# d2l
# python

对于一般模型的概述

在深度学习中，实际上对于任意的一个模型，都有两个重要的部分： 1. 模型的结构 2. 模型的损失函数

模型的结构定义了模型的计算过程，而损失函数定义了模型的优劣并且指导模型的优化。

softmax回归

线性回归用于解决回归问题，softmax回归用于解决分类问题。

在简单的线性回归中，我们期望模型能够输出一个 标量值，对于 一系列 输入而言，其能够输出符合预期的结果。

softmax 回归也类似，其被用于解决分类问题，我们希望模型能够输出一个n维向量，这个向量的每一个元素代表了输入属于某个类别的概率。

softmax 函数

为了达到这样的目的，我们需要引入 softmax 函数，其能够将模型的输出转换为概率。softmax 函数的定义如下： \[softmax(x)_i = \frac{exp(x_i)}{\sum_{j=1}^{n}exp(x_j)}\]

其中，\(x\) 为模型的输出，\(n\) 为类别的数量，\(softmax(x)_i\) 代表了输入属于第 \(i\) 个类别的概率。这个函数的优点在于，其能够保持输出的概率和为1，并且各个概率值都在0到1之间。另外，由于 \(exp(x)\) 是一个非线性函数，因此 softmax 函数也是一个非线性函数，这使得模型对于较大的输入值更加敏感，从而能够更好地区分不同的类别。

损失函数——交叉熵

soft函数很好的解决了从模型的输出到概率的转换问题，

但是这样也引出来了另一个问题，为了优化参数，我们需要定义一个损失函数，但是对于分类问题，我该如何定义损失函数呢？这里我们引入了交叉熵损失函数，其定义如下：

\[H(y, \hat{y}) = -\sum_{i=1}^{n}y_i\log(\hat{y}_i)\]

其中，\(y\) 为真实的标签，\(\hat{y}\) 为模型的输出，\(n\) 为类别的数量。

这个损失函数的优点在于，其能够衡量模型的输出与真实标签之间的差距，当模型的输出与真实标签完全一致时，交叉熵损失函数的值为0，当模型的输出与真实标签差距越大时，交叉熵损失函数的值也越大。

对于分类问题，我们期望的输出 应当是 除了真实标签之外，其他标签的概率都应该接近于0，而真实标签的概率应该接近于1。通过计算交叉熵损失函数，我们就能够衡量模型的输出与真实标签之间的差距，从而指导模型的优化。

# python
# d2l

在 神经网络 中，训练的本质实际上是优化参数，使得模型的预测值与真实值之间的误差尽可能小。通过定义损失函数的方式，我们可以知道 参数 与 结果 之间的关系，通过求导的方式， 我们可以知道如何调整参数使得损失函数最小。

假设损失函数为 \(L(\theta)\)，那么我们的目标就是找到一个 \(\theta\) 使得 \(L(\theta)\) 最小。对于一个给定的 \(\theta\)，我们可以通过计算 \(L(\theta)\) 得知其的损失，然后我们求导 \(L(\theta)\)，得到其在 \(\theta\) 处的梯度 \(\nabla L(\theta)\)，然后我们可以通过梯度下降的方式，即 \(\theta = \theta - \alpha \nabla L(\theta)\) 来更新 \(\theta\) 。其中 \(\alpha\) 是学习率，是一个超参数，用来控制每次更新的步长。

上述的方法即为梯度下降法，是一种常用的优化方法。从数学上可以证明，梯度下降最终一定能找到一个局部最优解。

在实际运用的时候，我们经常将多个样本的损失函数的平均值作为最终的损失函数，即 \(L(\theta) = \frac{1}{n} \sum_{i=1}^{n} L(\theta, x_i, y_i)\)，其中 \(n\) 为样本的数量，\(x_i\) 为第 \(i\) 个样本的特征，\(y_i\) 为第 \(i\) 个样本的标签。但是这样又引出了另一个问题，即当样本数量很大的时候，我们需要计算所有样本的梯度，这样会导致计算量过大，因此我们通常会采用随机梯度下降法，即每次只计算随机选择的多个样本，然后更新参数，而不是全部样本。

下面，我们生成一个人工数据集，然后使用梯度下降法来拟合这个数据集。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

import torch
import numpy as np
import random
import matplotlib.pyplot as plt

# 生成数据集
num_inputs = 2
num_examples = 1000
true_w = [2, -3.4]
true_b = 4.2
features = torch.tensor(np.random.normal(0, 1, (num_examples, num_inputs)), dtype=torch.float)
labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b
# 加入噪声
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float)

# 读取数据
def data_iter(batch_size, features, labels):
    num_examples = len(features)
    indices = list(range(num_examples))
    random.shuffle(indices)
    for i in range(0, num_examples, batch_size):
        j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)])
        yield features.index_select(0, j), labels.index_select(0, j)

batch_size = 10
for X, y in data_iter(batch_size, features, labels):
    print(X, y)
    break

接下来，我们定义模型和损失函数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

# 定义模型，这里我们不使用 nn.Module，而是自己手搓
def linreg(X, w, b):
    """线性回归模型。"""
    return torch.matmul(X, w) + b

# 定义损失函数
def loss(y_hat, y):
    """均方损失。"""
    return (y_hat - y.reshape(y_hat.shape)) ** 2 / 2

# 定义优化算法
def sgd(params, lr, batch_size):  #@save
    """小批量随机梯度下降。"""
    with torch.no_grad():
        for param in params:
            param -= lr * param.grad / batch_size
            param.grad.zero_()

# 初始化参数
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float, requires_grad=True)
b = torch.zeros(1, dtype=torch.float, requires_grad=True)

# 训练模型
lr = 0.03
num_epochs = 3
net = linreg
loss = loss

for epoch in range(num_epochs):
    for X, y in data_iter(batch_size, features, labels):
        l = loss(net(X, w, b), y).sum()
        l.backward()
        sgd([w, b], lr, batch_size)
    with torch.no_grad():
        train_l = loss(net(features, w, b), labels)
        print(f'epoch {epoch + 1}, loss {float(train_l.mean()):f}')

# 未完成
#

d2l-4-mlp多层感知机

# 驾校

![[07.23 星期二#驾校练车 - 倒车出入库]]

# python

# d2l

copilot 的解释

transforms.Compose 是 PyTorch 中 torchvision.transforms 模块的一个函数，它的功能是将多个图像变换（transforms）组合在一起。这在进行图像预处理时非常有用，因为你可以将多个变换操作（如裁剪、缩放、归一化等）串联起来，形成一个变换的流水线。这样，输入的图像就可以按顺序通过这些变换，最终得到适合模型输入的格式。

参数 trans 是一个包含多个图像变换操作的列表。transforms.Compose 会按照这个列表中变换操作的顺序，依次对输入图像进行处理。

示例代码：

1
2
3
4
5
6
7
8
9
10
11
12
13

from torchvision import transforms

# 定义一系列图像变换操作
trans = [
    transforms.Resize((256, 256)),  # 将图像大小调整为 256x256
    transforms.ToTensor(),  # 将图像转换为 PyTorch 张量
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 归一化处理
]

# 使用 transforms.Compose 来组合这些变换
transform_pipeline = transforms.Compose(trans)

# 现在，transform_pipeline 可以被用来对图像进行预处理

在这个例子中，transform_pipeline 就是一个预处理流水线，任何通过它的图像都会先被调整大小，然后转换为张量，最后进行归一化处理。

其中的归一化处理：

1

transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

这行代码中的归一化处理是指对图像的每个通道（在RGB图像中分别是红、绿、蓝通道）进行标准化。这个过程会按照下面的公式对每个通道的像素值进行调整：
$$normalized_channel = \frac{channel - mean}{std}$$

其中：

• channel 是指图像中某个通道的像素值。
• mean 是预先计算好的该通道的平均值。
• std 是预先计算好的该通道的标准差。

在这个例子中，mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 分别是在ImageNet数据集上预先计算好的RGB通道的平均值和标准差。通过这种方式进行归一化处理，可以使图像数据的分布更加接近标准正态分布，这通常有助于模型的训练效果。

# 大学

学校要求的调研内容的要求

1. 和社会紧密相关，有一定的社会意义
2. 有理有据，要有事实依据，要有分析过程及其内容

可能的选题

有关于大学校园心理课堂建设及其落地，及其青少年如何处理自己在新大学的种种问题。

我为什么可以天天这么快乐_哔哩哔哩_bilibili

## ai 的回答一

大学校园心理课堂建设及青少年适应性调研设计

一、调研目的与意义

本次调研旨在深入了解大学生在新环境中面临的心理挑战，评估校园心理课堂的有效性和需求，以及探索如何通过心理教育帮助学生更好地适应大学生活，提升心理健康水平。

二、子主题设计

1. 大学生的心理健康状况与适应性
   • 了解学生对大学环境的适应程度，包括学习、社交、生活等方面的压力感。
2. 心理课堂的知晓度与参与度
   • 调查学生对校园提供的心理课程和资源的了解情况，以及参与心理课程的意愿和频率。
3. 心理课堂的效果评估
   • 分析心理课程对学生心理状态的影响，包括压力管理、情绪调节、人际交往技巧等。
4. 学生对心理支持的需求与期待
   • 探索学生对心理支持的具体需求，如一对一咨询、团体辅导、在线资源等。
5. 心理教育与学业成绩的关系
   • 研究心理教育是否有助于提高学生的学术表现和整体福祉。

三、调研问卷设计（示例）

1. 基本信息（性别、年级、专业）
2. 心理健康自我评估
   • 您是否感到过焦虑或抑郁？（是/否）
   • 您通常如何应对压力？（提供多个选项，可多选）
3. 校园心理课程参与情况
   • 您是否参加过校园提供的心理课程或活动？（是/否）
   • 如果是，您觉得这些课程/活动对您的帮助有多大？（非常有帮助/有些帮助/没有帮助/不了解）
4. 心理支持需求
   • 您希望学校提供哪些形式的心理支持？（提供多个选项，可多选）
5. 对心理课堂的建议与期待
   • 您认为心理课堂应包含哪些主题或技能？
6. 心理教育与学业成绩
   • 您认为心理教育是否有助于提高学业成绩？（是/否/不确定）

四、预期结果与分析

• 预期发现大学生在适应新环境时存在不同程度的心理压力，心理课堂的参与度与学生心理健康呈正相关。
• 数据将揭示学生对心理课程的需求类型和偏好，以及心理教育与学业成绩之间的潜在联系。

五、解决办法建议

1. 增强心理课程的针对性与吸引力
   • 根据学生反馈调整课程内容，增加互动性和实用性。
2. 扩大心理服务的覆盖面
   • 提供更多样化的心理支持渠道，包括线上咨询、小组讨论等。
3. 强化心理教育与学业融合
   • 将心理教育融入日常教学中，教授时间管理、压力缓解等技能。
4. 建立心理健康的校园文化
   • 通过工作坊、讲座等形式普及心理健康知识，减少心理问题的污名化。

六、总结

通过上述调研，我们可以更准确地理解大学生的心理需求，为优化校园心理课堂建设和提供更有效的心理支持策略提供依据，从而促进学生的全面发展和校园环境的健康和谐。

ai的回答2

好的，设计一个关于大学校园心理课堂建设及其落地，以及青少年在新大学面临问题的调研，可以按照以下几个步骤进行：

1. 确定调研的子主题
2. 设计调研问卷
3. 预期结果与分析
4. 解决问题的办法

我们一步步展开。

一、确定调研的子主题

1.1 大学校园心理课堂建设的现状

• 心理课堂的覆盖率
• 学生对心理课堂的了解程度
• 学生参与心理课堂的积极性

1.2 心理课堂的有效性

• 心理课堂对学生心理健康的影响
• 学生对心理课堂内容的评价
• 心理课堂的教学方法与效果

1.3 青少年在新大学的适应问题

• 社会适应：如何交朋友、融入新环境
• 学习适应：如何适应大学的学习节奏和要求
• 生活适应：如何处理生活自理问题

1.4 学生心理问题的应对策略

• 学生常见心理问题及其成因
• 学校提供的心理支持和辅导
• 学生应对心理问题的策略

二、设计调研问卷

2.1 基本信息

1. 你的性别是？
   • A. 男
   • B. 女
   • C. 其他
2. 你的年级是？
   • A. 大一
   • B. 大二
   • C. 大三
   • D. 大四

2.2 大学校园心理课堂建设的现状

1. 你所在学校是否开设心理课堂？
   • A. 是
   • B. 否
   • C. 不知道
2. 你对心理课堂的了解程度是？
   • A. 非常了解
   • B. 了解
   • C. 一般
   • D. 不了解
3. 你参加心理课堂的频率是？
   • A. 经常参加
   • B. 偶尔参加
   • C. 从未参加

2.3 心理课堂的有效性

1. 你认为心理课堂对你的心理健康有帮助吗？
   • A. 非常有帮助
   • B. 有帮助
   • C. 一般
   • D. 没有帮助
2. 你对心理课堂内容的评价是？
   • A. 非常满意
   • B. 满意
   • C. 一般
   • D. 不满意
3. 你觉得心理课堂的教学方法如何？
   • A. 非常有效
   • B. 有效
   • C. 一般
   • D. 无效

2.4 青少年在新大学的适应问题

1. 你在新大学交朋友的难度如何？
   • A. 非常容易
   • B. 容易
   • C. 一般
   • D. 困难
2. 你适应大学学习节奏的难度如何？
   • A. 非常容易
   • B. 容易
   • C. 一般
   • D. 困难
3. 你在大学生活自理方面的困难有哪些？
   • A. 住宿
   • B. 饮食
   • C. 财务管理
   • D. 其他

2.5 学生心理问题的应对策略

1. 你是否曾经感到心理压力过大？
   • A. 经常
   • B. 有时
   • C. 偶尔
   • D. 从未
2. 你所在学校是否提供心理辅导服务？
   • A. 是
   • B. 否
   • C. 不知道
3. 你应对心理压力的主要策略是什么？
   • A. 寻求心理辅导
   • B. 与朋友/家人倾诉
   • C. 运动
   • D. 其他

三、预期结果与分析

3.1 大学校园心理课堂建设的现状

• 预期结果：大多数学校已经开设心理课堂，但学生对其了解程度和参与积极性不高。
• 分析：心理课堂的宣传和推广力度不够，需要加强。

3.2 心理课堂的有效性

• 预期结果：心理课堂对学生心理健康有一定帮助，但教学方法和内容评价一般。
• 分析：心理课堂的内容和教学方法需要改进，以提高其有效性。

3.3 青少年在新大学的适应问题

• 预期结果：大多数学生在交朋友和适应学习节奏方面有一定困难，生活自理问题集中在住宿和财务管理。
• 分析：需要为新生提供更多社交活动和学习辅导，同时加强生活技能培训。

3.4 学生心理问题的应对策略

• 预期结果：很多学生感到心理压力过大，但学校提供的心理辅导服务利用率不高。
• 分析：学校需要提高心理辅导服务的可及性和知晓度，鼓励学生利用这些资源。

四、解决问题的办法

4.1 加强心理课堂的宣传和推广

• 通过校园媒体、班级群等多渠道宣传心理课堂的重要性和好处，提升学生的参与积极性。

4.2 改进心理课堂的内容和教学方法

• 引入更多互动性强、实用性高的教学方法，邀请专业心理咨询师授课，增加实践环节。

4.3 提供更多社交和学习辅导活动

• 组织迎新活动、社团活动、学习小组等，帮助新生更好地融入大学生活。

4.4 加强生活技能培训

• 开设生活技能培训课程，包括财务管理、时间管理等，帮助学生提高自理能力。

4.5 提高心理辅导服务的可及性和知晓度

• 提高心理辅导服务的宣传力度，设置更加方便的预约和咨询渠道，鼓励学生积极寻求心理帮助。

通过以上步骤和策略，期望能够更好地建设大学校园心理课堂，帮助青少年处理在新大学面临的种种问题，提升他们的心理健康水平和适应能力。

# 游戏设计

灵感来源

【地球生物搞笑日常#244】_哔哩哔哩_bilibili

开头

我的想法

有意思

223.5.5.5
223.6.6.6

2400:3200::1
2001:4860:4860::8888

# 动漫

作画非常的精良

剧情也很有意思

# 游戏策划

一、目标

强调与背景音乐踩点的类银的游戏，使玩家能够在畅快的节拍感中挑战强大的敌人以及探索世界。

二、机制设计

整个机制实际上可以分为两大部分：

第一个部分就是平台跳跃部分，这里希望玩家能够获得爽快的有节奏感的平台跳跃体验；
第二个部分是与敌人的战斗部分，希望能够给玩家能够拥有爽快的战斗体验。

整体的节奏感，实际上是希望由玩家固定频率的跳跃来构建，下面我将分别讲解平台跳跃的部分和战斗的两个部分

平台跳跃

游戏中的平台跳跃由四个核心能力支撑，加以自动跳跃的设计，使得玩家能够在节奏感中得到爽快的平台跳跃的体验。

1. 刺击

玩家的默认攻击带有一段较为长的冲刺，所以说我也叫它刺击。刺击给玩家带来了在空中进行移动的能力。

使用刺击会消耗能量，但是刺击如果命中了敌人的节拍，将会恢复能量，从而支撑下一次的刺击。从而为玩家提供了极高的性能。

2. 向下格挡

玩家的武器是一把雨伞，当玩家向下格挡的时候，如果下方有敌人攻击的话，玩家会被弹射到空中，从而获得一段额外的跳跃。

3. 向上格挡

玩家向上格挡的时候，相当于玩家撑开了雨伞，从而获得了一个短暂的升力，能够让玩家在空中多腾空一个节拍。

4. 抓点

玩家可以在空中抓住点，从而获得一个额外的冲刺效果。玩家会在抓点处停留一拍，然后在下一个节拍的时候强制将自己抛射出去。

战斗

战斗依旧是围绕着节拍展开，玩家的攻击和敌人的攻击都是基于节拍的。

在战斗中，玩家可以通过踩点来增加自己的护盾，并且在踩点的时候，玩家可以恢复能量并且强化自己的下一次攻击。

1. 玩家的攻击和格挡

目标的效果是，玩家在跳跃的时候控制自己和怪物之间的距离，然后，在敌人攻击的节拍同时按下格挡键，就可以格挡敌人的攻击，增加自己的能量，并且在下一拍强化自己的攻击。具体而言，可以看下面的配图

敌人会跳起来攻击，然后玩家格挡之后相当于会把敌人挑飞，敌人会在天上飞一拍，并且玩家的轴会增加一个强拍。

此外，玩家的攻击也是基于节拍的，玩家的攻击会在敌人提供节拍/自己创造节拍的时候造成额外的伤害，同时，玩家的攻击也会在踩中节拍的时候削弱敌人的音符条：

• 在没有踩中节拍的时候，攻击会削减敌人的血量条
• 在踩中节拍的时候，攻击 还会 削弱敌人的音符条

2. 敌人的攻击样式

敌人不再会在节拍处做出摸棱两可的动作，而是一定会在标记的节拍处做出攻击动作。

同时，大部分敌人也会随着节拍固定的跳跃。

3.玩家的生命值 与 敌人的生命值

玩家的生命值是由护盾和生命值组成的，护盾可以在踩点的时候恢复，生命值只能通过经过特殊的记录点，或者使用恢复技能来恢复。

敌人的生命值是由音符条和生命值组成的，音符条可以在被踩点攻击的时候减少，生命值只能通过攻击来减少。每一层音符条都会减少敌人的受到的伤害，具体而言，为2+音符层数。一般来说基础的小怪会有2～3点音符条。boss的话大概为8点音符条及以上。当打破音符条的时候，敌人会受到额外的伤害，并进入短暂的眩晕状态。