44 lines
1.6 KiB
Python
44 lines
1.6 KiB
Python
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") |