Day9学习记录
今天学习了数组！掌握了冒泡排序！超开心：)
由于c语言知识的学习笔记大量代码截图所以今天的就不放了（戳手手）
以及今天的作业终于达标了！呜呜呜太感动了
再接再厉
（Day7和Day8学习了TCP、UDP协议和HTTP、HTTPS，由于理解得还比较浅就暂时不放上来了，周末并没有很开心，有点小波折/(ㄒoㄒ)/ ......这两块知识继续了解中）
1.c语言中，当需要输入整形数据时，会发现如果%d 后面加了空格，按下回车键时控制台并没有反应，这就是吃空白行为。（今天最后学生成绩的代码出小问题的原因在此，花了好一会儿时间才看出来）
2.（1）只读空间：在程序运行之前就已经设计好的数据空间。静态空间，整个程序结束时释放内存，生存周期最长。
（2）栈空间：（入栈+出栈）存放局部变量、替换临时变量。运行时，函数内部使用的变量，函数一旦返回，就释放，生存周期在函数内。
（3）堆空间：可以自由，自我管理分配和释放的空间，生存周期由程序员决定。运行时保留一段时间。
3.华为云盘古气象大模型
（1)NWP（numerical weather prediction 数值天气预报）
基于数学模型的天气预报。
数值天气预报的最大困难是什么？庞大的计算量。
美国气象学家Charney在1950年将数值预报变成现实，因为他在那一年结识了冯·诺伊曼，获得了世界上首台通用电子计算机ENIAC的使用资格。他采用简化模型以节省计算量，而基于原始方程组的数值预报，要在20年后才渐为主流。由于该方法的计算量爆炸，有研究宣称数值天气预报将在未来受限于电力。
而这就是气象AI出现的意义。因为AI的最强项就是速度。
（2）气象AI：天气非常看重时效，AI对症下药。在分钟级别的短临预报上展露优势。
2022年3月，英伟达发布了首个全球AI气象模型FourCastNet，比盘古早了8个月。
AI的核心是神经网络，一个个神经元连接而成的复杂网络。给神经网络投喂数据，就会自动学习，成长为所谓的智能。这个投喂的过程称为训练。
AI预测天气，本质上就是建立网格点，未来和过去数据之间的相关性。二维数据忽略了垂直方向网格点之间的关系，想要训练准确，必须扩展到三维。
FourCast选用了五个高度层，但最后采用二维数据进行训练；盘古选用了13层，并且当作三维数据输入模型。所以盘古的准确度得到极大提升。
（3）AI可以识别图像，是根据像素的相对位置关系判断的（“平移不变性”）。盘古借鉴了swin transformer的架构，一个图像领域非常出名的AI模型。
图像由一个个像素组成，天气也由一个个网格点的气象数据描述。给AI投喂图像，它就会观察总结。
（4）由于地球是球型，加上赤道与两极的巨大差异，而平移不变性又导致AI只看相对位置，所以分析及其不准确，数据分布不均匀。
解决方法：用算法对其修正。这种不均匀是由纬度导致的，所以可以掰成均匀网络；而用三维数据导致的不均匀亦可用算法修正。
（5）前两次不均匀由地球形状导致，而气压层本身特性导致的不均匀带来输入数据本身的困难。
如何修正气压层数据，消除其分布的不均匀带来的误差？
Attention：注意力机制，是当下最受关注的神经网络架构Transformer的核心组件，也是chatGPT的核心组件。
Attention算法：一系列的矩阵和内积运算。其公式形式和神经元一模一样。-->attention的本质，仍是寻找数据和结果的相关性，相关性越大，模型对输入投入的注意力更大。Attention可以告诉我们哪些数据更重要。
（6）除了在算法上的优化，盘古还在工程上采取了一种叫层次化聚合策略的手段，进一步减少了AI迭代预测时产生的误差。
（7）非线性：一个函数里输入的系数和输入相关。
当一个气团因外力产生加速度，会作用在速度上，这个速度会反哺加速度，进而又作用于速度。无数气团的叠加变得混沌——天气复杂性的来源。
（8）1989年，人工智能先驱Hormik通过严谨的数学证明只要神经网络足够多，它就可以拟合出这世上任何一条复杂函数。
原本线性的神经元公式会在一些激活函数的参数作用下变成非线性，叠加从而拟合出任意一条复杂的非线性函数。——神经网络就是一个万能函数拟合器，盘古就拟合出了大量间隔6小时的天气数据之间的函数。如果说数值模拟是简单公式在时间轴上的迭代以达成复杂结果，AI就是时间截面上众多函数的叠加。相比前者排除了时间这一要素，这就是AI更快的原因。
（9）AI还可以根据计算结果调整神经网络公式，自行拟合出对应的函数。
（10）这个世界就是非线性的世界。而盘古告诉我们AI不仅能解决气象问题，还能解决这个世界更多复杂的问题。
（11）在华为的规划里，不仅仅是气象，盘古大模型是个可落地到各行各业的AI操作系统，不同于AI在聊天作画上的泡沫热潮，华为更关注切身你我的现实生产领域——“不作诗，只做事”。
来源：bilibili老奇好好奇