矩阵代数吐槽
凸函数 convex function 竟然是凹进的！！！！！！！
JSON
介绍JSON（Javascript Object Notation）JavaScript对象简谱。
虽然json是JavaScript的严格子集，但也只是遵循JavaScript语法，要把它看成一种数据格式。
构成1. 简单值 字符串，数值，布尔值（必须用双引号），null
2. 对象 1234{ "name": "zzy", "age": "21"}
3. 数组1[12,"zzy",true]
解散和序列化即不用通过DOM，直接用数组和键值对的方式去取
1books[2].title \\book为json
json方法JSON.stringify()
把javascript序列为JSON
一般情况下，删除无效值并收紧
JavaScript对象中定义了toJSON: function(){};则返回toJSON中内容
（与Date对象类似）
JSON.stringify(var,过滤器（替代函数）,控制缩进)
过滤器
数组 []
函数 ...
JS基础
HTML中的Javascript1<script src="main.js"> 行内代码 </script>
如有下载执行脚本，则忽略行内代码。
main.js也可以替换为URL，下载别人的JavaScript文件。
script标签也是按顺寻执行的。
一般放在body尾部
几种属性defer
延迟执行，一般在</hteml>之后，DOMContentLoaded之前执行
只对外部脚本有效
async
异步执行脚本
只对外部脚本有效
动态加载脚本
同步加载
1234let script = docunment.createElement('script');script.src = 'main.js';script.async = false;document.head.appendChild(script);
头部提前显示声明
1<link rel='preload' href="mai ...
线性空间
线性空间说明：
对几何空间进行推广，通过抽象出几 何空间线性运算的本质
在任意研究对象的集合上定义具有线 性运算的代数结构
给元素（向量）装配了加法和数乘的非空集合（知乎）
条件：满足8个和代数差不多的性质，集合V称为数域P上的线性空间．
封闭性：运算以后的结仍包含在集合中。
线性组合 线性表示
线性相关一个向量可以由其他向量表示，即|A|=0
线性无关相反
向量组等价向量组可以互相表示
向量子空间类似于二维空间相对于三维空间的概念
生成向量组基特殊的极大无关组
线性变换一种多对多的关系，矩阵表示的就是变量之间的关系
所以，矩阵是一种映射关系
matlab基础
常用命令
clear 清空数据
close 关闭画图
tic toc 计时
clc 清楚命令行
help xx
whos 查看数据
format 格式（short，shortE，rat）显示格式
常用代码
for i=start:end
end
for i = 数组
end
； 取消命令行显示
自定义函数格式function output=functionName（var，var）
end
m文件的名称默认和函数名称一致>
函数内可以定义子函数
变量类型
logical
char “”
numeric（double）[]
cell {}
struct
转换：强制类型转换
字符串比较：strcmp（var，var）
Calling Priority
varible
build-in funciton
subfunction
private function
逻辑运算
~ 非
& 与
| 或
xor（ ，）异或
微信小程序npm配置
今天复习了矩阵代数，但是关于线性空间，矩阵特征，二次型还是非常不了解，总之要恶补一下。
然后是听说微信小程序大赛拿奖简单，今天去看了下，完全从零开始。本着有轮子就不自己造的摸鱼精神，先安装了npm，看看有啥好用的。
npm的配置npm全称node package Manager。
安装node.js，这时候npm就已经下好了。
cmd中执行npm install npm -g （环境变量基本都自己配置好了）
重新打开要用的终端就好了
碰到问题的话试着用管理员模式打开cmd
信息论
信息论介绍
信源
编码器
信道
译码器
信宿
信息论的度量
自信息 :事件的不确定性
I(x_i)=-\log p(x_i)=\log \frac{1}{p(x_i)}单位：2比特，e奈特，10哈莱特
互信息 ：一个事件给另一个事件的信息
I(x_i;y_i)=I(x_i)-I(x_i|y_i)=\log \frac{p(x_i|y_i)}{p(x_i)}
平均自信息量 （信息熵）
H(X)=E[I(x_i)]=-\sum_{i=1}^N p(x_i) \log p(x_i)
平均互信息量
I(X;Y)=\sum_{i=1}^n \sum_{i=1}^m p(x_iy_i)I(x_i;y_i)
=H(X)-H(X|Y) I(X;Y)：Y给X消除多少不确定性
H(X)：X的不确定性
H(X|Y)：有Y的时候，X的不确定性
在信道中 H(X|Y)：损失熵
H(X;Y)+H(X|Y)=H(X) H(Y|X)：噪声熵
H(Y;X)+ ...
