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")