前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >数学|欧拉公式的简单证明

数学|欧拉公式的简单证明

作者头像
算法与编程之美
发布于 2020-04-15 07:59:47
发布于 2020-04-15 07:59:47
1.6K0
举报

欢迎点击「算法与编程之美」↑关注我们!

本文首发于微信公众号:"算法与编程之美",欢迎关注,及时了解更多此系列文章。

一 什么是欧拉公式

在数学中,sin函数和cos函数是最近乎完美的周期函数,e是自然对数的底,i是数学界中唯一一个平方为负的数字,这几者一般很少有联系,而欧拉公式则很完美的将它们联系在了一起,且关系简单明了:

图1 欧拉公式

相信很多人第一眼看到这个公式会觉得不可思议,三角函数怎么会和指数函数有这么直接的关系,现在不妨来看看它的一个简单证明。

二 欧拉公式的证明

学过高数中泰勒展开式的人应该很熟悉下面这个表达式,这是一般函数的泰勒展开式,

图2 一般函数的泰勒展开式

e的x次方这个函数的泰勒展开式也可以通过上述表达式得到:

图3 ex泰勒展开式

同理sin(x)和cos(x)的泰勒展开式如下:

图4 sin函数和cos函数的泰勒展开式

将sin(x)和cos(x)的泰勒展开式相加的时候会得到下面的式子:

观察上述式子,可以发现它已经和e的x次方的泰勒展开式相差不大了,只是有一些地方存在符号的差异,仔细观察可以发现,cos(x)的泰勒展开式中除了x的0次幂项也就是第一项和x的4的倍数次幂的项符号为正,其余为负。针对这个规律,可以采取对e的x次方变号的方法。对于一般的变号方法,采取的是在变量x前面乘以一个-1,但是-1的特点是偶次幂为正,奇次幂为负,无法达到想要的效果,那么是否存在一个数字满足4的倍数次幂的项符号为正呢?答案是存在这样一个数字,他就是虚数单位i,于是,将e的x次方变成e的ix次方后得到新的泰勒展开式:

再次观察这个新式子,可以发现在x的奇次幂项的位置多了一个i,而这些奇次幂正好可以由sin(x)乘以i组成,得到新的泰勒展开式:

现在将(2)式和(3)式相加可以得到:

三 欧拉公式的特殊形式

特别的,当x=Π时,欧拉公式可以简写为e的iΠ次方-1=0,这个式子也被人们称为最完美的公式,它将自然对数的底数e、虚数单位i、和1完美的结合在一起,向世人阐述了数学的魅力。

END

主 编 | 王文星

责 编 | 饶龙江

where2go 团队

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-04-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 算法与编程之美 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
Yolov7:最新最快的实时检测框架,最详细分析解释(附源代码)
关注并星标 从此不迷路 计算机视觉研究院 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 论文地址:https://arxiv.org/pdf/2207.02696.pdf 代码地址:https://github.com/WongKinYiu/yolov7 计算机视觉研究院专栏 作者:Edison_G YOLOv7相同体量下比YOLOv5精度更高,速度快120%(FPS),比YOLOX快180%(FPS),比Dual-Swin-T快1200%(FPS),比ConvN
计算机视觉研究院
2022/07/12
1.9K0
Yolov7:最新最快的实时检测框架,最详细分析解释(附源代码)
YOLOv7上线:无需预训练,5-160 FPS内超越所有目标检测器
机器之心报道 编辑:小舟、泽南 在 5-160 FPS 范围内速度和精度超过所有已知目标检测器。 在 YOLOv6 推出后不到两个星期,提出 YOLOv4 的团队就发布了更新一代的版本。 本周三,YOLOv7 的论文被提交到了预印版论文平台 arXiv 上,其三位作者 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 是 YOLOv4 的原班人马。 论文链接:https://arxiv.org/abs/2207.02696 GitHub 链接:
机器之心
2022/07/12
10.3K0
YOLOv7上线:无需预训练,5-160 FPS内超越所有目标检测器
YOLOv7速度精度超越其他变体,大神AB发推,网友:还得是你!|开源
点击上方↑↑↑“OpenCV学堂”关注我来源:公众号 量子位 授权 前脚美团刚发布YOLOv6, YOLO官方团队又放出新版本。 曾参与YOLO项目维护的大神Alexey Bochkovskiy在推特上声称: 官方版YOLOv7比以下版本的精度和速度都要好。 在论文中,团队详细对比了YOLOv7和其他变体的性能对比,并介绍v7版本的新变化。 话不多说,YOLOv7有多强一起来看实验结果。 速度、精度都超越其他变体 论文中,实验以之前版本的YOLO和最先进的目标检测模型作为基准。 表格是YOLOv7模型在
OpenCV学堂
2022/07/12
1.4K0
YOLOv7速度精度超越其他变体,大神AB发推,网友:还得是你!|开源
【目标检测】YOLOv7理论简介+实践测试
YOLOv7由YOLOv4的作者团队提出,其论文一作也是YOLOR的作者。 论文的风格也和YOLOR一样,比较难懂,因此这里的理论部分也不做仔细研究,仅对论文提出的几个创新点进行翻译概括。
zstar
2022/09/19
1.6K0
【目标检测】YOLOv7理论简介+实践测试
YOLOv7论文讲解和代码复现
YOLO v7论文(YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors)被收录于计算机视觉顶会CVPR2023,这也是时隔 6 年,YOLOv 系列再登顶会 CVPR!我们知道CVPR是计算机视觉方面的三大顶级会议之一,上一次被收录还是YOLO v2,这也可以看到YOLO v7很强大,也被很多人所认可。
Srlua
2024/11/28
2450
YOLOv7论文讲解和代码复现
YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍 !!
YOLO系列的核心思想就是把目标检测转变为一个回归问题,利用整张图片作为网络的输入,通过神经网络,得到边界框的位置及其所属的类别。
JOYCE_Leo16
2024/04/09
33.9K1
YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍 !!
RCS-YOLO | 比YOLOv7精度提高了2.6%,推理速度提高了60%
本文首发于 【集智书童】,白名单账号转载请自觉植入本公众号名片并注明来源,非白名单账号请先申请权限,违者必究。
集智书童公众号
2023/09/04
1.7K0
RCS-YOLO | 比YOLOv7精度提高了2.6%,推理速度提高了60%
YOLO 系列目标检测大合集
YOLO(You Only Look Once,你只看一次)是一系列开创性的实时目标检测模型,它们彻底改变了计算机视觉领域。由Joseph Redmon开发,后续版本由不同研究人员迭代,YOLO模型以其在图像中检测对象的高速度和准确性而闻名。以下是对每个YOLO版本的详细查看:
小白学视觉
2024/11/01
5410
YOLO 系列目标检测大合集
FedPylot,联邦学习框架下的YOLOv7实时目标检测与隐私保护研究!
智能交通系统(ITS)有望通过提高安全性、优化交通流量、减少车辆排放和燃油消耗以及提供信息娱乐服务来 Reshape 流动性。这种转变得益于机器学习(ML)和车辆与一切(V2X)通信技术的进步,促进了车辆网络、行人和基础设施之间的无缝合作,产生了大量数据,并整合成一个统一的车辆互联网(IoV)[1]。为了实现数据共享,IoV依赖于最先进的无线网络技术,这些技术可以提供远距离、低延迟、可靠和安全的传输[2]。
集智书童公众号
2024/06/14
1.5K1
FedPylot,联邦学习框架下的YOLOv7实时目标检测与隐私保护研究!
YOLOv6:又快又准的目标检测框架开源啦
总第518篇 2022年 第035篇 近日,美团视觉智能部研发了一款致力于工业应用的目标检测框架 YOLOv6,能够同时专注于检测的精度和推理效率。在研发过程中,视觉智能部不断进行了探索和优化,同时吸取借鉴了学术界和工业界的一些前沿进展和科研成果。在目标检测权威数据集 COCO 上的实验结果显示,YOLOv6 在检测精度和速度方面均超越其他同体量的算法,同时支持多种不同平台的部署,极大简化工程部署时的适配工作。特此开源,希望能帮助到更多的同学。 1. 概述 精度与速度远超 YOLOv5 和 YOLOX 的
美团技术团队
2022/06/27
2.7K0
YOLOv6:又快又准的目标检测框架开源啦
PP-YOLOv2开源,你的目标检测器又该升级了!性能超越YOLOv5且推理耗时保持不变
本文是百度的研究员对PP-YOLO的一次升级,从PP-YOLO出发,通过增量消融方式逐步添加有助于性能提升且不增加推理耗时的措施,取得了更佳的性能(49.5%mAP)-速度(69FPS)均衡,并优于YOLOv4与YOLOv5。 >>加入极市CV技术交流群,走在计算机视觉的最前沿
Color Space
2021/05/18
1.5K0
PP-YOLOv2开源,你的目标检测器又该升级了!性能超越YOLOv5且推理耗时保持不变
人员摔倒识别预警系统 人员跌倒检测系统
人员摔倒识别预警系统 人员跌倒检测系统基于yolov7网络模型计算机识别技术,人员摔倒识别预警系统 人员跌倒检测系统对画面中人员摔倒进行实时检测识别抓拍告警。YOLOv7 的策略是使用组卷积来扩展计算块的通道和基数。研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后,每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组,再将它们连接在一起。此时,每组特征图的通道数将与原始架构中的通道数相同。最后,该方法添加 g 组特征图来执行 merge cardinality。除了保持原有的 ELAN 设计架构,E-ELAN 还可以引导不同组的计算块学习更多样化的特征。
燧机科技
2023/03/06
9240
人员摔倒识别预警系统 人员跌倒检测系统
AI动作异常行为分析监测系统
AI动作异常行为分析监测系统通过python+yolov7网络模型深度学习技术,AI动作异常行为分析监测系统对现场人员人体动作操作行为以及穿戴情况是否合规进行实时监测。YOLOv7 在 5 FPS 到 160 FPS 范围内,速度和精度都超过了所有已知的目标检测器。并在V100 上,30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的,不使用任何其他数据集或预训练权重。此外, YOLOv7 的在速度和精度上的表现也优于 YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR 等多种目标检测器。
燧机科技
2023/02/08
7860
AI动作异常行为分析监测系统
YOLO系列介绍(三)
YOLOV7 是 YOLOV4 的原班人马于 2022 年提出的最新的 YOLO 版本。 YOLOv7 的在速度和精度上的表现也优于 YOLOR、YOLOX、Scaled-YOLOv4、YOLOv5、DETR 等多种目标检测器。
算法之名
2022/11/16
3.4K0
YOLO系列介绍(三)
实用目标检测器 | 性能超YoloV5,推理耗时不变(附github源码)
在实际应用场景中,有效性与高效性对于目标检测器非常重要。为了满足这两个问题,研究者全面评估了现有的改进的集合,以提高PP-YOLO的性能,同时几乎保持推理时间不变。
3D视觉工坊
2021/05/18
2.5K0
实用目标检测器 | 性能超YoloV5,推理耗时不变(附github源码)
ai皮带跑偏撕裂监测系统功能
ai皮带跑偏撕裂监测系统功能基于yolov7网络模型人工智能视觉技术,ai皮带跑偏撕裂监测系统功能自动识别现场画面中传送皮带撕裂、跑偏、偏移等情况,ai皮带跑偏撕裂监测系统功能立即告警抓拍存档同步回传后台。YOLO 的核心思想就是把目标检测转变成一个回归问题,利用整张图作为网络的输入,仅仅经过一个神经网络,得到bounding box(边界框) 的位置及其所属的类别。YOLOv7 的发展方向与当前主流的实时目标检测器不同,研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外,该研究提出的方法还专注于训练过程的优化,将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性,但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
燧机科技
2023/05/08
4090
ai皮带跑偏撕裂监测系统功能
YOLO系列的落地 | YOLOv7+注意力机制在农业上的应用
随着技术的发展,监控设备在农业中发挥着巨大的作用。有多种方法可以监测个体动物的行为,例如插入芯片记录生理数据、使用可穿戴传感器和(热)成像技术。一些方法使用附着在鸟类脚上的可穿戴传感器来测量它们的活动,但这可能会对受监测的动物产生额外影响。特别是,在商业环境中,技术限制和高成本导致这种方法的可行性低。
集智书童公众号
2023/02/26
2.8K0
YOLO系列的落地 | YOLOv7+注意力机制在农业上的应用
校园安全AI视频行为分析系统
校园安全AI视频行为分析系统以yolov7网络模型算法为核心,对现场画面中打架、异常跌倒、攀爬翻墙、违规闯入行为主动识别预警存档。YOLOv7 在 5 FPS 到 160 FPS 范围内,速度和精度都超过了所有已知的目标检测器。相对于其他类型的工具,YOLOv7-E6 目标检测器(56 FPS V100,55.9% AP)比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN(9.2 FPS A100,53.9% AP)速度上高出 509%,精度高出 2%,比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%,精度高出 0.7%。并在V100 上,30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的,不使用任何其他数据集或预训练权重。
燧机科技
2023/04/17
5220
校园安全AI视频行为分析系统
AI课堂教学质量评估系统算法
AI课堂教学质量评估系统算法通过yolov7网络模型框架利用摄像头和人脸识别技术,AI课堂教学质量评估系统算法实时监测学生的上课表情和课堂行为。同时,还结合语音识别技术和听课专注度分析算法,对学生的听课专注度进行评估,生成教学质量报告,并提供针对性的改进建议,帮助教师发现问题并进行针对性的改进,提升教学效果。AI课堂教学质量评估系统算法之所以选择yolov7框架模型,相对于其他类型的工具,YOLOv7-E6 目标检测器(56 FPS V100,55.9% AP)比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN(9.2 FPS A100,53.9% AP)速度上高出 509%,精度高出 2%,比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%,精度高出 0.7%。
燧机科技
2023/09/10
7910
AI课堂教学质量评估系统算法
YOLO 系目标检测算法家族全景图!
YOLO目标检测算法诞生于2015年6月,从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。
CV君
2020/08/04
1.8K0
YOLO 系目标检测算法家族全景图!
推荐阅读
相关推荐
Yolov7:最新最快的实时检测框架,最详细分析解释(附源代码)
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档