跳转到内容
主菜单
主菜单
移至侧栏
隐藏
导航
首页
最近更改
随机页面
MediaWiki帮助
代码酷
搜索
搜索
中文(中国大陆)
外观
创建账号
登录
个人工具
创建账号
登录
未登录编辑者的页面
了解详情
贡献
讨论
编辑“︁
Lean mathlib介绍
”︁(章节)
页面
讨论
大陆简体
阅读
编辑
编辑源代码
查看历史
工具
工具
移至侧栏
隐藏
操作
阅读
编辑
编辑源代码
查看历史
常规
链入页面
相关更改
特殊页面
页面信息
外观
移至侧栏
隐藏
您的更改会在有权核准的用户核准后向读者展示。
警告:
您没有登录。如果您进行任何编辑,您的IP地址会公开展示。如果您
登录
或
创建账号
,您的编辑会以您的用户名署名,此外还有其他益处。
反垃圾检查。
不要
加入这个!
== 实际应用案例 == === 形式化微积分 === mathlib 包含完整的微积分库,例如下面形式化的导数定义: <math> \frac{d}{dx}f(x) = \lim_{h \to 0}\frac{f(x+h)-f(x)}{h} </math> 对应的 Lean 形式化为: <syntaxhighlight lang="lean"> import Mathlib.Analysis.Calculus.Deriv.Basic def formal_derivative {𝕜 : Type} [NontriviallyNormedField 𝕜] {E : Type} [NormedAddCommGroup E] [NormedSpace 𝕜 E] (f : 𝕜 → E) (x : 𝕜) := deriv f x </syntaxhighlight> === 机器学习应用 === mathlib 的线性代数部分可用于机器学习算法的形式化验证: <syntaxhighlight lang="lean"> import Mathlib.LinearAlgebra.Matrix -- 定义简单的神经网络层 def dense_layer (W : Matrix ℝ m n) (b : Vector ℝ n) (x : Vector ℝ m) := W * x + b -- 矩阵乘法和向量加法 </syntaxhighlight>
摘要:
请注意,所有对代码酷的贡献均被视为依照知识共享署名-非商业性使用-相同方式共享发表(详情请见
代码酷:著作权
)。如果您不希望您的文字作品被随意编辑和分发传播,请不要在此提交。
您同时也向我们承诺,您提交的内容为您自己所创作,或是复制自公共领域或类似自由来源。
未经许可,请勿提交受著作权保护的作品!
取消
编辑帮助
(在新窗口中打开)