數(shù)學(xué)中的sec、csc怎么讀？（其余四個(gè)如果有標(biāo)準(zhǔn)讀音的話也附上）？Cot仍然是余切，余切，余切，[K?u?t?nd?NT]。在數(shù)學(xué)中，CSC是余切。在直角三角形中，斜邊與銳角對(duì)邊的比率用CSC（角度

數(shù)學(xué)中的sec、csc怎么讀？（其余四個(gè)如果有標(biāo)準(zhǔn)讀音的話也附上）？

Cot仍然是余切，余切，余切，[K?u?t?nd?NT]。

在數(shù)學(xué)中，CSC是余切。

在直角三角形中，斜邊與銳角對(duì)邊的比率用CSC（角度）表示。

斜邊大于對(duì)邊。角的頂點(diǎn)與平面直角坐標(biāo)系的原點(diǎn)重合，其起始邊與正x軸重合。它叫CSCX。

它與正弦的比率表達(dá)式相反。余割的函數(shù)像是奇的、周期的。

倒數(shù)關(guān)系：

1，Tanα·cotα=1。

2、sinα·cscα=1。

3、cosα·secα=1。

屬性：

1。在三角函數(shù)的定義中，CSCα=R/Y；

2。余割函數(shù)和正弦函數(shù)是互易的；

3。定義域：{x | x≠Kπ，K∈Z}；

4。取值范圍：{y | y≤-1或y≥1}，即▏y▏≥1；

5。周期性：最小正周期為2π；

6。奇偶校驗(yàn)：奇數(shù)函數(shù)。

深度學(xué)習(xí)是什么意思？

深度學(xué)習(xí)是近年來隨著信息社會(huì)、學(xué)習(xí)科學(xué)和課程改革的發(fā)展而出現(xiàn)的一種新的學(xué)習(xí)模式和形式。

目前，對(duì)深度學(xué)習(xí)的概念有很多答案，很多專家學(xué)者的解釋是本質(zhì)意義一致的表述略有不同。

李嘉厚教授認(rèn)為，深度學(xué)習(xí)是建立在理解的基礎(chǔ)上的。學(xué)習(xí)者可以批判性地學(xué)習(xí)新的想法和事實(shí)，將它們?nèi)谌朐械恼J(rèn)知結(jié)構(gòu)，將許多想法聯(lián)系起來，并將現(xiàn)有的知識(shí)轉(zhuǎn)移到新的情境中，從而做出決策和解決問題。

郭華教授認(rèn)為，深度學(xué)習(xí)是在教師指導(dǎo)下的一個(gè)有意義的學(xué)習(xí)過程，學(xué)生圍繞挑戰(zhàn)性的學(xué)習(xí)主題，全心投入，體驗(yàn)成功，獲得發(fā)展。它具有批判性理解、有機(jī)整合、建設(shè)性反思和遷移應(yīng)用的特點(diǎn)。

深度學(xué)習(xí)有幾個(gè)特點(diǎn)。一是觸動(dòng)人心的學(xué)習(xí)。第二，體驗(yàn)式學(xué)習(xí)。三是深入認(rèn)識(shí)和實(shí)踐創(chuàng)新的研究。

為什么要使用relu激活函數(shù)？

增加了網(wǎng)絡(luò)的非線性能力，以適應(yīng)更多的非線性過程。在一定程度上，relu可以防止梯度的消失，但這并不是使用它的主要原因。主要原因是很容易找到導(dǎo)數(shù)。在一定程度上，這意味著右端不會(huì)接近飽和。當(dāng)我們計(jì)算導(dǎo)數(shù)時(shí)，導(dǎo)數(shù)不會(huì)為零，所以梯度不會(huì)消失。但是左端問題仍然存在，如果我們掉進(jìn)去梯度就會(huì)消失。所以有很多改進(jìn)的relu。

神經(jīng)網(wǎng)絡(luò)relu怎么反向求導(dǎo)？

Relu是神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)。

在神經(jīng)網(wǎng)絡(luò)從輸入到輸出的正向傳播中，激活函數(shù)是不可避免的。因此，在反向傳播調(diào)整過程中，還需要根據(jù)鏈導(dǎo)數(shù)規(guī)則調(diào)整relu的偏差或梯度。

在神經(jīng)網(wǎng)絡(luò)中，每?jī)蓪由窠?jīng)元的權(quán)重根據(jù)梯度進(jìn)行調(diào)整。梯度調(diào)整的幅度和方向取決于激活函數(shù)后前一層神經(jīng)元的輸入值a和激活函數(shù)前后一層神經(jīng)元輸出值的偏差。relu的逆導(dǎo)數(shù)是神經(jīng)元輸出的偏差（在進(jìn)入激活函數(shù)之前）。relu的偏差請(qǐng)參考我的文章《BP反向傳播算法的思考與直觀理解——卷積小白的隨機(jī)世界》

例如，當(dāng)L1層的偏差為m時(shí)，則relu后的L層的偏差為m*Wij。如果此時(shí)，relu之前的l層的輸出為Zi。如果Zi小于0。那么，L層神經(jīng)元通過relu前的偏差為0；如果Zi大于0。那么，relu之前的L層的偏差是m*Wij。