Dave888Zhou

数学分析-一元微积分

1. 点集拓扑预备知识

（1）集合基础：包含关系、交并补、笛卡尔积运算、交换律/结合律/分配律/De-Morgan定律、集合的势cardX（两集合等势表示集合之间存在双射）、元素可数（表示与自然数集等势）、幂集 $2^{X}$ （由X的一切子集构成的集）

（2）Cantor定理： $card(X)<card(2^{X})$ 。证明思路用反证法，假设 $f:X\rightarrow 2^{X}$ 是双射，构造并分析集合 $A=\left \{ x\in X|x \notin f(x) \right \}$ 中的元素，引发与双射的矛盾。

（3）度量空间(X, d)：度量（也叫距离）d: $X^{2} \to R$ 的定义，需要满足正则性、对称性、三角不等式d(x, z)<=d(x, y) + d(y, z)。例如对Euclidean空间 $R^{k}$ ，可用向量距离d(x, y)=|x-y|作为一个度量。

（4）内点/边界点/聚点/孤立点/导集/闭包：

内点：表示存在p的邻域 $N_{r}(p)= \left \{ {q|d(p, q)<r} \right \}$ 全部包含在集合E中。直观上表示该点周围都围满了其他在该集合中的点。

边界点：表示任一邻域中至少有一个点在E中，且至少有一个点不在E中。注意边界点不一点属于E。E的边界点组成的集合叫作边界，记作 $\partial E$ 。

聚点（极限点）：p为集E的聚点，表示p的任一邻域内至少有异于p的一点在E中。这说明E中至少有一个无穷点列趋近于p。注意聚点并一定属于E，E的所有聚点构成E的导集，E并上E的聚点构成E的闭包 $\bar{E}$ 。注意欧氏空间中的内点一定是聚点，但一般拓扑空间中的内点就不一定是聚点（因为它有可能是孤立点）。反过来，聚点也不一定是内点。

孤立点：E中的非聚点称为E的一个孤立点。即存在一个邻域，其中不含E中除x的其他点。直观上表示该点在集合中被孤立，但是还没离队。欧氏空间中的孤立点一定是边界点，但一般拓扑空间中的孤立点就不一定是边界点。反过来，集合的边界点也不一定是孤立点。

（5）开集：集合中的点全部为内点。

（6）闭集/完全集：即聚点都在集合E内。另外若聚点都在集合内，且集合内的所有点都是聚点，则称为完全集。

（7）有界/稠密：有界表示存在一个圈，使得E中所有点都在这个圈内。即 $\exists x\in X, r\in R, s.t. \forall p\in E, d(x, p)<r$ ，则称E有界。注意x和r是事先固定。

稠密表示X的所有点都是E的聚点或E的点，即 $\bar{E}=X$ ，则称E在X中稠密。直观上稠密表示X的任何局部（即开子集）都有E中的点，E充满了X的各个地方，但E在X中可能还有"缝隙"。

（8）开覆盖：是一个开集序列 $H=\left\{ G_{\alpha} \right\}$ ，它的并集能覆盖E。任一集合的开覆盖总是存在的。

（9）紧集：集合的任意开覆盖都含有至少一个有限子覆盖（覆盖中只含有有限个集合）。注意紧集是用集合的有限开覆盖来定义的，一般拓扑中没有度量结构，怎么定义紧呢？拿开集去覆盖，就只需要有限多个。换言之，每一点都找一个开领域，那么只需要有限多个即可，其它的紧紧地围绕在他们身边。与极限类似，集合覆盖这种概念的引入体现的也是外部变化过程+无限逼近的思想。只不过极限是用一个点列去逼近某个数学对象，覆盖则是用一个集合序列通过不断相套夹逼这种“外部挤压”的方式去逼近某个数学对象。一个对象不好做数学定义和研究时（比如对它有什么好的性质一无所知），可以外部化，附加上某些已知的结构，或者“外部挤压”的方式去定义和研究它。

（10）格（矩形）：取 $a_{i},b_{i} \in R, a_{i}<b_{i}, i \in {1, 2, ..., k}$ ， $R^{k}$ 中的集合 $E=\left \{ (x_{1},x_{2},...,x_{k})|\forall 1\leq i\leq k,x_{i}\in \left [ a_{i},b_{i}] \right ] \right \}$ 称为一个k-格。格可以理解为高维的矩形，一维k-格是闭区间，2维则是矩形，3维立方体，以此类推。实际上它是这k个闭区间集合的笛卡尔积 $[a_{1},b_{1}]\times [a_{2},b_{2}]...\times [a_{k},b_{k}]$ 。定义它的体积 $|E|=\prod_{i=1}^{k}(b_{i}-a_{i})$ ，定义正方体为满足 $b_{1}-a_{1}=...=b_{n}-a_{n}$ 的矩形。

（11）分离/连通：集合A和B是分离的，表示 $\bar{A} \cap B=A \cap \bar B= \varnothing$ （这里 $\bar{A}$ 是A的闭包）。反之，若 $\bar{A} \cap B\neq \varnothing$ 或者 $A \cap \bar B\neq \varnothing$ ，则称集合A与B连通。集合"相离”这个条件要比“不交”强一点，它相当于两集合不交中“相贴”的情况也去掉了。例如[0, 1]和(1, 2)不交，但却是连通的，而(0, 1)与(1, 2)则是分离的。

（12）连通集：实数域R上的E为连通集 $\Leftrightarrow$ $\forall x,y \in E \and\ x<z<y,z\in E$ 。

（13）主要定理：

（13.1）开集闭集的性质：任意邻域都是开集。聚点的任一邻域都有无穷多个点在E里，即 $\forall p\in {E}', r>0$ ，有 $N_{r}(p)\cap E=T$ 为无限集。任一有限集都不含有聚点。E为开集 $\Leftrightarrow$ $E^{c}$ 为闭集。

（13.2）开集闭集的运算：对开集序列有限交运算封闭（仍为开集），任意并运算（有限或无限）也封闭。对闭集序列有限并运算封闭（仍为闭集），任意交运算封闭。

（13.3）闭包性质：闭包 $\bar{E}$ 为闭集，且是包含E的"最小"闭集。 $E=\bar{E}\Leftrightarrow E$ 为闭集。

（13.4）紧集性质：度量空间内所有的紧集都是闭集。紧集的闭子集仍然是紧集。闭集与紧集的交是紧集。任一k-格都是紧集。

（13.5）Cantor区间套定理：无限的非空紧集序列若构成一个区间套（即前一个紧集覆盖后一个紧集），则这个紧集序列的交是非空的；另外若这个区间套中的紧集越来越小（度量直径趋于0），则交集中只含一个点。（推论）特别地，实数系R上的任一无限闭区间套的交是非空的，并且含有唯一的一个实数。任一无限k-格区间套的交集是非空的。

（f）Heine-Borel有限覆盖定理： $R^{k}$ 上的子集E为紧集等价于E为有界闭集。特别地，R上的任一个闭区间都是紧集。

（g）Bolzano-Weierstrass聚点定理：紧集中的任一无限子集至少存在一个聚点。特别地， $R^{k}$ 的任一有界无限子集都有聚点。注意聚点定理可用区间套定理来证明。

（h） $R^{k}$ 中的任一非空完全集不可数。推论R上任一区间 [a, b] 不可数。card N

（14）拓扑空间：对集合X上的一个子集族 $\tau \subset 2^{X}$ ，它包含空集和X，其中的有限交封闭（有限个集合的交仍在 $\tau$ 中），任意并也封闭，则 $\tau$ 称为X上的一个拓扑，(X, $\tau$ )为拓扑空间。若 $A\in \tau$ ，则称A是该拓扑空间中的一个开集。若 $A^{c}\in \tau$ ，则称A是该拓扑空间中的一个闭集。开（闭）集是相对拓扑空间而言的，在这个拓扑空间里它是开（闭）集，可能它在另一个拓扑空间中就不是开（闭）集了。另外从闭集的定义可以看出所谓开集和闭集只是对同一拓扑空间的不同描述，因为一个空间，你只要定义了什么是闭集（就是全部闭集组成的集族是啥），自然也就定义了什么叫开集。

（15）拓扑的基：是一个子集族B（其中每个子集称为基元素），它遍历X中的每个元素（即X的每个元素都属于某个基元素），并且若有两个基元素 $B_{1}, B_{2}$ 都包含时，存在一个包含元素的嵌套基元素 $B_{3}\subset B_{1}\cap B_{2}$ 。

（16）滤子/滤子基：X的滤子是一个非空子集族E，其中单一交封闭，单一覆盖也封闭（ $A\subset E, A\subset B\subset X$ 时有 $B\subset E$ ）。仅有单一交封闭时称为滤子基（简称为基）。

（17）集合直径（长度）： $diamE\Leftrightarrow sup\left \{ d(p, q)|p,q\in E \right \}$ ，即E中“最大”的距离。

集合的距离： $d(A,B)=inf\left \{ d(x,y)|x\in A,y \in B \right \}$ ，即两个集合间“最小”的距离。

点到集合的距离： $d(x,A)=inf\left \{ d(x,y)|y \in A \right \}$

2. 极限ε-δ语言

变化过程+无限逼近的思想。用一个变化过程（离散或连续的点列）无限接近一个数学对象。

（1）数列极限/数列收敛： $\lim_{n \to \infty }p_{n}=a\Leftrightarrow \forall \epsilon >0,\exists N>0, s.t. n>N, d(p_{n}-a)<\varepsilon$ ，称数列 $p_{n}$ 收敛于a。数列收敛于a等价于每个子列都收敛于a。

（2）数列上下极限：上极限为广义子列极限的最大者（即极限可能是 $+\infty , -\infty$ ），即全部广义子列极限组成的集合的上确界，即 $\overline{\lim_{n \to \infty }}s_{n}=\lim_{n \to \infty }sup\left \{ s_{n} \right \}$ 。下极限为广义子列极限的最小者，即全部广义子列极限组成的集合的下确界，即 $\underline{\lim_{n \to \infty }}s_{n}=\lim_{n \to \infty }inf\left \{ s_{n} \right \}$ 。

（3）函数极限：f是度量空间X的子集E到度量空间Y的一个映射，函数极限 $\lim_{x \to a}f(x)=b$ 定义为，对于 $a\in {E}', \exists b\in Y$ ，使得 $\forall \epsilon >0,\exists \delta >0, s.t. 0<d_{X}(x,a)<\delta ,d_{Y}(f(x),b)<\epsilon$ 。注意a是聚点是相当重要的一个条件，如果不是聚点，就不能谈极限了，因为我们甚至有可能到找不到满足 $0<d_{X}(x,a)<\delta$ 的点x了。特别地，对实数系内的函数有 $\lim_{x \to a} f(x)=b \Leftrightarrow \forall\epsilon>0,\exists \delta > 0, s.t. 0<\left | x-a \right |<\delta, \left | f(x)-b \right |<\epsilon$

x->∞的函数极限：则是 $\forall \epsilon >0,\exists \delta >0, s.t. |x|>\delta ,|f(x)-b|<\epsilon$ ，这时去心邻域是|x|>δ。例如x->∞时，有sinx/x->0。

含义：无论事先给定多么小的正数ε，总可以找到一个正数δ，当x在a的去心邻域U(a, δ)内变化，f(x)与a的距离都小于ε。关键是根据确定的ε去找到这个δ，通常δ是ε和a的函数。这里0<|x-a|<δ表示x的变化过程（去心邻域），|f(x)-a|<ε表示函数与点a无限接近。这些定义说明极限存在的必要条件是“对于任意小的误差范围总可以找到相应的缩放级别”，这个条件保证了不会漏掉“中途被外星人吸走又放回去”的情况。

几何意义：当点x一旦进入到a的充分小的去心邻域时，它的像点f(x)就落入到b的一个预先给定的ε邻域中。

极限这个概念的严格化是分析的基础。导数、微分、连续、积分、级数收敛等等概念，都是用极限来定义的。函数极限的ε-δ定义第一次使极限和连续性摆脱了与几何和运动的任何牵连，给出了只建立在数与函数概念上的清晰的定义，从而使一个模糊不清的动态描述，变成为一个严密叙述的静态观念，这不能不认为是变量数学史上的一次重大创新。今天ε-δ语言的精髓已经深入到现代数学的每一根血管，牵动着每一根神经。注意ε-δ定义的极限离不开度量概念，所以只适用于度量空间。对于非度量空间，在拓扑学发展的基础上，发展出了用开集、滤子等去定义极限。

（4）Cauchy列（基本列）： $\forall \epsilon >0,\exists N\in Z, s.t. m,n>N, d(p_{m},p_{n})<\epsilon$ 。注意在一般度量空间中，基本列不一定收敛，基本列是收敛数列的弱化版。

完备空间/Cauchy空间：任一Cauchy列都收敛的度量空间。

致密集（列紧集）：E是致密集，表示E中任何点列都有子列收敛于度量空间X中的某点。注意该点不一定在该致密集中。

（5）极限的性质：唯一性、有界性、局部保号性、保不等式性

（6）极限存在性的判定：

（6.1）夹逼定理（挤压定理）：对数列，从某项开始， $y_{n}\leq x_{n}\leq z_{n}$ ，并且 $y_{n} \rightarrow a, z_{n}\rightarrow a$ ，则 $\left \{ x_{n} \right \}$ 极限存在，且 $x_{n}\rightarrow a$ 。求数列或函数极限的基本方法，通过不等式放缩构造，再运用夹逼定理。

（6.2）度量空间中任一数列子列极限组成的集合都是闭集。致密的闭集是紧集。度量空间中的任意收敛数列都是Cauchy列。

（6.3）Bolzano-Weierstrass致密性定理：紧度量空间中的数列必有收敛子列。特别地， $R^{k}$ 中的任意有界数列必存在收敛子列。注意致密性定理可由聚点定理直接推出，并且可知数列的任一聚点对应一个子列的极限，因此聚点也叫极限点。

（6.4）Cauchy收敛原理：紧度量空间中的数列收敛等价于该数列是Cauchy列。特别地， $R^{k}$ 中的数列收敛等价于它是Cauchy列。由此可知，紧度量空间与Euclidean空间都是完备的。

（6.5）单调有界定理：实数域的单调数列收敛等价于有界。作为一个应用，可用于证明 $\lim_{n \to \infty } (1+\frac{1}{n})^{n}=e$ 。

（6.6）Heine定理： $\lim_{x \to x_{0}}f(x)=b$ 存在，等价于对任何定义域内收敛于 $x_{0}$ ，且每项恒不为 $x_{0}$ 的数列 $\left \{ x_{n} \right \}$ ，都有 $f(x_{n})\rightarrow b$ 。海涅定理也叫归结原理，是沟通函数极限和数列极限之间的桥梁。求函数极限则可化为求数列极限，同样求数列极限也可转化为求函数极限。因此，函数极限的所有性质都可用数列极限的有关性质来加以证明。

（7）两个重要极限的证明（构造不等式用夹逼定理）： $\lim_{x \to \infty } (1+\frac{1}{x})^{x}=e$ ， $\lim_{x \to 0}\frac{sinx}{x}=1$

（8）实数的完备性（连续性）：完备性公理是戴德金原理，另外7个连续性基本定理是确界原理、单调有界定理、闭区间套定理、有限覆盖定理、聚点定理、致密性定理、Cauchy收敛原理。这8个定理是等价的。可以互相推出，它们通过不同的数学处理方法，揭示了实数系R具有完备性（连续性）。

戴德金原理：对R中的任何两个非空子集划分A和B（即A中的实数a小于B中的实数），存在实数c，对任意的 $a\in A$ 和 $b \in B$ 都有 $a\leq c\leq b$ 。

确界原理：R中有上界（下界）的子集必有上确界（下确界），记作sup S（inf S）。它与戴德金原理是等价的。

3. 级数

（1）级数收敛的必要条件：级数的项趋于0。即级数 $\sum_{k=1}^{\infty }a_{n}$ 收敛，则 $\lim_{n \to \infty }a_{n}=0$ 。

（2）Cauchy准则判别法：级数收敛的充要条件是对任意的 $\epsilon >0$ ，存在N，对任意的 $m\geq n\geq N$ ，都有 $\left | \sum_{k=n}^{m}a_{k} \right |\leq \epsilon$ 。

（3）Weierstrass比较判别法：若从某项开始恒有 $\left | a_{n} \right |\leq c_{n}$ ，且级数 $\sum c_{n}$ 收敛，则级数 $\sum a_{n}$ 绝对收敛。若从某项开始恒有 $a_{n}\geq d_{n}\geq 0$ ，且 $\sum d_{n}$ 发散，则 $\sum a_{n}$ 发散。

（4）Cauchy根值判别法：对项根值的上极限 $q=\overline{\lim_{n \to \infty }}\sqrt[n]{|a_{n}|}$ ，q<1时级数绝对收敛，q>1时级数发散，q=1时无结果。

（5）D'Alembert比值判别法：对相邻项比值的上极限 $q=\overline{\lim_{n \to \infty }}\left | \frac{a_{n+1}}{a_{n}} \right |$ ，q<1时级数绝对收敛，q>1时级数发散，q=1时无结果。

（6）正项级数：收敛的充要条件是部分和数列有界。特别地，对单调递减的正项级数 $\sum a_{n}$ ，其收敛的充要条件是级数 $\sum_{k=0}^{\infty }2^{k}a_{2^{k}}$ 收敛。本定理可以将一些级数转化成几何级数来判别。

（7）乘项级数 $\sum a_{n}b_{n}$ ：若 $\left \{ a_{n} \right \}$ 的部分和数列有界， $\left \{ b_{n} \right \}$ 单调递减，且 $\lim_{n \to \infty }b_{n}=0$ ，则乘项级数收敛。注意这只是一个充分条件。

（8）Leibnitz定理：应用于交错级数（正项和负项交替出现的级数）。若数列 $\left \{ |a_{n}| \right \}$ 单调递减，且 $\lim_{n \to \infty }a_{n}=0$ ，则交错级数收敛。

（9）几何级数 $\sum_{k=0}^{\infty }x^{k}$ ：时收敛，它的和是 $\frac{1}{1-x}$ ， $|x|\geq 1$ 时发散。

（10）调和级数 $\sum_{n=1}^{\infty }\frac{1}{n}$ ：调和级数发散。对一般级数 $\sum_{n=1}^{\infty }\frac{1}{n^{p}}$ ，时收敛， $p\leq 1$ 时发散。证明思路通过放缩转化成几何级数。

（11）黎曼zeta函数： $\zeta (s)=\sum_{n=1}^{\infty }\frac{1}{n^{s}}$ ，这里s为复数，与黎曼猜想有关系。 $\zeta (1)$ 就是调和级数， $\zeta (2)=\frac{\pi ^{2}}{6}$ ，求解 $\zeta (2)$ 这个问题被称为巴塞尔问题，目前已经有很多种不同的证明。

（12）Mertens定理：应用于级数的乘积，两个级数的Cauchy乘积 $\sum c_{n}$ 定义为 $c_{n}=\sum_{k=0}^{n}a_{k}b_{n-k}$ 。对任意两个收敛的级数，如果它们中有一个级数绝对收敛，它们Cauchy乘积的和就是它们和的乘积。

（13）Abel定理：若级数 $\sum a_{n}$ ， $\sum b_{n}$ ，以及Cauchy乘积 $\sum c_{n}$ 分别收敛于A，B，C，则C=AB。

（14）级数重排：若级数 $\sum a_{n}$ 绝对收敛，则它的任意重排都收敛于同一值。特别地，正项级数收敛等价于它的所有重排都收敛于同一个值。

（15）Riemann定理：若 $\sum a_{n}$ 条件收敛，则{ $\sum a_{n}$ 全部重排的和 }= $[-\infty ,+\infty ]$ 。

下面讨论复数项级数：

（1）棣莫弗公式：对复数的三角表示 $z=r(cosn\theta +isin\theta)$ ，有 $z^{n}=r^{n}(cos n\theta +isin n\theta )$ ，r为复数模长，θ为复数幅角 $\theta =arc z$ 。利用它可以得到一些三角函数高次幂与倍角公式。

（2）复数列收敛到 $z_{0}\in C$ ，是指 $\lim_{n \to \infty }|z_{n}-z_{0}|=0$ 。复数是复平面上的点，因此度量空间的收敛定理也都适用于复数列。一般地有，复数列收敛当且仅当它的项的实部和虚部的序列都收敛。

（3）复数列收敛的柯西准则：复数列收敛当且仅当它是基本列。也就是对于任意的 $\epsilon >0$ ，存在正整数N，使得对于任意 m>n>N，都有 $|z_{m}+z_{m+1}+...+z_{n}|<\epsilon$ 。

（3）Cauchy–Hadamard定理（幂级数收敛定理）：幂级数 $\sum_{n=0}^{\infty }c_{n}(z-z_{0})^n$ 在以点 $z_{0}$ 为中心，以R为半径的圆 $|z-z_{0}|<R$ 内收敛，其中R按阿达马公式确定 $R=\left ( \overline{\lim_{n \to \infty }}\sqrt[n]{|c_{n}|} \right )^{-1}$ 。在这个圆的外部任何点处幂级数都发散；在这个圆的任何内点处幂级数绝对收敛。在 $|z-z_{0}|=R$ 时无法判定级数收敛或发散。可用柯西根值判别法来证明。

（4）阿贝尔第一定理：若幂级数 $\sum_{n=0}^{\infty }c_{n}(z-z_{0})^n$ 在某个点 $z_{1}$ 处收敛，则它对任意满足 $|z-z_{0}|<|z_{1}-z_0|$ 的点都绝对收敛。

（5）若幂级数 $\sum c_{n}z^{n}$ 的收敛半径为1，且 $\left \{ c_{n} \right \}$ 单调递减， $\lim_{n \to \infty }c_{n}=0$ ，则幂级数在单位圆上除却z=1两点外的每一点都收敛。

（6）若复数级数绝对收敛，则它的任意重排都收敛到同一个和。绝对收敛级数的乘积是绝对收敛级数，它的和等于二者和的积。

（7）欧拉公式： $e^{ix}=cosx+isinx$ 。可以得到关系 $e^{i\pi }+1=0$ ，复数的指数表示 $z=re^{i \theta}, z^{n}=r^{n}e^{in \theta}$ 。可以用exp z，cos z，sin z的泰勒级数展开来推导出欧拉公式。

4. 函数连续性

（1）函数连续的定义：y=f(x)是度量空间X到Y的一个映射，连续定义为 $\lim_{x \to x_{0}}f(x)=f(x_{0})$ ，等价的定义 $\lim_{\Delta x \to 0}[f(x_{0}+\Delta x)-f(x_{0})]=0$ 。另外也可以写成对点 $f(x_{0})$ 处的任意邻域 $V(f(x_{0}))$ ，都存在点 $x_{0}$ 处的邻域 $U(x_{0})$ ，满足 $f(U(x_{0}))\subset V(f(x_{0}))$ 。注意 $x_{0}$ 必须为X的聚点，f必须在 $x_{0}$ 处有定义。而收敛则不需要。

（2）函数连续的充要条件：Y=f(X)连续，等价于对Y中的任意开集V，其逆像 $f^{-1}(V)$ 在X中也是开集。类似地，也等价于对Y中的任意闭集V，其逆像 $f^{-1}(V)$ 在X中也是闭集。

（3）连续函数的性质：局部有界性、局部保号性、局部保不等式性

（4）闭区间上连续函数的性质：有界定理（有最大值最小值）、介值定理（函数可以取两端点内的一切值）、零点定理（两端点异号则必存在零点）、一致连续定理（闭区间上连续等价于一致连续）。这些定理可以使用确界原理、区间套定理、有限覆盖定理、聚点定理等加以证明。

（5）初等函数连续性：常数函数、幂函数、指数函数、对数函数、三角函数、反三角函数，以及经过有限次四则运算与复合运算得到函数。一切初等函数在其定义域上都是连续函数。

（6）Dirichlet函数： $D(x)=\left\{\begin{matrix} 1, & x\in Q\\ 0, & x\in R \backslash Q \end{matrix}\right.$ ，它在所有点都间断，且都是第二类间断点（左右极限至少有一个不存在）。

（7）Riemann函数： $R(x)=\left\{\begin{matrix} \frac{1}{n}, & x=\frac{m}n{} \in Q\\ 0, & x\in R \backslash Q \end{matrix}\right.$ ，它在任意无理点处连续，在有理点处是第一类间断点（左右极限都存在但至少有一个与函数值不相等）。

（8）间断点：单调函数的间断点个数至多可数。

5. 微分学

（1）导数/微分：像点对原像点的变化率。可导定义为 ${f}'(x_{0})=\lim_{\Delta x \to 0}\frac{\Delta y}{\Delta x}=\lim_{\Delta x \to 0} \frac{f(x_{0}+\Delta x)-f(x_{0})}{\Delta x}$ ，可导表示左导数和右导数都存在并且相等。对自变量的微小扰动如果有，其中A(x)h是h的线性函数，g(h)=A(x)h称为f在点x处的微分，记作 $df(x)|_{x=x_{0}}=A(x_{0})h$ 。可微与可导是等价的。记作 $\frac{df(x)}{dx}|_{x=x_{0}}=A(x_{0})={f}'(x_{0})$ ，微分的本质是一个函数在局部可以用简单的线性函数去逼近它。

几何意义：导数为函数图像上该点处切线的斜率。切线方程 $y=f(x_{0})+{f}'(x_{0})(x-x_{0})$

物理意义：例如位移对时间的变化率，表示速度。

复变函数的连续、导数、微分也是类似地定义。

（2）微分学基本定理（MVT定理）：

微分中值定理反映函数与和导数/微分之间的联系，是沟通两者的桥梁。

（2.1）Rolle中值定理：闭区间[a, b]上连续，开区间(a, b)上可微，两端点处函数值相等f(a)=f(b)，则在开区间(a, b)上存在一点c的导数为0，。直观理解存在一点处的切线平行于两端点的水平直线。

（2.2）Lagrange中值定理：闭区间[a, b]上连续，开区间(a, b)上可微，则在开区间(a, b)上存在一点c，有 ${f}'(c)=\frac{f(b)-f(a)}{b-a}$ 。直观理解存在一点处的切线平等两端点的连线。证明思路根据曲线上的点与连线的y轴距离构造辅助函数，运用罗尔定理。

（2.3）Cauchy中值定理：f(x), g(x)在[a, b]上连续，在(a, b)上可微，则在(a, b)上至少存在一点c，有。证明思路构造辅助函数用拉格朗日中值定理。

（2.4）Taylor定理：函数f(x)在 $x_{0}$ 处的泰勒多项式为 $T_{n}(x)=f(x_{0})+\sum_{k=1}^{n}\frac{f^{(k)}(x_{0})}{k!}(x-x_{0})^{k}$ 。若f(x)在[a, b]上有n阶连续的导函数，在(a, b)上有n+1阶导函数，则对任意的 $x,x_{0} \in [a,b]$ ，在x和 $x_{0}$ 之间至少存在一点，使得 $f(x)=T_{n}(x)+\frac{f^{(n+1)(\xi )}}{(n+1)!}(x-x_{0})^{n+1}$ 。泰勒定理是拉格朗日中值定理的推广，它表明可以用多项式函数逼近一般的函数。

$x_{0}=0$ 时的泰勒公式就是麦克劳林公式 $f(x)=f(0)+\sum_{k=1}^{n}\frac{f^{(k)}(0)}{k!}(x)^{k}+\frac{f^{(n+1)(\theta x)}}{(n+1)!}x^{n+1}$ ，其中 $0<\theta <1$ 。

根据泰勒定理，如果函数无穷可微，可以将某定义域内的一般函数f(x)展开成多项式表示的泰勒级数，但是该级数不一定收敛，即使收敛也不一定收敛到f(x)的值。一些函数无法被展开为泰勒级数，因为那里存在一些奇点。但是如果变量x是负指数幂的话，仍然可以将其展开为一个级数。例如 $f(x)=e^{-1/x^{2}}$ 可以展开为一个洛朗级数。

例子：由 $e^{x}$ 的泰勒级数展开可推出 $e=\sum_{n=0}^{\infty }\frac{1}{n!}$ ，因为 $e^{x}$ 的泰勒级数收敛到 $e^{x}$ 。

（2.5）Darboux定理：f(x)在闭区间[a, b]上可微，则其导函数在[a, b]上具有介值性，可以取到与之间的一切值。达布定理比连续函数的介值定理更强，因为不一定是连续的。有原函数的函数（不一定要连续）就满足介值性。达布定理是原函数存在的一个必要条件。（推论）有介值性的函数没有第一类间断点。

（3）洛必达法则：0/0型不定式求极限，在(a, b)上，f(x)和g(x)都可微、g′(x) ≠ 0， $\lim_{x \to x_{0}}f(x)=\lim_{x \to x_{0}}g(x)=0$ ，如果 $\lim_{x \to x_{0}}\frac{{f}'(x)}{{g}'(x)}=A(or \pm \infty )$ ，则有 $\lim_{x \to x_{0}}\frac{f(x)}{g(x)}=\lim_{x \to x_{0}}\frac{{f}'(x)}{{g}'(x)}=A$ 。对 $\infty /\infty$ 型不定式的极限也有类似的法则。

（4）用微分学方法研究函数：

（4.1）函数单调性：一阶导为正，函数递增；一阶导为负，函数递减。

（4.2）函数极值：极值点必要条件是不可导或一阶导为0（称为稳定点）。若左侧邻域导数为负右侧邻域导数为正则是极小值；若左侧邻域导数为正右侧邻域导数为负则是极大值。若n-1阶导为0，n阶导不为0，则n为奇数时无极值，n为偶数时有极值，且n阶导为负时是极大值，n阶导为正时是极小值。

（4.3）函数凹凸性：二阶导恒>=0，则下凸；二阶导恒<=0，则下凹。

（5）用微分学方法研究不等式：

不等式是做放缩、挤压处理的基本技巧，分析中的大量命题都是通过放缩、挤压来进行证明的。

（5.1）Bernoulli不等式：对实数 $x\geq -1$ ，有

$\left\{\begin{matrix} (1+x)^{a}\geq 1+ax, & a\geq 1, -1< a\leq 0\\ (1+x)^{a}\leq 1+ax, & 0<a<1 \end{matrix}\right.$

等号成立当且仅当a=0,1，或x=-1时。伯努利不等式是从幂函数到一次函数的放缩，经常用作证明其他不等式的关键步骤。y=1+ax可视为 $f(x)=(1+x)^{a}$ 的切线。证明思路构造函数求极值，以确定不等号的方向。

（5.2）Young不等式：若 $a,b\geq 0,p>1, \frac{1}{p}+\frac{1}{q}=1$ ，则 $ab\leq \frac{a^{p}}{p}+\frac{b^{q}}{q}$ ，当且仅当 $a^{p}=b^{q}$ 时等号成立。当p<1且不为0时，不等式 $\leq$ 变为 $\geq$ 。杨氏不等式是加权算术－几何平均值不等式的特例。证明思路根据函数lnx的凹凸性及凹凸性的定义来证明。

（5.3）Holder不等式：若 $x_{i},y_{i}\geq 0, p>1, \frac{1}{p}+\frac{1}{q}=1$ ，则有

$\sum_{i=1}^{n}x_{i}y_{i} \leq \left (\sum_{i=1}^{n}{x_{i}}^{p} \right )^{1/p} \cdot \left (\sum_{i=1}^{n}{y_{i}}^{q} \right )^{1/q}$

当且仅当向量 $({x_{1}}^{p}, ..., {}x_{n}}^{p})$ 与 $({y_{1}}^{q}, ..., {y_{n}}^{q})$ 共线时等号成立。当p<1且不为0时，不等式 $\leq$ 变为 $\geq$ 。可用杨氏不等式通过累加的方式来证明。有离散形式和积分形式赫尔德不等式。这是一条揭示Lp空间相互关系的基本不等式。

（5.4）Minkowski不等式：若 $x_{i},y_{i}\geq 0, p>1, \frac{1}{p}+\frac{1}{q}=1$ ，则有

$\left (\sum_{i=1}^{n}(x_{i}+y_{i})^{p} \right )^{1/p} \leq \left (\sum_{i=1}^{n}{x_{i}}^{p} \right )^{1/p} + \left (\sum_{i=1}^{n}{y_{i}}^{q} \right )^{1/q}$

当且仅当向量 $(x_{1}, ..., x_{n})$ 与 $(y_{1}, ..., y_{n})$ 共线时等号成立。当p<1且不为0时，不等式 $\leq$ 变为 $\geq$ 。可以用赫尔德不等式来证明。闵可夫斯基不等式是Lp空间中的三角不等式，和赫尔德不等式一样，闵可夫斯基不等式取可数测度可以写成序列或向量的特殊形式。当n=3, p=2时，就是三维欧几里得空间中的三角不等式。
（5.5）Jensen不等式：若f(x)在(a, b)上是下凸函数， $x_{i}\in (a, b), \alpha_{i}\geq 0, \alpha _{1}+...+\alpha _{n}=1$ ，则有

$f(\alpha _{1}x_{1}+...+\alpha _{n}x_{n})\leq \alpha _{1}f(x_{1})+...+\alpha _{n}f(x_{n})$ ，琴生不等式可利用凸函数性质，通过归纳法证明。

（5.6）均值不等式：调和平均 $\leq$ 几何平均 $\leq$ 算术平均 $\leq$ 平方平均。即

$\frac{1}{\frac{1}{x_{1}}+...+\frac{1}{x_{n}}}\leq \sqrt[n]{x_{1}...x_{n}}\leq \frac{x_{1}+...+x_{n}}{n}\leq \sqrt{\frac{{x_{1}}^{2}+...+{x_{n}}^{2}}{n}}$ 。可以用数学归纳法、琴生不等式、拉格朗日乘数法、排序不等式、柯西不等式等方法证明。

（6）复数项幂级数的可微性：幂级数 $f(z)=\sum_{n=0}^{\infty }c_{n}(z-z_{0})^n$ 的和是定义在其收敛圆内的无穷可微函数，可以像实值函数一样求导，其k阶导数为

$f^{(k)}(z)=\sum_{n=0}^{\infty }\frac{d^{k}}{dz^{k}}\left ( c_{n}(z-z_{0})^{n} \right ), and \; c_{n}=\frac{f^{(k)}(z_{0})}{n!},\;k,n=0,1, ...$

（7）代数基本定理：每个次数大于等于1的复系数多项式 $P(z)=c_{0}+c_{1}z+...+c_{n}z^{n}$ 在C中都有零点。（推论）任何复系数多项式 $P(z)=c_{0}+c_{1}z+...+c_{n}z^{n}$ 都可以表示成 $P(z)=c_{n}(z-z_{1})...(z-z_{n}),\;z_{i}\in C$ ，若不计次序，这种表示唯一。

下面讨论不定积分（导数的逆运算）：

（1）线性性质： $\int (au(x)+bv(x))dx=a\int u(x)dx+b\int u(x)dx$

（2）分部积分： $\int udv=uv-\int vdu+c$ ，可以用乘积函数求导法则两边积分来证明。

（3）换元积分：

（3.1）凑微分法：若f(u)具有原函数，u又是另一变量的函数 $u=\varphi (x)$ ，且 $\varphi (x)$ 可微。则根据复合函数微分法，有换元积分公式

$\int f(\varphi (x)){\varphi}'(x)dx=\int f(u)du=F(u)+c$

它表明若f(x)能凑成 $f(\varphi (x)){\varphi }'(x)$ 的形式，则求积分 $\int f(x)dx$ 可转化成求 $\int f(u)du$ ，求出后再把 $u=\varphi (x)$ 代换回去。

（3.2）变量替换法：若f(x)有原函数，对积分变量x作代换 $x=\phi (t)$ ，其中 $\phi (t)$ 有反函数，可导且导数不为0，则有换元积分公式

$\int f(x)dx=\int (f\circ \phi )(t){\phi }'(t)dt=G(t)+c$

它表明通过变量代换把求f(x)的积分转化成求 $(f\circ \varphi )(t){\varphi }'(t)$ 的积分，求出后再把 $t=\phi ^{-1}(x)$ 代换回去。

（4）三角代换：对有二次根式的积分，常常作三角代换

$\sqrt{a^{2}-x^{2}}:\; x=asint,\;-\pi /2\leq t\leq \pi /2$

$\sqrt{a^{2}+x^{2}}:\;x=atant,\;-\pi/2<t<\pi/2$

$\sqrt{x^{2}-a^{2}}:\; x=asect,\;0\leq t\leq \pi,\;t\neq \pi/2$

（5）正弦积分/余弦积分/对数积分： $Si(x)=\int\frac{sinx}{x}dx,\; Ci(x)=\int\frac{cosx}{x},\; Li(x)=\int \frac{dx}{lnx}$ ，它们都不是初等函数的复合，并且

$\lim_{x \to 0}Si(x)=0,\; \lim_{x \to \infty }Ci(x)=0,\; \lim_{x \to +0}Li(x)=0$

（6）有理函数积分： $Q(x)=P_{1}(x)/P_{2}(x)$ 是有理函数，其中 $P_{1}(x),\;P_{1}(x)$ 是多项式。任何有理函数Q(x)的原函数都可以由有理函数、超越函数lnx和arctanx表出，原函数的有理部分如果同分，应该有这样的公分母：它是多项式Q(X)分解出的全部因子的乘积，只是幂次比Q(x)中少1。

（7） $\int Q(cosx,sinx)dx$ 型原函数：这里 $Q(u,v)=P_{1}(u,v)/P_{2}(u,v)$ 是u和v的有理函数，其中 $P_{1}$ 和 $P_{2}$ 是单项式 $u^{m}v^{n}$ 的组合。可以作代换 $t=tan\frac{x}{2}$ ，利用万能公式，化为有理函数积分。而 $\int Q(cos^{2}x,sin^{2}x)dx$ 或 $\int Q(tanx)dx$ 型积分，用t=tanx替换更方便。这些都是利用三角函数的特征做换元积分。

（8） $\int Q(x,y(x))dx$ 型原函数：主要思路是找到替换 $x=\phi (t),\; then\,y=y(\phi (t))$ ，且它们都是t有有理函数，就化为了有理函数的积分。

（9）椭圆积分：形如 $\int Q(x,\sqrt{P(x)})dx$ 型的积分也很重要，其中P(x)是次数n>2的多项式。Liouville曾证明这种积分一般不能用初等函数表示。当n=3,4时这种积分称为椭圆积分，n>4时称为超椭圆积分。椭圆积分经过初等变换、三角代换化为更简洁的形式，再查表获得值。

6. 积分学

（1）Lebesgue外测度：所有矩形覆盖（每个覆盖有至多可数的集合）的体积值的下确界，记作 $m^{*}(E)=inf\sum_{i=1}^{\infty }|Q_{i}|$ 。这里 $Q_{i}$ 是 $R^{n}$ 空间内的一个闭矩形点集（闭方体），其体积值 $|Q_{i}|$ 是一个确定的非负数 $\mu$ 。矩形覆盖 $\left \{ Q_{i} \right \}$ 是可列的。这相当于对一个点集E，从外部不断的去收缩，收缩到完全贴近为止的极限情况。这也是“外测度”名字的由来。注意不一定要求是闭方体的覆盖，也可以是其他类型的点集，甚至是开球这样的结构。一个集合的测度与它的划分方式无关。换句话说，构造一系列可列集合做覆盖时，可以将集合的体积规定的任意小，因为划分它并不影响集合本身的测度。

外测度的性质：非负性、单调性、次可加性 $m^{*}\left ( \sum_{k=1}^{\infty }E_{k} \right )\leq \sum_{k=1}^{\infty }m^{*}(E_{k})$ 、平移不变性 $m^{*}(x+E)=m^{*}(E)$ 。外测度不具有可加性。实际上无法对 $R^{n}$ 中的每个子集指定一个非负数，使得同时满足非负性/单调性/次可加性/平移不变性/可加性。这说明存在不可测集。对可测集还要增加更严格的条件。

体积值|A|：对点集A指定的一个非负实数，其定义不受限制。通常一维闭区间[a, b]的体积值 $\mu$ 取其区间长度b-a，高维矩形体的体积值取其各维区间长度的乘积值 $|A|=\prod_{i=1}^{n}(b_{i}-a_{i})$ 。测度是长度/面积/体积概念的推广。

（2）Lebesgue测度：对任意 $\epsilon >0$ ，都存在一个盖住E的开集 $O\supset E$ ，使得 $m^{*}(O-E)<\epsilon$ ，则E是勒贝格可测的。且定义其勒贝格测度为 $m(E)=m^{*}(E)$ 。测度为0的集合称为零测集。可测集全体记作， $2^{R^{n}}-M$ 的元素称为不可测集。

勒贝格可测集的基本性质：可测集的可列交、并、补都封闭。可列可加性。任意 $R^{d}$ 中的开集或闭集都可测。因此可测集族M是空间 $R^{n}$ 上的一个sigma代数。

（3）勒贝格零测集的等价定义：对任意 $\epsilon >0$ ，都存在一个能盖住E的可列开覆盖 $\left \{ I_{k} \right \}$ ，使得 $\sum_{k=1}^{\infty }|I_{k}|<\epsilon$ ，则集合E是勒贝格零测度集，即m(E)=0。

零测集的性质：有限或可数个点构成的集合是零测集。零测集的可列并、可列交都封闭。零测集的子集是零测集。

（4）函数振幅：函数在集合上的振幅为E的所有像点距离的最大值，即 $\omega (f,E)=\sup_{x_{1},x{{2}}\in E}d(f(x_{1}),f(x_{2}))$ ，即像点集的直径。函数在点处的振幅为邻域半径趋于0时的振幅极限，即 $\omega (f,a)=\lim_{\delta \to 0+0}\omega (f,U_{\delta }(a))$ 。

（5）区间的划分（分割）：在闭区间[a, b]上，一个有限点列表示一个划分P，其中 $a=x_{0}< x_{1}<...<x_{n}=b$ ，划分的各个区间中最大的直径为划分P的长度 $\lambda (P)$ 。若在划分的每个区间 $[x_{i-1},x_{i}]$ 中取一个点 $t_{i}$ ，则称为区间上一个取样划分。

（6）划分的延拓：对取样划分 $(P_{1},t_{1})$ ，在该划分中再添加一些分割点和对应的取样点，得到一个新的划分 $(P_{2},t_{2})$ ，称为原来划分的延拓。一个给定的划分可以一直延拓下去，直观上延拓后的划分比原来划分更精细，长度越来越小 $\lambda (P_{1})>\lambda (P_{2})$ ，这相当于对所有取样划分定义了一个偏序关系。

（7）黎曼和（积分和）：在[a, b]上，函数f一个取样划分(P,t)，黎曼和为 $\sigma (f,P,t)=\sum_{i=1}^{n}f(t_{i})\Delta x_{i}$ ，其中 $\Delta x_{i}=x_{i}-x_{i-1}$ 。

（8）黎曼积分：所有取样划分长度趋于0时的黎曼和极限。对函数f在闭区间[a, b]上的任意一个取样划分(P, t)，当长度 $\lambda (P)$ 趋于0时，黎曼和都收敛于同一个常数S，则称S为函数f在[a, b]上的黎曼积分，黎曼积分记为

$\int_{a}^{b}f(x)dx=\lim_{\lambda (P) \to 0}\sigma (f,P,t)=\lim_{\lambda (P) \to 0}\sum_{i=1}^{n}f(t_{i})(x_{i}-x_{i-1})$ ，闭区间[a, b]上的可积函数集记作R[a, b]。

更具可操作性的等价定义：对任意的 $\epsilon >0$ ，都存在一个取样划分(P, t），使得对任何比它更精细的划分延拓 $(P^{*},t^{*})$ ，都有 $|\sigma (f,P^{*},t^{*})-S|<\epsilon$ ，则S为其黎曼积分。

（9）可积的必要条件：函数f在[a, b]上有界。

（10）可积的充分条件：对任意的 $\epsilon >0$ ，都存在 $\delta >0$ ，使得对任何 $\lambda (P)<\delta$ 的划分P，都有 $\left | \sum_{i=1}^{n} \omega (f,[x_{i-1},x_{i}])(x_{i}-x_{i-1})\right |<\epsilon$

可见，当函数值急剧变化，使函数振幅不变小的区间很多时，就会有Riemann不可积的情况发生。由此可证Dirichlet函数不可积。因为它在每个小区间上的振幅都是1。

（11）函数可积的充要条件：当且仅当f(x)有界，且对任意的划分P，都有

$\lim_{\lambda (P) \to 0}\sum_{i=1}^{n }\omega (f,[x_{i-1},x_{i}])(x_{i}-x_{i-1})=0$

（12）Riemann–Lebesgue定理：函数f在闭区间[a, b]上可积，当且仅当它在[a, b]上有界，且间断点集是勒贝格零测集。

推论：闭区间上连续函数可积。闭区间上的有界函数若只有可数个间断点则可积。闭区间上的单调函数可积。

由此可见，Riemann函数是可积的，因为它有界，间断点集可数，是零测集。

（13）积分第一中值定理：若函数f在[a, b]上连续，则存在点 $\xi \in [a, b]$ ，使得 $\int_{a}^{b}f(x)dx=f(\xi )(b-a)$ 。

积分中值定理反映函数与函数积分之间的联系，是沟通两者的桥梁。

（14）积分第二中值定理：在[a, b]上，若f, g可积，且g单调，则存在点 $\xi \in [a, b]$ ，使得

$\int_{a}^{b}(f\cdot g)(x)dx=g(a)\int_{a}^{\xi }f(x)dx+g(b)\int_{\xi }^{b}f(x)dx$

（15）原函数存在定理：闭区间上的连续函数f(x)一定有原函数，且都是 $F(x)=\int_{a}^{x}f(t)dt+c$ 的形式，c为常数。

（16）在闭区间上，若函数f(x)有界，且只有有限个间断点，则它有广义的原函数F(x)（即只在有限个点处 ${F}'(x)\neq f(x)$ ），且 $F(x)=\int_{a}^{x}f(t)dt+c$

（17）牛顿-莱布尼茨公式：如果函数f(x)在闭区间[a, b]上有界，并且只有有限个间断点，则f(x)在[a, b]上可积，且

$\int_{a}^{b}f(x)dx=F(b)-F(a)$ ，其中F(x)是f(x)的任一原函数。

证明思路定义变上限积分函数，利用函数导数定义和积分中值定理将积分的计算与原函数联系起来。

（17）分部积分公式：

（18）定积分的应用：

（18.1）空间曲线（道路）：空间 $R^{3}$ 中，连续的参变函数 x=x(t), y=(y), z=z(t) 定义的映射 $T:\;t \to (x(t),y(t),z(t))$ ，表示空间中的一条道路，其中 t 在闭区间[a, b]中变化。A=(x(a), y(a), z(a)), B=(x(b), y(b), z(b))为道路的起点和终点。如果起点和终点重合，则称道路是闭曲线。如果该映射是双射，则称为为简单道路或参数化曲线。如果映射函数T可微，且导函数连续，则称曲线是光滑的。对二维平面，则是平面上的曲线 $T:\;t \to (x(t),y(t))$ ，平面曲线可以直接用函数y=f(x)表示。

（18.2）两条曲线围成的面积：微分，整个区域的面积

$A=\int dA=\int_{}a^{b}[f(x)-g(x)]dx$

（18.3）旋转体体积：曲线f(x)绕x轴旋转一周形成的旋转体，用圆盘法， $dV=\pi f(x)^{2}dx$ ，体积为

$V=\int_{a}^{b}\pi f(x)^{2}dx$

绕y轴旋转一周的旋转体，用柱壳法， $dV=2\pi xf(x)dx$ ，体积为

$V=\int_{0}^{b}2\pi xf(x)dx$

（18.4）曲线长度： $dL=\sqrt{(dx)^{2}+(dy)^{2}}$ ，曲线长度为

$L=\int_{a}^{b}\sqrt{1+[{f}'(x)]^{2}}dx$

（18.5）旋转体表面积： $dA=2\pi yds=2\pi f(x)\sqrt{(dx)^{2}+(dy)^{2}}$ ，表面积为

$A=\int_{a}^{b}2\pi f(x)\sqrt{1+[{f}'(x)]^{2}}dx$

（18.6）曲线平均值： $\lim_{n \to \infty }\frac{y_{1}+y_{2}+...+y_{n}}{n}=\frac{\int_{a}^{b}f(x)dx}{b-a}$

加权平均= $\frac{\int_{a}^{b}f(x)w(x)dx}{\int_{a}^{b}w(x)dx}$

下面讨论反常积分（变上限积分）：

（1）反常积分：对有限或无限区间[a, t)，函数f(x)在每个子区间 $[a,b]\subset [a, t)$ 上可积，若极限 $\int_{a}^{t}f(x)dx=\lim_{b \to t}\int_{a}^{b}f(x)dx$ 存在，就称为f(x)在[a, t)上的反常积分。如果积分 $\int_{a}^{t}|f(x)|dx$ 收敛，就称反常积分绝对收敛。

（2）反常积分柯西判别法：反常积分 $\int_{a}^{t}f(x)dx$ 收敛，当且仅当对任意的 $\epsilon >0$ ，都存在点 $c \in[a, t)$ ，使得对一切大于c的 $b_{1},b_{2} \in [a,t)$ ，都有 $\left | \int_{b_{1}}^{b_{2}}f(x)dx \right |<\epsilon$ 。

由柯西判别法知，绝对收敛的反常积分必收敛，那么对绝对收敛性的研究就化为对非负函数的积分收敛性研究。

（3）级数收敛积分准则：若f(x)定义在 $[1, +\infty )$ 上，非负，递减，且在每个子区间上可积，则级数 $\sum_{n=1}^{\infty }f(n)=f(1)++f(2)+...$ 和积分 $\int_{1}^{+\infty }f(x)dx$ 同时收敛或发散。

（4）阿贝尔-狄利克雷准则：f(x), g(x)在[a, t)的每个子区间上可积，g(x)是单调函数，则 $\int_{a}^{t}(f\cdot g)(x)dx$ 收敛，只要下述两组条件有一组成立：积分 $\int_{a}^{t}f(x)dx$ 收敛且g(x)在[a, t)上单调有界；或者 $F(b)=\int_a{}^{b}f(x)dx$ 在[a, t)上有界且g(x)当x趋于 t 时单调趋于0。

你可能感兴趣的:(数学基础)

如何有效的学习AI大模型？ Python程序员罗宾学习人工智能语言模型自然语言处理架构
学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
群体遗传分析（一）#学习笔记 kangroomoon
哈温的遗传平衡定律是基础，费、莱、霍的群体遗传学是数学基础和理论框架，木村资生的中性进化论深化了自然选择的概念。中性学说认为：分子水平上的遗传变异在很大程度上是中性的，变异程度主要由突变速率和有效群体大小决定。（通过观察值和理论值之间的差异性测验中性进化假说）群体遗传多态性与结构分析Locus：遗传座位，在群体中通常包含多个allele：等位基因，即遗传多态性。大多数的新突变是由于geneticd
几何分布的期望和方差公式推导_算法数学基础-统计学最基础之均值、方差、协方差、矩... weixin_39848097 几何分布的期望和方差公式推导均值定理六个公式概率论方差公式
我们天天都可以接触很多随机现象，比如每天的天气不一样气温是我们最直接的感受，我们很难预测明天的精确问题，但是这些随机现象又体现出了一定的规律性。比如上海7月份平均35度左右，冬天的平均温度在5度左右。所以35、5这些数字体现了某种稳定性。所以除了前面几章中讲到的分布律和概率密度函数可以表征随机变量外，还可以用一组数字来表达随机变量的一般特性。这就是我们今天要讲到的随机变量的数字特征。通过对数字特征
CTF 竞赛密码学方向学习路径规划 David Max CTF 学习笔记密码学 ctf 信息安全
目录计算机科学基础计算机科学概念的引入、兴趣的引导开发环境的配置与常用工具的安装WattToolkit（Steam++）、机场代理Scoop（Windows用户可选）常用Python库SageMathLinux小工具yafuOpenSSLMarkdown编程基础Python其他编程语言、算法与数据结构（可选）数学基础离散数学与抽象代数复杂性分析密码学的正式学习兴趣的培养做题小技巧系统学习需要了解并
深度学习算法，该如何深入，举例说明 liyy614 深度学习
深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
数学基础 -- 线性代数正交多项式之勒让德多项式展开推导 sz66cm 线性代数决策树算法
勒让德多项式展开的详细过程勒让德多项式是一类在区间[−1,1][-1,1][−1,1]上正交的多项式，可以用来逼近函数。我们可以将一个函数表示为勒让德多项式的线性组合。以下是如何推导勒让德多项式展开系数ana_nan的详细过程。1.勒让德展开的基本假设给定一个函数f(x)f(x)f(x)，我们希望将它表示为勒让德多项式的线性组合：f(x)=∑n=0∞anPn(x),f(x)=\sum_{n=0}^
数学基础 -- 线性代数之格拉姆-施密特正交化 sz66cm 线性代数机器学习人工智能
格拉姆-施密特正交化格拉姆-施密特正交化（Gram-SchmidtOrthogonalization）是一种将一组线性无关的向量转换为一组两两正交向量的算法。通过该过程，我们能够从原始向量组中构造正交基，并且可以选择归一化使得向量组成为标准正交基。算法步骤假设我们有一组线性无关的向量{v1,v2,…,vn}\{v_1,v_2,\dots,v_n\}{v1,v2,…,vn}，其目标是将这些向量正交化
数学基础 -- 线性代数之矩阵的迹 sz66cm 线性代数机器学习决策树
矩阵的迹什么是矩阵的迹？矩阵的迹（TraceofaMatrix）是线性代数中的一个基本概念，定义为一个方阵主对角线上元素的总和。矩阵的迹在许多数学和物理应用中都起着重要作用，例如在矩阵分析、量子力学、统计学和系统理论中。矩阵迹的定义对于一个n×nn\timesnn×n的方阵AAA：A=(a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann)A=\begin{pmatrix}a_{1
数学基础 -- 线性代数之矩阵正定性 sz66cm 线性代数矩阵
线性代数中的正定性正定性在线性代数中主要用于描述矩阵的特性，尤其是在二次型与优化问题中有重要应用。正定矩阵的定义对于一个n×nn\timesnn×n的对称矩阵AAA，其正定性可以通过以下条件来判断：正定矩阵：如果对于任意非零向量x∈Rnx\in\mathbb{R}^nx∈Rn，二次型xTAxx^TAxxTAx都是正的，即：xTAx>0∀x∈Rn,x≠0x^TAx>0\quad\forallx\in
想学java，需要什么基础？吹来人间烟火
不需要什么基础，课程都是针对于零基础的同学，设计这个行业，本身入行门槛比较低，能力重于学历。真正科班出身的更是少数，大部分人都是通过找培训机构系统学习出来的，所以只要自己下定决心去学，就一定能学会的。另外，如果说普通人具备哪些能力可以更好地学习Java，那可以列出来三点。1、简单的英语读写能力；2、一定的数学基础；3、一定的计算机基础操作能力。Java是一门面向对象地编程语言，吸收了C++语言的各
数学基础 -- 线性代数之酉矩阵 sz66cm 量子计算线性代数
酉矩阵（UnitaryMatrix）酉矩阵是线性代数中一种重要的矩阵类型，特别在量子力学和信号处理等领域有广泛的应用。以下是酉矩阵的定义、性质以及使用和计算的例子。1.定义酉矩阵是一个复矩阵UUU，满足以下条件：U†U=UU†=IU^{\dagger}U=UU^{\dagger}=IU†U=UU†=I其中：U†U^{\dagger}U†是矩阵UUU的共轭转置矩阵，即UUU的转置矩阵再取元素的共轭。
深度学习奥秘解锁：AI大模型技能提升指南 AGI大模型老王人工智能深度学习语言模型算法大模型 AI大模型
文章目录每日一句正能量前言AI大模型学习的理论基础AI大模型的训练与优化AI大模型在特定领域的应用AI大模型学习的伦理与社会影响未来发展趋势与挑战后记**前言**随着人工智能技术的快速发展，AI大模型学习正成为一项备受关注的研究领域。为了提高模型的准确性和效率，研究者们需要具备深厚的数学基础和编程能力，并对特定领域的业务场景有深入的了解。通过不断优化模型结构和算法，AI大模型学习正为人类的生活和工
数学基础 -- 线性代数之伴随矩阵 sz66cm 线性代数矩阵
伴随矩阵1.代数余子式首先我们需要理解什么是代数余子式。对于一个n×nn\timesnn×n的方阵AAA，代数余子式MijM_{ij}Mij是指从矩阵AAA中删除第iii行和第jjj列后，剩下的子矩阵的行列式。假设有一个3×33\times33×3的矩阵：A=(a11a12a13a21a22a23a31a32a33)A=\begin{pmatrix}a_{11}&a_{12}&a_{13}\\a_
数学基础 -- 线性代数之矩阵的秩 sz66cm 线性代数矩阵机器学习
矩阵的秩：概念与应用1.概述矩阵的秩（Rank）是线性代数中的一个基本概念，它衡量了矩阵中行或列向量的线性无关性。矩阵的秩在解线性方程组、矩阵分解、确定线性变换的维度等方面起着重要作用。2.矩阵的秩的定义矩阵的秩可以从以下几个角度进行定义：行秩：矩阵的行秩是指矩阵中最大线性无关行向量的个数。列秩：矩阵的列秩是指矩阵中最大线性无关列向量的个数。在一个矩阵中，行秩和列秩总是相等的，因此我们通常将矩阵的
【ShuQiHere】从零开始实现逻辑回归：深入理解反向传播与梯度下降 ShuQiHere 代码武士的机器学习秘传逻辑回归算法机器学习
【ShuQiHere】逻辑回归是机器学习中一个经典的分类算法，尽管它的名字中带有“回归”，但它的主要用途是处理二分类问题。逻辑回归通过一个逻辑函数（Sigmoid函数）将输入特征映射到一个概率值上，然后根据这个概率值进行分类。本文将带你从零开始一步步实现逻辑回归，并深入探讨背后的核心算法——反向传播与梯度下降。逻辑回归的数学基础逻辑回归的目标是找到一个逻辑函数，能够将输入特征映射到一个(0,1)之
数学基础 -- 线性代数之行阶梯形 sz66cm 线性代数机器学习人工智能
行阶梯形行阶梯形（RowEchelonForm,REF）是线性代数中用于简化矩阵形式的一种方法，常用于求解线性方程组。矩阵经过行变换（如高斯消元法）后可以转换为行阶梯形，它具有以下特点：行阶梯形的定义零行在矩阵的底部：矩阵中如果存在一行全为零的行，这些行必须在矩阵的最下方。每一非零行的首个非零元素为1：这一元素称为该行的主元（leadingentry）。主元是从左到右的第一个非零元素，并且主元必须
【ShuQiHere】《机器学习的进化史『上』：从数学模型到智能算法的百年征程》 ShuQiHere 机器学习人工智能
【ShuQiHere】引言：概述机器学习的演进机器学习的发展史是一段从数学基础到智能算法的演进历程。从19世纪的数学探索，到20世纪的计算革命，再到21世纪的智能算法应用，机器学习模型的演化贯穿了科学进步的每个重要阶段。这篇博客将系统回顾这些模型的历史演进，展示它们之间的联系，并探讨其在现代应用中的重要性。线性回归：机器学习的起点背景故事：1805年的法国，年轻的数学家Adrien-MarieLe
数学基础 -- 线性代数之增广矩阵 sz66cm 线性代数机器学习
增广矩阵增广矩阵（AugmentedMatrix）是在求解线性方程组时常用的工具。它将线性方程组的系数矩阵与常数项合并在一起，形成一个扩展的矩阵，从而便于使用矩阵操作方法求解方程组。定义假设我们有一个线性方程组：a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm\begin{aligned}a_{11}x_1+a_
数学基础 -- 梯度下降算法 sz66cm 算法人工智能数学基础
梯度下降算法梯度下降算法（GradientDescent）是一种优化算法，主要用于寻找函数的局部最小值或全局最小值。它广泛应用于机器学习、深度学习以及统计学中，用于最小化损失函数或误差函数。梯度下降的基本概念梯度下降算法通过以下步骤工作：初始化参数：随机初始化模型的参数（如权重和偏差），也可以用特定的策略初始化。计算损失：对当前模型输出和实际目标值计算损失（如均方误差、交叉熵等）。计算梯度：计算损
数学基础 -- 线性代数之矩阵的可逆性 sz66cm 线性代数矩阵机器学习
矩阵的可逆性1.矩阵可逆的定义对于一个n×nn\timesnn×n的方阵AAA，如果存在一个矩阵BBB使得：A×B=B×A=InA\timesB=B\timesA=I_nA×B=B×A=In其中InI_nIn是n×nn\timesnn×n的单位矩阵（对角线上全为1，其他位置全为0），那么矩阵AAA是可逆的，并称矩阵BBB是矩阵AAA的逆矩阵，记作A−1A^{-1}A−1。2.矩阵不可逆的定义如果对
Logistic 回归零度° 机器学习回归数据挖掘人工智能
文章目录1.引言2.Logistic回归概述2.1定义与应用场景2.2与线性回归的区别3.原理与数学基础3.1Sigmoid函数3.2概率解释3.3极大似然估计4.模型建立4.1假设函数4.2成本函数4.3梯度下降法5.正则化5.1正则化的目的与类型5.1.1正则化的目的5.1.2正则化的类型5.2L1和L2正则化5.2.1L1正则化5.2.2L2正则化6.多分类问题6.1一对多(OvA)6.2一
数学基础 -- 线性代数之行列式不变性推导 sz66cm 线性代数
行列式不变性的推导我们要证明：给矩阵的一行（或列）加上另一行（或列）的倍数，这种操作不会改变行列式的值。问题描述假设我们有一个矩阵AAA，其大小为3×33\times33×3，如果我们将其第1行加上第2行的倍数，得到新的矩阵A′A'A′。我们需要证明矩阵AAA的行列式和矩阵A′A'A′的行列式是相等的。给定矩阵AAA如下：A=(a11a12a13a21a22a23a31a32a33)A=\begi
数学基础（四）几两春秋梦_ 数学基础算法人工智能机器学习
一、特征值与特征向量特征空间：特征向量的应用：特征值表达了重要程度且和特征向量所对应，那么特征值大的就是主要信息了，基于这点我们可以提供各种有价值的信息。二、SVD矩阵分解基变换：特征值分解：SVD：离散型随机变量概率函数（概率质量函数）：连续型随机变量似然函数
深度学习如何入门？科学的N次方深度学习
入门深度学习需要系统性的学习和实践经验积累，以下是一份详细的入门指南，包含了关键的学习步骤和资源：预备知识：•编程基础：熟悉Python编程语言，它是深度学习领域最常用的编程语言。确保掌握变量、条件语句、循环、函数等基本概念，并学习如何使用Python处理数据和文件操作。•数学基础：理解线性代数（矩阵运算、向量空间等）、微积分（导数、梯度求解等）、概率论与统计学（期望、方差、概率分布、最大似然估计
2018-02-19 471503Liwufeng
四十岁之后就经常算不清楚自己多大岁数，到底44还是45或者46真的不能不假思索脱口而出。是小学数学基础没打好，还是心理学上说的“可以回避”？所以今天记上一笔，2018年2月19日，45周岁。中年人的生日我相信没人由衷想为自己又长一岁而庆贺
计算机等级考试：信息安全技术知识点二 ting_liang 计算机网络
1、信息技术的飞速发展，对人类社会产生了重要影响，其主流是积极的，但也客观存在一些负面影响，这些负面影响有:信息泛滥、信息污染、信息犯罪。2、1949年，香农发表了著名的《保密系统的通信理论》的论文，把密码学置于坚实的数学基础上，标志着密码学作为一门学科的形成。3、数字签名的过程使用的是签名者的私有密钥，验证数字签名时，使用的是签名者的公有密钥。4、已知最早的代换密码是由JuliusCaesar发
数学分析视频+书籍等 dllglvzhenfeng 计算机考研机试创新程序猿的数学人工智能算法信奥青少年趣味编程数学分析
数学分析（数学基础分支）数学分析（数学基础分支）_百度百科《数学分析（一）》专题《数学分析（一）》专题_哔哩哔哩_bilibili北京某高校《数学分析（二）》：第一讲~第五讲北京某高校《数学分析（二）》：第一讲~第五讲_哔哩哔哩_bilibili北京某高校《数学分析（二）》：第六讲~第八讲（未完待续）北京某高校《数学分析（二）》：第六讲~第八讲_哔哩哔哩_bilibili北京某高校《微观数学》之《
【人工智能学习思维脉络导图】 AK@ 人工智能人工智能学习
曾梦想执剑走天涯，我是程序猿【AK】目录知识图谱1.基础知识2.人工智能核心概念3.实践与应用4.持续学习与进展5.挑战与自我提升6.人脉网络知识图谱人工智能学习思维脉络导图1.基础知识计算机科学基础数学基础（线性代数、微积分、概率论和统计学）编程语言（Python、R等）2.人工智能核心概念机器学习监督学习无监督学习强化学习深度学习神经网络卷积神经网络（CNN）循环神经网络（RNN）自然语言处理
智力题还是水有毒 (智力唤醒、简单代码、公平性) BABYMISS
前言：群里发现一个很有意思的问题一、智力题？？！有1000瓶水，其中有一瓶有毒，小白鼠只要尝一点带毒的水24小时内就会死亡，至少要多少只小白鼠才能在24小时内鉴别出哪瓶水有毒？【题目肯定经不起吃瓜大众的推敲，我们还是按出题人的思路来！】二、思路对不起，刚开始跑偏了。自诩数学基础好、生活经验丰富的我，思绪飘过二叉树、布隆过滤器，在奥卡姆剃刀指引下，最终回归最基础的二进制(如果是1024瓶水，保证不跑
小学奥数全套试卷百度云资源，pdf可打印电子版地址更新全网优惠分享君
奥数，全称为奥林匹克数学竞赛，是一项极富挑战性的数学竞赛活动。它旨在发现和培养数学人才，提高他们的数学水平，并为国家培养出优秀的数学后备力量。在奥数竞赛中，学生需要掌握扎实的数学基础，灵活运用数学知识，解决各种复杂的数学问题。为了帮助小学生更好地学习奥数，我们整理了一份小学奥数全套试卷百度云资源，pdf可打印电子版。这份资源包含了小学奥数各年级的试卷，题型全面，难度适中，适合小学生练习和提高自己的
Linux的Initrd机制被触发 linux
Linux 的 initrd 技术是一个非常普遍使用的机制，linux2.6 内核的 initrd 的文件格式由原来的文件系统镜像文件转变成了 cpio 格式，变化不仅反映在文件格式上， linux 内核对这两种格式的 initrd 的处理有着截然的不同。本文首先介绍了什么是 initrd 技术，然后分别介绍了 Linux2.4 内核和 2.6 内核的 initrd 的处理流程。最后通过对 Lin
maven本地仓库路径修改 bitcarter maven
默认maven本地仓库路径：C:\Users\Administrator\.m2 修改maven本地仓库路径方法： 1.打开E:\maven\apache-maven-2.2.1\conf\settings.xml 2.找到
XSD和XML中的命名空间 darrenzhu xml xsd schema namespace 命名空间
http://www.360doc.com/content/12/0418/10/9437165_204585479.shtml http://blog.csdn.net/wanghuan203/article/details/9203621 http://blog.csdn.net/wanghuan203/article/details/9204337 http://www.cn
Java 求素数运算周凡杨 java 算法素数
网络上对求素数之解数不胜数，我在此总结归纳一下，同时对一些编码，加以改进，效率有成倍热提高。第一种：原理: 6N(+-)1法任何一个自然数，总可以表示成为如下的形式之一： 6N，6N+1，6N+2，6N+3，6N+4，6N+5 (N=0，1，2，…)
java 单例模式 g21121 java
想必单例模式大家都不会陌生，有如下两种方式来实现单例模式： class Singleton { private static Singleton instance=new Singleton(); private Singleton(){} static Singleton getInstance() { return instance; }
Linux下Mysql源码安装 510888780 mysql
1.假设已经有mysql-5.6.23-linux-glibc2.5-x86_64.tar.gz (1)创建mysql的安装目录及数据库存放目录解压缩下载的源码包，目录结构，特殊指定的目录除外：
32位和64位操作系统墙头上一根草 32位和64位操作系统
32位和64位操作系统是指：CPU一次处理数据的能力是32位还是64位。现在市场上的CPU一般都是64位的，但是这些CPU并不是真正意义上的64 位CPU，里面依然保留了大部分32位的技术，只是进行了部分64位的改进。32位和64位的区别还涉及了内存的寻址方面，32位系统的最大寻址空间是2 的32次方= 4294967296（bit）= 4（GB）左右，而64位系统的最大寻址空间的寻址空间则达到了
我的spring学习笔记10-轻量级_Spring框架 aijuans Spring 3
一、问题提问： → 请简单介绍一下什么是轻量级？轻量级（Leightweight）是相对于一些重量级的容器来说的，比如Spring的核心是一个轻量级的容器，Spring的核心包在文件容量上只有不到1M大小，使用Spring核心包所需要的资源也是很少的，您甚至可以在小型设备中使用Spring。
mongodb 环境搭建及简单CURD antlove Web Install curd NoSQL mongo
一搭建mongodb环境 1. 在mongo官网下载mongodb 2. 在本地创建目录 "D:\Program Files\mongodb-win32-i386-2.6.4\data\db" 3. 运行mongodb服务 [mongod.exe --dbpath "D:\Program Files\mongodb-win32-i386-2.6.4\data\
数据字典和动态视图百合不是茶 oracle 数据字典动态视图系统和对象权限
数据字典（data dictionary）是 Oracle 数据库的一个重要组成部分，这是一组用于记录数据库信息的只读（read-only）表。随着数据库的启动而启动,数据库关闭时数据字典也关闭数据字典中包含数据库中所有方案对象（schema object）的定义(包括表，视图，索引，簇，同义词，序列，过程，函数，包，触发器等等) 数据库为一
多线程编程一般规则 bijian1013 java thread 多线程 java多线程
如果两个工两个以上的线程都修改一个对象，那么把执行修改的方法定义为被同步的，如果对象更新影响到只读方法，那么只读方法也要定义成同步的。不要滥用同步。如果在一个对象内的不同的方法访问的不是同一个数据，就不要将方法设置为synchronized的。
将文件或目录拷贝到另一个Linux系统的命令scp bijian1013 linux unix scp
一.功能说明 scp就是security copy，用于将文件或者目录从一个Linux系统拷贝到另一个Linux系统下。scp传输数据用的是SSH协议，保证了数据传输的安全，其格式如下： scp 远程用户名@IP地址：文件的绝对路径
【持久化框架MyBatis3五】MyBatis3一对多关联查询 bit1129 Mybatis3
以教员和课程为例介绍一对多关联关系，在这里认为一个教员可以叫多门课程，而一门课程只有1个教员教，这种关系在实际中不太常见，通过教员和课程是多对多的关系。示例数据：地址表： CREATE TABLE ADDRESSES ( ADDR_ID INT(11) NOT NULL AUTO_INCREMENT, STREET VAR
cookie状态判断引发的查找问题 bitcarter form cgi
先说一下我们的业务背景： 1.前台将图片和文本通过form表单提交到后台，图片我们都做了base64的编码，并且前台图片进行了压缩 2.form中action是一个cgi服务 3.后台cgi服务同时供PC，H5，APP 4.后台cgi中调用公共的cookie状态判断方法（公共的，大家都用，几年了没有问题）问题：（折腾两天。。。。） 1.PC端cgi服务正常调用，cookie判断没
通过Nginx,Tomcat访问日志(access log)记录请求耗时 ronin47
一、Nginx通过$upstream_response_time $request_time统计请求和后台服务响应时间 nginx.conf使用配置方式： log_format main '$remote_addr - $remote_user [$time_local] "$request" ''$status $body_bytes_sent "$http_r
java-67- n个骰子的点数。把n个骰子扔在地上，所有骰子朝上一面的点数之和为S。输入n，打印出S的所有可能的值出现的概率。 bylijinnan java
public class ProbabilityOfDice { /** * Q67 n个骰子的点数 * 把n个骰子扔在地上，所有骰子朝上一面的点数之和为S。输入n，打印出S的所有可能的值出现的概率。 * 在以下求解过程中，我们把骰子看作是有序的。 * 例如当n=2时，我们认为（1，2）和（2，1）是两种不同的情况 */ private stati
看别人的博客，觉得心情很好 Cb123456 博客心情
以为写博客，就是总结，就和日记一样吧，同时也在督促自己。今天看了好长时间博客: 职业规划: http://www.iteye.com/blogs/subjects/zhiyeguihua android学习: 1.http://byandby.i
[JWFD开源工作流]尝试用原生代码引擎实现循环反馈拓扑分析 comsci 工作流
我们已经不满足于仅仅跳跃一次，通过对引擎的升级，今天我测试了一下循环反馈模式，大概跑了200圈，引擎报一个溢出错误在一个流程图的结束节点中嵌入一段方程，每次引擎运行到这个节点的时候，通过实时编译器GM模块，计算这个方程，计算结果与预设值进行比较，符合条件则跳跃到开始节点，继续新一轮拓扑分析，直到遇到
JS常用的事件及方法 cwqcwqmax9 js
事件描述 onactivate 当对象设置为活动元素时触发。 onafterupdate 当成功更新数据源对象中的关联对象后在数据绑定对象上触发。 onbeforeactivate 对象要被设置为当前元素前立即触发。 onbeforecut 当选中区从文档中删除之前在源对象触发。 onbeforedeactivate 在 activeElement 从当前对象变为父文档其它对象之前立即
正则表达式验证日期格式 dashuaifu 正则表达式 IT其它 java其它
正则表达式验证日期格式 function isDate(d){ var v = d.match(/^(\d{4})-(\d{1,2})-(\d{1,2})$/i); if(!v) { this.focus(); return false; } } <input value="2000-8-8" onblu
Yii CModel.rules() 方法、validate预定义完整列表、以及说说验证 dcj3sjt126com yii
public array rules () {return} array 要调用 validate() 时应用的有效性规则。返回属性的有效性规则。声明验证规则，应重写此方法。每个规则是数组具有以下结构：array('attribute list', 'validator name', 'on'=>'scenario name', ...validation
UITextAttributeTextColor = deprecated in iOS 7.0 dcj3sjt126com ios
In this lesson we used the key "UITextAttributeTextColor" to change the color of the UINavigationBar appearance to white. This prompts a warning "first deprecated in iOS 7.0." Ins
判断一个数是质数的几种方法 EmmaZhao Math python
质数也叫素数，是只能被1和它本身整除的正整数，最小的质数是2，目前发现的最大的质数是p=2^57885161-1【注1】。判断一个数是质数的最简单的方法如下： def isPrime1(n): for i in range(2, n): if n % i == 0: return False return True 但是在上面的方法中有一些冗余的计算，所以
SpringSecurity工作原理小解读坏我一锅粥 SpringSecurity
SecurityContextPersistenceFilter ConcurrentSessionFilter WebAsyncManagerIntegrationFilter HeaderWriterFilter CsrfFilter LogoutFilter Use
JS实现自适应宽度的Tag切换 ini JavaScript html Web css html5
效果体验：http://hovertree.com/texiao/js/3.htm 该效果使用纯JavaScript代码，实现TAB页切换效果，TAB标签根据内容自适应宽度，点击TAB标签切换内容页。 HTML文件代码： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"
Hbase Rest API : 数据查询 kane_xie REST hbase
hbase（hadoop）是用java编写的，有些语言（例如python）能够对它提供良好的支持，但也有很多语言使用起来并不是那么方便，比如c#只能通过thrift访问。Rest就能很好的解决这个问题。Hbase的org.apache.hadoop.hbase.rest包提供了rest接口，它内嵌了jetty作为servlet容器。启动命令：./bin/hbase rest s
JQuery实现鼠标拖动元素移动位置（源码+注释）明子健 jquery js 源码拖动鼠标
欢迎讨论指正！ print.html代码： <!DOCTYPE html> <html> <head> <meta http-equiv=Content-Type content="text/html;charset=utf-8"> <title>发票打印</title> &l
Postgresql 连表更新字段语法 update qifeifei PostgreSQL
下面这段sql本来目的是想更新条件下的数据，可是这段sql却更新了整个表的数据。sql如下： UPDATE tops_visa.visa_order SET op_audit_abort_pass_date = now() FROM tops_visa.visa_order as t1 INNER JOIN tops_visa.visa_visitor as t2 ON t1.
将redis,memcache结合使用的方案? tcrct redis cache
公司架构上使用了阿里云的服务，由于阿里的kvstore收费相当高，打算自建，自建后就需要自己维护，所以就有了一个想法，针对kvstore(redis)及ocs(memcache)的特点，想自己开发一个cache层，将需要用到list，set，map等redis方法的继续使用redis来完成，将整条记录放在memcache下，即findbyid，save等时就memcache，其它就对应使用redi
开发中遇到的诡异的bug wudixiaotie bug
今天我们服务器组遇到个问题：我们的服务是从Kafka里面取出数据，然后把offset存储到ssdb中，每个topic和partition都对应ssdb中不同的key，服务启动之后，每次kafka数据更新我们这边收到消息，然后存储之后就发现ssdb的值偶尔是-2,这就奇怪了，最开始我们是在代码中打印存储的日志，发现没什么问题，后来去查看ssdb的日志，才发现里面每次set的时候都会对同一个key