From fda2a2e954006242889152dc190cce9ee29130d7 Mon Sep 17 00:00:00 2001
From: 2509165014 <2509165014@student.edu.cn>
Date: Tue, 21 Apr 2026 11:23:56 +0800
Subject: [PATCH] =?UTF-8?q?=E5=AE=8C=E6=88=90=E4=BD=9C=E4=B8=9A?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 fps.py | 44 ++++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 44 insertions(+)
 create mode 100644 fps.py

diff --git a/fps.py b/fps.py
new file mode 100644
index 0000000..cad8723
--- /dev/null
+++ b/fps.py
@@ -0,0 +1,44 @@
+for c in "Hello":
+    print(c,ord(c))
+    print(chr(65))
+# 数据表示形式：图像以数值矩阵（像素值）存储，是结构化的数值数据，计算机可以直接用数学运算（卷积、矩阵计算）处理；而文本是符号序列，是非结构化的字符数据，需要额外编码（如词向量）才能转为数值，无法直接用简单矩阵运算处理。
+# 语义理解：图像的语义基于视觉特征（边缘、颜色、纹理），规律相对直观；文本语义依赖上下文、语法、文化背景等，具有歧义性和抽象性，计算机很难像人类一样理解自然语言的深层含义。
+#向量基础
+import numpy as np
+
+# 定义向量
+A = np.array([3, 4])
+B = np.array([1, 2])
+
+# 1. 计算A + B
+add_result = A + B
+print("A + B =", add_result)
+
+# 2. 计算2 × A
+mul_result = 2 * A
+print("2 × A =", mul_result)
+
+# 3. 计算A的长度（模）
+norm_A = np.linalg.norm(A)
+print("A的长度（模） =", norm_A)
+import numpy as np
+from numpy.linalg import norm
+
+# 定义向量
+A = np.array([1, 2, 3])
+B = np.array([4, 5, 6])
+
+# 1. 计算点积A·B
+dot_product = np.dot(A, B)
+print("A·B =", dot_product)
+
+# 2. 计算余弦相似度
+cosine_similarity = np.dot(A, B) / (norm(A) * norm(B))
+print("余弦相似度 =", cosine_similarity)
+
+# 3. 向量A = [1, 0]，B = [0, 1]的余弦相似度
+A_new = np.array([1, 0])
+B_new = np.array([0, 1])
+cosine_similarity_new = np.dot(A_new, B_new) / (norm(A_new) * norm(B_new))
+print("新向量的余弦相似度 =", cosine_similarity_new)
+print("原因：两个向量相互垂直（正交），点积为0，因此余弦相似度为0")
\ No newline at end of file