背景神经网络快速发展，且其具有自动微分的天然功能特性，可以用其来近似逼近待求解函数，利用自动微分来逼近一阶微分，利用自动微分的微分来逼近二阶微分，代入原等式中计算loss，优化后即可得到结果。（以下参考博客）微分方程是由函数以及其导数组成的等式，一般而言，可以分为常微分方程(ODE)和偏微分方程(PDE)，常微分方程按照最高阶导数的阶数可以分为一阶，二阶甚至更高阶，按照函数及其导数的次数又可分为线

背景前面几篇博客介绍了神经网络应用到积分、一元N阶微分的原理、方法并实践了可行性，取得了较好的拟合效果，现在针对偏微分方程PDE进行最后的攻关，完成该部分攻关后即基本掌握了神经网络应用到方程求解的原理方法以及实践代码的自主可控，其实多元N阶微分如果不是偏微分方程则可表示为（以一阶微分为例）dxdtdydt+dxdt+dydt+x(t)+y(t)+2=0\frac{dx}{dt}\frac{dy}{

背景求解方程组问题（线性非线性均可，不带微积分）问题描述xy+x3+y3=11yxy+x^3+y^3=11yxy+x3+y3=11yx2y2+x2+2y2=10x^2y^2+x^2+2y^2=10x2y2+x2+2y2=10不限制xy范围，实际解为x=2 y=1注意俩方程也可能解出来多套解，我只是先设定了实际解的一组解，然后构造的方程组，所以还可能存在其他解神经网络思路：参考遗传算法求解方程组的思

系列背景TDengine作为国产时序数据库的典范，开源了单机版和集群版，实在是国产软件开源的典范，因毕设需要，对其进行深入研究，此系列记录所学。顺便为这款优秀的开源产品做推广~接口准备配置于宿主机，用于读取TDengine的数据python3.7pip install taos安装库如果下载 taos-1.4.11-py2-none-any.whl离线安装，会报错不匹配平台，是因为这是py2的库。

背景90后小时候玩的都是自创的游戏，踢沙包、踢足球（把纸弄成球，包N层）、跳方格、挖沙子、堆泥巴、挖坑道、骑自行车、荡秋千、打卡片、叠元宝、猜猪蹄四角、拍手、跳皮筋、翻花绳、转笔、弹射笔、弹射纸球、画漫画、超能nono撞击挤压、斗鸡、骑马打仗、剪刀石头布等手势博弈游戏，其中扳机作为斗智斗勇的博弈游戏，有其内在的规律和不确定性、刺激性，因此进行游戏的代码复现。但不只是完全复现，还进行了优化，优化了血

背景90后小时候玩的都是自创的游戏，踢沙包、踢足球（把纸弄成球，包N层）、跳方格、挖沙子、堆泥巴、挖坑道、骑自行车、荡秋千、打卡片、叠元宝、猜猪蹄四角、拍手、跳皮筋、翻花绳、转笔、弹射笔、弹射纸球、画漫画、超能nono撞击挤压、斗鸡、骑马打仗、剪刀石头布等手势博弈游戏，其中扳机作为斗智斗勇的博弈游戏，有其内在的规律和不确定性、刺激性，因此进行游戏的代码复现。但不只是完全复现，还进行了优化，优化了血

背景mse均方误差、mae绝对值平均误差用于拟合回归，公式已经熟悉了，但交叉熵的每次都只是应用，没有了解公式，这对于自己写交叉熵损失函数以及分析损失函数不利。公式详解C是损失值；n是求平均用的，所以是样本数量，也就是batchsize；x是预测向量维度，因为需要在输出的特征向量维度上一个个计算并求和；y是onehot编码后的真实值 对应x维度上的标签，是1或0；a是onehot格式输出的预测标签，