Raphael's Home

从粒子到波 Des particules aux ondes 🦜 在本章中，我们将看到，作为我们将光描述为粒子的回报，粒子有时也会表现为波，特别是当我们看到粒子数产生的干涉图像时。 玻尔轨道模型 Les orbites de Bohr 氢原子光谱 Le spectre d’émission de l’hydrogène 当受到5000伏的激发时，氢气变得高度激发，得到一种特殊的光谱。 1885年巴尔默提出了一个经验公式，后来由里茨推广，得到再微弱激发下的波长值： \[ \frac{1}{\lambda}=R_{\infty}\left(\frac{1}{2^2}-\frac{1}{n^2}\right) \] 其中，\(R_{\infty} \approx 1.097 \times 10^7 \mathrm{~m}^{-1}\)是里德伯格常数(constante de Rydberg)。这是通过观察第一可见发射线分别为红色（0.656μm）、蓝色（0.486μm）、靛蓝（0.434μm）和紫色（0.410μm）来确定的。 尽管经验公式的提出 ...

从波到粒子 Des ondes aux particules 十九世纪末的物理 这种观点似乎已经传开了，在几年内，所有伟大的物理常数都将被近似估计出来，而留给科学工作者的唯一任务就是将这些度量值更加精确。 现在物理学没有什么新鲜事可谈。剩下的就是越来越精确的测量。 本章将解释科学界是如何在一系列反直觉的实验结果的基础上发明光子的概念的。 黑体辐射光谱 Le spectre de rayonnement du corps noir 每一个温度达到T的物理物体都会辐射出电磁波。人们认为这是由于热量加速了带电粒子的运动，产生了随机非简谐运动，从而产生了电磁波。如此，观察到的辐射光谱应该是连续的。 黑体 corp noir 黑体是完全吸收体，它们吸收所有的电磁辐射而不反射任何电磁辐射，所有的能量都转化为电磁辐射被释放出，而黑体本身处于热平衡状态。 如此，黑体辐射光谱仅取决于热平衡温度。 一个简单的例子如下： [{"url":"https://raphaelhyaan-1322456377.cos.ap-beijing.myqcloud.c ...

记数系统和编码 Systèmes de numération et codes associés 编码 code 编码是一组数字chiffre、字母lettre、单词mot等与某些符号（可能具有相同性质或任何其他性质）之间的双射对应关系。 当与数字系统直接关联时，编码被称为加权pondéré编码，因此可以直接对编码表达式执行经典算术操作。 记数系统 Systèmes de numération 基和基数 base et clé 记数系统的基本元素是其基base ，是一组可用来表示任何数值x的数组，其中的数字被称为比重poid \[ \left(\ldots, N^{-n}, N^{-(n-1)}, \ldots, N^{-1}, N^0, N^1, \ldots, N^{p-1}, N^p, \ldots\right), n, p \in \mathbb{N}^* \] 基是由一个自然数N和其幂组成，被称为基数clé 如果我们只对整数感兴趣，可以将其定义为： \[ \left(N^0, N^1, \ldots, N^{p-1}, N^p, \l ...

控制系统的基础概念 Systèmes de commande 控制系统输入是传感器提供的用户指令和报告，控制系统输出是发送给预执行器的命令和发送给用户或其他系统的信息。 逻辑系统 Systèmes logiques 开关 自动系统中使用的许多部件通常只能呈现两种不同的状态：灯打开或关闭、开关打开或关闭、发动机运行或停止、气缸打开或缩回等。 这些组件因此是状态空间离散的系统，因此它们是离散系统 système discret。此外，由于它们的输入和输出变量是逻辑的，因此它们更具体地称为逻辑（或二进制）系统systèmes logiques。 逻辑变量 Variable logique 当且仅当一个变量a在任何时刻只能取两个可能值中的一个值时，它是逻辑logique的（或二进制binaire的，或布尔booléenne的） 组合系统和顺序系统 Systèmes combinatoires et systèmes séquentiels 组合系统和顺序系统是逻辑控制系统的一个划分 如果输出对于输入的给定组合是唯一的，则系统称为组合 ...

南海子三次游记 Created: February 26, 2024 10:13 AM Tags: 动物 有空闲时间去南海子公园闲逛以及是遥远的开学之前的事了。一直以来都因为各种纠结的心情，搁置了这篇游记。 🦆 我不知道该如何描述这三天。如果仅仅是出去游山玩水，那再整个寒假，我的一大“兴趣”就是以出去游玩作为理由，浪费用来做其他事的时间。不必寄情于任何东西，哪怕只是在公路旁散步，也能暂时离开联系我与所有烦心事的书桌，暂时的从电脑身边逃开。待到回去，则又以已经没有什么时间为借口，埋藏其羞愧或者犹豫的心情，将一切平展，任由时间从其上流过，直到下一个时间上的节点。 如此，我便说不清楚，在寒假期间，我是真心的想去看看身边的生物，还是仅仅是为了将完整的，极其适合学习或者研究的时间打碎的接口。所谓的兴趣也不怎么清晰起来，时不时的开始怀疑，有这么多所谓的兴趣，以“必有精进”的借口日复一日，是否只是一种在我真正想做的事和必须要做的事之间开辟一条缓冲带。 [{"url":"https://raphaelhyaan-1322456377.cos.ap-beijing.m ...

万德冬季鸟类 Created: February 17, 2024 12:44 PM Tags: 动物 时隔许久终于回到家乡一次，不知是因为冬季，因为此起彼伏的鞭炮声，还是因为我一直在城镇中未到野外，家乡的鸟类并没有想象中那样多。但还是有些收获。 我在之前的文章中曾说家乡没有喜鹊只有乌鸦，这是错误的。首先，喜鹊和灰喜鹊的确是这次冬季返乡遇到的最多的鸟，我在山间野路晃悠半天，鸟类也只见到了喜鹊。初次之外，最多的就是斑鸠。这与北京的鸟类相仿，但鸟的密度远远不如大运村，常常许久看不到一直鸟，尽管那边是农村。 唯一见到的一种在北京不曾见到的鸟，正是之前我印象中的“乌鸦”，其真实身份可能为八哥。之所以觉得可能是八哥，主要是从其飞翔和站立时翅膀的白色斑点和头上的一小撮毛确定的。其声音也颇为相近。于清晨集群于高处鸣叫的特点也比较符合，或许小时候觉得鸟极多正是出门上学时总能遇到集群的八哥。之所以说又是不确定，则是因为按说指名亚种为留鸟，见于长江中游水源处从四川东部及陕西南部至南方，山东并不在其分布范围内。当然，八哥在北京也常常有目击记录。 另一个偶然的惊喜则是一只疑似白头鹎的鸟，落在 ...

这样历时两周的生成式神经网络的学习就完成了。总的来说，完成的效率算是不错。 之所以要学习生成式神经网络，一方面是要补充一些深度学习的知识。毕竟我并不是计算机专业的学生，无论是原理上还是专业上都还需下些功夫。另一方面，可能就是填补放假之后内心的空白，缓解内心的焦虑吧。每每放假，离开校园会到家中，虽然并不常常出门，但总觉得距离社会更近，即将离开校园的压力也就更大了… 说会深度学习，在这次学习中，借助于PyTorch本身的教程，网络中一些实现的代码和各类AI工具，对尝试对一些简单的模型使用PyTorch重现。尽管许多重现不能达到原论文的效果，实践能力上的提升和理解的加深依旧是不错的收获。可惜由于时间因素，有许多代码没能充分理解，也有些重现的代码中存在一些问题。Diffusion的PyTorch代码至今没有完善，也只能等待之后有时间时再去进一步研究了；而最后一张各种的GAN，如果在接下来的工作中没有使用，可能不会进一步学习了吧。 从下周开始就要开始开始实现毕设了。不知道能否顺利的完成啊… 参考网站 Papers with Code - The latest in Machine ...

Chapter 10 Advanced GANs 各种各样的GAN 在本次学习的最后，回归最初学习的目的，来尝试了解各种各样的GAN网络。我可能会尝试实现其中的一些模型。 三个的建立在早期论文思想上的重要模型ProGAN → StyleGAN → StyleGAN2 了解ProGAN模型。 理解ProGAN如何被改造以构建StyleGAN 探索StyleGAN如何被调整以创建StyleGAN2 了解这些模型的关键贡献，包括渐进式训练、自适应实例归一化、权重调制和解调以及路径长度正则化。’ 两个引入了注意力机制的模型SAGAN → BigGAN 了解Self-Attention GAN (SAGAN)的架构，该架构将注意力机制纳入GAN框架。 了解BigGAN如何扩展SAGAN论文中的想法以产生高质量的图像。 两个融合了VAE，Transformers和GAN思想的模型VQ-GAN → ViT VQ-GAN 了解VQ-GAN如何使用码本将图像编码为可以使用Transformer建模的离散序列的token。 了解ViT VQ-G ...

Chapter 9 Transformers 由于文本生成不是我的主要学习目的，本章学习不会尝试使用PyTorch复现。另一个原因是Diffusion的PyTorch版主直到本章开始学习都不能正常工作。考虑到目前对一些知识还处于一知半解的状态，且我的学习目的也并非实现Diffusion或者GPT这些网络，故暂时不会进行使用PyTorch的重现。 尽管如此，我还是在原文提供的GPT上进行一些“随心所欲”，或者说“完全不知道原理只是瞎改”的，修改。尽管我现在还有得到结果，但可以预料到势必会导致表现变差。 PyTorch的重现已经添加，基本架构相同，只是作用在另一个任务上。 介绍 Transformer神经网络是一种不需要循环或者卷积架构，依赖于注意力机制的神经网络。是目前用于文本生成的最重要的架构。 GPT 全程Generative Pre-Training 是一种能够在大量文本数据上训练的Transformer架构。在预训练期间，模型被训练为在给定先前单词的情况下预测序列中的下一个单词。此过程称为语言建模，用于教导模型理解自然语言的结构和模式 ...

Chapter 8 Diffusion Models 扩散模型 这个模型很有意思，我会尝试使用PyTorch实现。 介绍 扩散模型是过去十年中引入的最具影响力和影响力的图像生成生成建模技术之一。扩散这个名字的灵感来自于热力学扩散特性 突破性的扩散模型论文于 2020 年夏天发表。该论文揭示了扩散模型和基于分数的生成模型之间的深层联系，作者训练了一个扩散模型，可以在多个数据集胜过竞争对手 GAN，称为去噪扩散概率模型 (DDPM) 扩散电视 我们再次从一个小故事开始。 💡 您站在一家出售电视机的电子商店里。这里有数百台相同的电视机按顺序连接在一起，一直延伸到商店的后面。更奇怪的是，最前面的几台电视机似乎只显示随机的静态噪声。 店主解释说，这是新的DiffuseTV型号。在制造过程中，DiffuseTV接触了数千张以前的电视节目的图像，但是这些图像都被逐渐加入了随机的静态噪声，直到它们与纯随机噪声无法区分。然后，电视机被设计成以小步骤消除随机噪声，尝试预测在加入噪声之前图像是什么样子的。 可以看到，当走进商店时，每台电视机上的图像 ...