区分大小写，<h1>和<H1>是一样的，但建议小写，因为大部分程序员都以小写为准。
HTML基本结构技术点的解释：
<!DOCTYPE html>:文档类型声明，表示该文件为 HTML5文件。<!DOCTYPE> 声明必须是 HTML 文档的 ...
MySQL
连接命令行cd到目录
C:\Program Files\MySQL\MySQL Server 8.0\bin
mysql -u root -p
数据操作添加删除数据查看DBshow databases
添加DBcreate database gc
删除DBdrop database gc
gc 为数据库名
数据类型文本类型
数据类型
描述
CHAR(size)
保存固定长度的字符串(可包含字母、数字以及特殊字符)●在括号中指定字符串的长度。最多255个字符。
VARCHAR(size)
保存可变长度的字符串(可包含字母、数字以及特殊字符)。在括号中指定字符串的最大长度。最多255个字符。注释:如果值的长度大于255，则被转换为TEXT类型。
TINYTEXT
存放最大长度为255个字符的字符串。
TEXT
存放最大长度为65,535个字符的字符串。
BLOB
用于BLOBs (Binary Large OBjects).存放最多65,535字节的数据。
MEDIUMTEXT
存放最大长度为16,777,215 个字符的字符串。
MEDIUMB ...
note of deeplearning
深度学习笔记RNN(循环神经网络)
CNN(卷积神经网络)
RNN
循环序列模型为什么选择序列模型
数学符号
输入$x^{}$
输出$y^{}$
序列长度$T_x$
词向量one-hot编码
RNN模型用普通神经网络的问题
输出和输入维度不对应
序列前后不存在联系
解决，引入RNN
a^{}=g_1(w_{aa}a^{}+w_{x^{1}}+b_a)
\hat{y}=g_2(w_{ya}a^{}+b_y)更一般情况
a^{}=g_1(w_{aa}a^{}+w_{x^{t}}+b_a)
\hat{y}=g_2(w_{ya}a^{}+b_y)进一步化简
a^{}=g_1(w_{a}[a^{},x^{t}]+b_a)
\hat{y}=g_2(w_{ya}a^{}+b_y)前向传播
RNN常用激活函数
tanh
ReLU
通过时间的反向传播单个单元Loss Function
L^{}(\hat{y}^{},y^{})=
-y^{}log\hat{y}^{}-(1-y^{})log(1-\hat{y}^{})Loss function
L(\hat{y}^{},y^{})=
\sum_{t=1}^{T_n}L^{}(\hat{y}^{},y^{})RNN ...
CNN“
卷积神经网络Computer Version传统的机器视觉的特征提取算法大都基于梯度实现，卷积神经网络为解决视觉问题提供了一个新的方法
边缘检测，特征提取卷积运算是卷积神经网络的基本组成部分。下面以边缘检测的例子来介绍卷积运算。
所谓边缘检测，在下面的图中，分别通过垂直边缘检测和水平边缘检测得到不同的结果：
假设对于一个 $6\times6$ 大小的图片（以数字表示），以及一个 $3\times3$大小的 filter（卷积核） 进行卷积运算，以* 符号表示。图片和垂直边缘检测器分别如左和中矩阵所示：
不同的边缘检测水平和垂直
其他Filter
对于复杂的图片，我们可以直接将 filter 中的数字直接看作是需要学习的参数，其可以学习到对于图片检测相比上面filter更好的更复杂的 filter ，如相对于水平和垂直检测器，我们训练的 filter 参数也许可以知道不同角度的边缘。
通过卷积运算，在卷积神经网络中通过反向传播算法，可以学习到相应于目标结果的 filter，将其应用于整个图片，输出其提取到的所有有用的特征。
Padding目的在每次卷积运算中图片会缩小且边缘的特征信息损 ...
Radiation
5.2 Green’s Functions格林函数本章将考虑在有源情况下的麦克斯韦方程，先写出频域有源情况下的麦克斯韦方程
Dyadic Green’s Functions
\begin{cases} \nabla\times\overrightarrow{E}=iw\overrightarrow{B}\\
\nabla\times\overrightarrow{H}=-iw\overrightarrow{D}+\overrightarrow{J}\\
\nabla\cdot\overrightarrow{B}=0\\
\nabla\cdot\overrightarrow{D}=\rho
\end{cases}得到
\nabla \times \nabla\times\bar E-k^2\bar E=iw\mu\bar J为了解出这个方程，我们引入格林函数
\bar E(\bar r)=iw\mu\iiint d\bar r^{'}\bar G(\bar r,\bar r^{'})\cdot\bar J(\bar r^{'})
在数学中，格林函数是一种用来解有初始条件或边界条件的 ...
Wave Guide
Guidance by Conducting Parrallel Plates 金属波导导引对于一个非常非常导电的conducting Media$\epsilont=\epsilon_g+i\sigma/w,\sigma/w\epsilon_g>>1$此时TE波的菲涅尔反射系数$P{ot}^{TE}=\infty,R^{TE}=-1,T^{TE}=0$
\bar{E}_1=\bar E_i+\bar E_r=\hat{y}(2isink_{ix}x)e^{ik_zz}
\bar{E}_1(r,t)=-\hat{y}2sink_{ix}xsin(kz-wt)在x方向形成驻波
模型建立在x=0，x=d电场强度为0的位置放置两块平行板
y方向电场
E_y=Ae^{ik_xx+ik_zz}+e^{-ik_xx+ik_zz}
由上述推导知
当x=0
A/B=-1
当x=d
B/A=-e^{i2k_xd}
得到
e^{i2k_xd}=1=e^{i2m\pi}
\to 2k_xd=2m\piGuidance Condition导波条件$k_x=\frac{m\pi}{d}=\ ...
Reflection and Transmission
界面处场的关系
\hat{n}\times(\bar{E}_1-\bar{E}_2)=0
\hat{n}\times(\bar{H}_1-\bar{H}_2)=\bar{J}_s
\hat{n}\cdot(\bar{B}_1-\bar{B}_2)=0
\hat{n}\cdot(\bar{D}_1-\bar{D}_2)=0
任何圆极化和椭圆极化可以分解为两个线性极化波TE,TM波求解
Js为界面处电荷密度
为了解决反射和透射问题，我们把波分为两组类型，TE波和TM波，因为任何波都可以用着两种波线性组合
Reflection and Transmission of TE Waves电场场垂直入射平面的波，垂直极化
incidence wave 入射波
\bar{k}_i=\hat{x}k_x+\hat{z}k_z
\bar{E}_i=\hat{y}e^{i\bar{k}_i\cdot\bar{r}}
\bar{H}_i=\frac{1}{w\mu}\bar k_i\times\bar E_i
\bar S_i=\bar k_i\frac{1}{w\mu}|\bar E_i|^2Refl ...
KDB
wave vector k的引入由亥姆霍兹方程
(\nabla^2+w^2\mu\epsilon)\overrightarrow{E}=0
解得
\overrightarrow{E}(\overrightarrow{r})=\overrightarrow{E}e^{i(k_xx+k_yy+k_zz)}
k_x^2+k_y^2+k_z^2=w^2\mu\epsilon=k^2定义wave vector k
\overrightarrow{k}=\hat{x}k_x+\hat{y}k_y+\hat{z}k_zposition vector
\overrightarrow{r}=\hat{x}x+\hat{y}y+\hat{z}z则
\overrightarrow{k}\cdot\overrightarrow{r}=k_xx+k_yy+k_zz则
\overrightarrow{E}(\overrightarrow{r})=\overrightarrow{E}e^{i\overrightarrow{k}\cdot\overrightarrow{r}}代回麦克斯韦方程
\ ...