【因子图优化（Factor Graph Optimization, FGO）】第三章：前沿应用与扩展方向

复杂地形会导致山脊加速、山谷偏转、背风回流及局地湍流，公里级天气预报难以满足风机选址、风电预测和山火建模需求。FuXi-CFD基于1.2万余个CFD案例，融合粗分辨率风场与30 m地形信息，重建27层三维风场，推理速度提升超三个数量级，并在欧洲测风塔数据中表现出良好的跨区域泛化能力。

**关键实现（今天最容易搞混的一点）：** 输出层 `activation="linear"`，配 `SparseCategoricalCrossentropy(from_logits=True)`——不是直接把 softmax 当激活，而是**让损失函数在内部自动算 softmax**（`from_logits=True` 就是"我传的是没归一化的原始分数 logits，你帮我加 softmax 再算交叉熵"）。- **多分类 = 从"是/不是"升级到"是哪个"。

因子图的二分特性保证了约束的局部性：每个因子仅连接其直接涉及的变量，形成稀疏的邻接结构。这种局部性直接决定了推断算法的计算复杂度——优化问题的Hessian矩阵稀疏模式与因子图的邻接矩阵同构。

把这 10 张（或更多年龄段）图片按顺序拼接，用 OpenCV 或 FFmpeg 导出为 MP4，就能看到“一个人”的年龄变化过程。：模型只学了 10 个离散年龄段（0~9），直接切换标签会导致五官突然“跳变”，无法生成 18岁→18.5岁 这种细腻变化。如果连续年龄回归，会更加的丝滑，接下来我们将修改一版连续年龄回归的代码，还是在这个的基础之上进行！，比如用预训练的 ArcFace 提取人脸特征，约束不同年龄帧的特征向量尽量接近。，会生成固定噪声下不同年龄的人脸图片，实现“编辑年龄”的效果。

维度说明通俗定义多项式回归就是给线性回归添加“平方项”、“立方项”等高阶项，让原本的直线变成曲线，从而更好地拟合非线性的数据分布学术定义多项式回归是将自变量 x 的高次幂（x²、x³、…、xⁿ）作为新特征加入模型，从而拟合自变量与因变量之间非线性关系的回归分析方法核心思想“直线不够，曲线来凑”——通过在特征中加入 x 的幂次（x², x³, …），使模型能够表达出弯曲、波浪等复杂形状数学表达一元 n 次多项式回归： y = w₀ + w₁·x + w₂·x² + … + wₙ·xⁿ。

StyleGAN（及其升级版StyleGAN2、StyleGAN2-ADA）是目前最主流的选择，它本身是一个高质量的人脸生成器，但研究者们发现可以通过操控其内部的“潜在空间”（Latent Space）来精确控制生成人脸的各种属性。：一个框架，包含一组转换函数，用于在预训练好的GAN（如StyleGAN）的潜在空间中进行属性编辑，支持包括年龄和性别在内的多种属性。：一个较新的框架，结合了潜在扩散模型，能进行包括年龄、性别、表情在内的多属性、高分辨率的人脸编辑。

THz频段可为6G和物联网提供超大带宽，但传播损耗、制造要求和MIMO互耦增加了天线设计难度。该研究构建紧凑型1×2 THz MIMO贴片天线，以多槽结构调控谐振，并用隔离墙抑制端口耦合。天线覆盖8.20-9.63和9.95-10.86 THz，峰值增益14.07 dB，效率87.7%，隔离度约-42至-44.64 dB。Extra Trees模型R²为98.13%，MAE为1.31%，单次预测约0.098 s。结果表明，电磁仿真、等效电路与机器学习结合可加速设计，但仍需微纳加工和实验验证。

AI节能不是对传统BAS的简单替代，而是在现有自控系统之上叠加智能决策层，实现从"自动化"到"智能化"的跨越。随着算法成熟和算力成本下降，AI节能将成为智慧楼宇的标配能力，助力建筑行业迈向零碳未来。

PC7130 E模式700V，17A，130mΩ氮化镓高电子迁移率晶体管。快速且可控的下降和上升时间。

K-Means算法也就是K均值算法，它是一种经典的聚类算法。所谓聚类算法，就是把数据集中的样本划分为若干组，这里的组也称之为簇，英文名是Cluster。

我们使用Python和经典的，目标是。用"笨办法"处理分类问题，其实就是在的情况下，靠来做判断。我以鸢尾花分类为例，给你展示几种"笨办法"。

本文总结机器学习中回归、分类与聚类任务的常见评估指标，包括计算方式、评价方向、特点与适用场景。

知识点核心内容关键要点监督学习核心区别有标签，学习映射 ( y=f(x) )需要大量标注数据，你标注的数据直接用于此无监督学习核心区别无标签，发现数据中的隐藏结构不需要标注，成本极低强化学习核心区别无标签，通过试错学习最优策略需要环境+奖励函数，适合序列决策三范式数据需求对比监督 > 强化 > 无监督（标注工作量）监督学习对标注工作量需求最大，这也是你数据标注工作价值最高的领域如何选择范式决策流程图：判断/预测 → 监督；找规律 → 无监督；做决策 → 强化先看有没有标签，再看需不需要序列决策。

核心任务：明确要解决什么问题，属于哪类任务。任务类型典型应用分类（Classification）垃圾邮件识别、图像分类回归（Regression）房价预测、销量预测聚类（Clustering）用户分群、异常检测强化学习（Reinforcement Learning）游戏AI、机器人控制同时需要明确评估指标，如准确率（Accuracy）、精确率/召回率（Precision/Recall）、均方误差（MSE）等。

常数、指数函数、幂指数、正弦余弦都有自己的导函数，会查表应用。机器学习中常见的数据表述；比如张三的数理化成绩信息：70,80,90。是数学中的一种基本概念，具有长度的。矩阵是数学中的一种基本概念，表达。：先对外函数求导，在对内函数求导。各个分量上求偏导，会形成一个向量。，张量是基于向量和矩阵的推广。先对外函数求导，再对内函数求导。1.标量、向量、矩阵、张量概念。单位阵：一种特殊的方阵 符号。知道向量和矩阵的简单运算。向量指一列顺序排列的元素。对称方阵：一种特殊的方阵，机器学习中常见的数据表述。

什么是机器学习？维度说明通俗定义机器学习就是让计算机从数据中自动学习规律，而不是通过人工编写固定规则来解决问题学术定义机器学习是研究如何通过经验（数据）来改善系统自身性能的一门学科。一个计算机程序被称作“学习”，是指它能够从数据或过往经验中总结规律，并利用这些规律对新情况做出判断或决策核心本质机器学习 =数据 + 算法 + 模型，三者缺一不可。没有数据，无法学习；没有算法，无法从数据中提取规律；没有模型，学习结果无处承载一句话理解。

这个课程我学习的时间还是比较长的，一是和比较早的期末考试撞上了，所以分心效率有点低。然后这个机器学习的课程的话，因为我确实没有看过其他的机器学习课程，所以评价可能不够全面。我个人感觉这个课程在数学推导方面讲的比较一般，很多算法的公式直接看当然看不懂，所以有很多口语化的解释很正常，但是老师确实一到数学就会混淆或者讲错一些小点。然后我感觉在数学基础知识的部分篇幅过长，而在比较复杂的推导感觉讲的有点乱，整体有点头重脚轻。

机器学习（ML）和深度学习（DL）是人工智能（AI）的两个核心分支，专注于使计算机能够从数据中学习。虽然两者都用于预测和自动决策，但它们在处理数据的方式和使用的模型的复杂性方面有所不同。了解它们之间的差异有助于我们为问题选择正确的方法，优化资源并在实际应用中取得更好的结果。