标准化拉普拉斯矩阵特征值范围为什么小于等于2?(证明)
目录
- 0. 前言
- 1. 正文
- 1.1 标准化拉普拉斯是非满秩矩阵
- 1.1.1 拉普拉斯是非满秩矩阵
- 1.1.2 标准化拉普拉斯是非满秩矩阵
- 1.1.3 拉普拉斯矩阵及标准化拉普拉斯矩阵特征值与特征向量之间的关系
- 1.2 标准化拉普拉斯矩阵是半正定矩阵
- 1.2.1 标准化邻接矩阵的二次型化简
- 1.2.2 标准化拉普拉斯矩阵是半正定矩阵的证明
- 1.3 标准化邻接矩阵的特征值范围
- 1.3.1 瑞利商(Rayleigh quotient)
- 1.3.2 标准化邻接矩阵的特征值范围计算
- 1.3.3 标准化拉普拉斯矩阵的特征值范围计算
- 参考网址
0. 前言
谱图使用标准化拉普拉斯矩阵 L n o r m L^{norm} Lnorm 的一个重要原因就是, L n o r m L^{norm} Lnorm 比拉普拉斯矩阵 L L L 稳定。很多资料只是简单地介绍了 L n o r m L^{norm} Lnorm ,在kipfGCN中也只是简单地提到 L n o r m L^{norm} Lnorm 的特征值不大于2。本文搜集了相关lecture,并推导部分内容,来证明这个结论。
1. 正文
设标准化邻接矩阵 A n o r m A^{norm} Anorm 的特征值为 α 1 ≤ α 2 ≤ ⋯ ≤ α n \alpha_1\le\alpha_2\le\cdots\le\alpha_n α1≤α2≤⋯≤αn;标准化拉普拉斯矩阵 L n o r m L^{norm} Lnorm 的特征值为 λ 1 ≤ λ 2 ≤ ⋯ ≤ λ n \lambda_1\le\lambda_2\le\cdots\le\lambda_n λ1≤λ2≤⋯≤λn。有:
− 1 ≤ α 1 ≤ α 2 ≤ ⋯ ≤ α n ≤ 1 -1\le\alpha_1\le\alpha_2\le\cdots\le\alpha_n\le1 −1≤α1≤α2≤⋯≤αn≤1 0 ≤ λ 1 ≤ λ 2 ≤ ⋯ ≤ λ n ≤ 2 0\le\lambda_1\le\lambda_2\le\cdots\le\lambda_n\le2 0≤λ1≤λ2≤⋯≤λn≤2
编号 | 推论 | 目的 |
---|---|---|
1.1 | 标准化拉普拉斯是非满秩矩阵 | 标准化拉普拉斯矩阵至少有一个特征值为0 |
1.2 | 标准化拉普拉斯矩阵是半正定矩阵 | 标准化拉普拉斯矩阵所有特征值非负 |
1.1 标准化拉普拉斯是非满秩矩阵
1.1.1 拉普拉斯是非满秩矩阵
首先,证明拉普拉斯矩阵 L L L 是非满秩矩阵:
令 D = [ d 1 d 2 ⋱ d n ] D = \begin{bmatrix} d_1 & & & \\ & d_2 & & \\ & & \ddots & \\ & & & dn \\ \end{bmatrix} D= d1d2⋱dn , A = [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ] A = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{bmatrix} A= a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann ,则:
∣ L ∣ = ∣ D − A ∣ = ∣ d 1 − a 11 − a 12 ⋯ − a 1 n − a 21 d 2 − a 22 ⋯ − a 2 n ⋮ ⋮ ⋮ − a n 1 − a n 2 ⋯ d − a n n ∣ (1) \begin{aligned}\tag{1} |L|=|D-A|=\begin{vmatrix} d_1-a_{11} & -a_{12} & \cdots & -a_{1n} \\ -a_{21} & d_2-a_{22} & \cdots & -a_{2n} \\ \vdots & \vdots & & \vdots \\ -a_{n1} & -a_{n2} & \cdots & d-a_{nn} \\ \end{vmatrix} \end{aligned} ∣L∣=∣D−A∣= d1−a11−a21⋮−an1−a12d2−a22⋮−an2⋯⋯⋯−a1n−a2n⋮d−ann (1),将第2~n行分别加到第一行,可得第一行的元素为:
[ d 1 + ∑ i = 1 n ( − a i 1 ) , d 2 + ∑ i = 1 n ( − a i 2 ) , . . . , d n + ∑ i = 1 n ( − a i n ) ] (2) \tag{2} [d_1+\sum_{i=1}^{n}(-a_{i1}),\,d_2+\sum_{i=1}^{n}(-a_{i2}), ...,\,d_n+\sum_{i=1}^{n}(-a_{in})] [d1+i=1∑n(−ai1),d2+i=1∑n(−ai2),...,dn+i=1∑n(−ain)](2),因为度矩阵对角线元素是邻接矩阵对应行(列)的和,因此有:
d 1 = ∑ i = 1 n ( a i 1 ) , d 2 = ∑ i = 1 n ( a i 2 ) , . . . , d n = ∑ i = 1 n ( a i n ) d_1=\sum_{i=1}^{n}(a_{i1}),\,\,\,d_2=\sum_{i=1}^{n}(a_{i2}),\,\,\,...,d_n=\sum_{i=1}^{n}(a_{in}) d1=i=1∑n(ai1),d2=i=1∑n(ai2),...,dn=i=1∑n(ain),所以 ( 2 ) (2) (2) 的元素全为0,即 ∣ L ∣ = 0 |L|=0 ∣L∣=0。
1.1.2 标准化拉普拉斯是非满秩矩阵
其次,证明标准化拉普拉斯矩阵 L n o r m L^{norm} Lnorm 是非满秩矩阵:
∵ ∣ L n o r m ∣ = ∣ D − 1 2 L D − 1 2 ∣ = ∣ D − 1 2 ∣ ∣ L ∣ ∣ D − 1 2 ∣ \because |L^{norm}|=|D^{-\frac 1 2}LD^{-\frac 1 2}|=|D^{-\frac 1 2}||L||D^{-\frac 1 2}| ∵∣Lnorm∣=∣D−21LD−21∣=∣D−21∣∣L∣∣D−21∣, ∣ L ∣ = 0 |L|=0 ∣L∣=0
∴ ∣ L n o r m ∣ = 0 \therefore |L^{norm}|=0 ∴∣Lnorm∣=0
1.1.3 拉普拉斯矩阵及标准化拉普拉斯矩阵特征值与特征向量之间的关系
上一节我们知道,拉普拉斯矩阵 L L L 和标准化拉普拉斯矩阵 L n o r m L^{norm} Lnorm 都是非满秩矩阵,都有至少一个特征值为 0。设 e e e 是 L L L 的一个对应于特征值 0 的特征向量,有 L e = 0 Le=0 Le=0。因为:
L n o r m D 1 2 e = D − 1 2 L D − 1 2 D 1 2 e = D − 1 2 ( L e ) = 0 L^{norm} D^{\frac 1 2}e=D^{-\frac 1 2}LD^{-\frac 1 2}D^{\frac 1 2}e=D^{-\frac 1 2}(Le)=0 LnormD21e=D−21LD−21D21e=D−21(Le)=0
所以 D 1 2 e D^{\frac 1 2}e D21e 是 L n o r m L^{norm} Lnorm 的一个对应于特征值 0 的特征向量。
1.2 标准化拉普拉斯矩阵是半正定矩阵
1.2.1 标准化邻接矩阵的二次型化简
设 A = [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ] , D = [ d 1 d 2 ⋱ d n ] A = \begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{bmatrix},\,D =\begin{bmatrix} d_1 & & & \\ & d_2 & & \\ & & \ddots & \\ & & & d_n \\ \end{bmatrix} A= a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann ,D= d1d2⋱dn ,则 D − 1 2 = [ 1 d 1 1 d 2 ⋱ 1 d n ] D^{-\frac 1 2} =\begin{bmatrix} {\frac 1 {\sqrt{d_1}}} & & & \\ & {\frac 1 {\sqrt{d_2}}} & & \\ & & \ddots & \\ & & & {\frac 1 {\sqrt{d_n}}} \\ \end{bmatrix} D−21= d1 1d2 1⋱dn 1
标准化邻接矩阵 A n o r m = D − 1 2 A D − 1 2 = [ a 11 d 1 d 1 a 12 d 2 d 1 ⋯ a 1 n d 2 d n a 21 d 2 d 1 a 22 d 2 d 2 ⋯ a 2 n d 2 d n ⋮ ⋮ ⋮ a n 1 d n d 1 a n 1 d n d 1 ⋯ a n n d n d n ] \text{标准化邻接矩阵} \,\,A^{norm} = D^{-\frac 1 2}AD^{-\frac 1 2}= \begin{bmatrix} {\frac {a_{11}} {\sqrt{d_1d_1}}} & {\frac {a_{12}} {\sqrt{d_2d_1}}} & \cdots & {\frac {a_{1n}} {\sqrt{d_2d_n}}} \\ {\frac {a_{21}} {\sqrt{d_2d_1}}} & {\frac {a_{22}} {\sqrt{d_2d_2}}} & \cdots & {\frac {a_{2n}} {\sqrt{d_2d_n}}} \\ \vdots & \vdots & & \vdots \\ {\frac {a_{n1}} {\sqrt{d_nd_1}}} & {\frac {a_{n1}} {\sqrt{d_nd_1}}} & \cdots & {\frac {a_{nn}} {\sqrt{d_nd_n}}} \\ \end{bmatrix} 标准化邻接矩阵Anorm=D−21AD−21= d1d1 a11d2d1 a21⋮dnd1 an1d2d1 a12d2d2 a22⋮dnd1 an1⋯⋯⋯d2dn a1nd2dn a2n⋮dndn ann ,令 x = [ x 1 , x 2 , ⋯ , x n ] T \bold{x}=[x_1, x_2,\cdots, x_n]^T x=[x1,x2,⋯,xn]T,则:
x T A n o r m x = [ x 1 , x 2 , ⋯ , x n ] [ a 11 d 1 d 1 a 12 d 2 d 1 ⋯ a 1 n d 2 d n a 21 d 2 d 1 a 22 d 2 d 2 ⋯ a 2 n d 2 d n ⋮ ⋮ ⋮ a n 1 d n d 1 a n 1 d n d 1 ⋯ a n n d n d n ] [ x 1 x 2 ⋮ x n ] = [ ∑ i n x i a i 1 d i d 1 , ∑ i n x i a i 2 d i d 2 , ⋯ , ∑ i n x i a i n d i d n ] [ x 1 x 2 ⋮ x n ] = ∑ i n x i x 1 a i 1 d i d 1 + ∑ i n x i x 2 a i 2 d i d 2 + ⋯ + ∑ i n x i x n a i n d i d n = ∑ i , j n x i x j a i j d i d j = ∑ ( i , j ) ∈ E 2 x i x j a i j d i d j ( 因为 a i j = a j i , 所以有个 2 ; a i j ∈ { 0 , 1 } , 所以可以消去 . ) \begin{aligned} \bold{x}^TA^{norm}\bold{x}&=[x_1, x_2,\cdots, x_n] \begin{bmatrix} {\frac {a_{11}} {\sqrt{d_1d_1}}} & {\frac {a_{12}} {\sqrt{d_2d_1}}} & \cdots & {\frac {a_{1n}} {\sqrt{d_2d_n}}} \\ {\frac {a_{21}} {\sqrt{d_2d_1}}} & {\frac {a_{22}} {\sqrt{d_2d_2}}} & \cdots & {\frac {a_{2n}} {\sqrt{d_2d_n}}} \\ \vdots & \vdots & & \vdots \\ {\frac {a_{n1}} {\sqrt{d_nd_1}}} & {\frac {a_{n1}} {\sqrt{d_nd_1}}} & \cdots & {\frac {a_{nn}} {\sqrt{d_nd_n}}} \\ \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \\ \end{bmatrix} \\ &=\begin{bmatrix} \sum_i^n{\frac {x_ia_{i1}} {\sqrt{d_id_1}}},\, \sum_i^n{\frac {x_ia_{i2}} {\sqrt{d_id_2}}},\, \cdots,\, \sum_i^n{\frac {x_ia_{in}} {\sqrt{d_id_n}}} \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \\ \end{bmatrix} \\ &= \sum_i^n{\frac {x_ix_1a_{i1}} {\sqrt{d_id_1}}}+ \sum_i^n{\frac {x_ix_2a_{i2}} {\sqrt{d_id_2}}}+ \cdots+ \sum_i^n{\frac {x_ix_na_{in}} {\sqrt{d_id_n}}} \\ &=\sum_{i,j}^n{\frac {x_ix_ja_{ij}} {\sqrt{d_id_j}}} \\ &=\sum_{(i,j)\in E}{\frac {2x_ix_ja_{ij}} {\sqrt{d_id_j}}} \,\,\,\,(因为a_{ij}=a_{ji},所以有个2;a_{ij}\in\{0,1\},所以可以消去.) \end{aligned} xTAnormx=[x1,x2,⋯,xn] d1d1 a11d2d1 a21⋮dnd1 an1d2d1 a12d2d2 a22⋮dnd1 an1⋯⋯⋯d2dn a1nd2dn a2n⋮dndn ann x1x2⋮xn =[∑indid1 xiai1,∑indid2 xiai2,⋯,∑indidn xiain] x1x2⋮xn =i∑ndid1 xix1ai1+i∑ndid2 xix2ai2+⋯+i∑ndidn xixnain=i,j∑ndidj xixjaij=(i,j)∈E∑didj 2xixjaij(因为aij=aji,所以有个2;aij∈{0,1},所以可以消去.),其中 E E E 为边的集合。
1.2.2 标准化拉普拉斯矩阵是半正定矩阵的证明
对 ∀ x ∈ R n \forall \bold{x}\in \mathbb{R}^n ∀x∈Rn, L n o r m L^{norm} Lnorm的二次型为:
x T L n o r m x = x T ( I − A n o r m ) x = ∑ i ∈ V x i 2 − ∑ ( i , j ) ∈ E 2 x i x j d i d j = ∑ ( i , j ) ∈ E ( x i 2 d i + x j 2 d j ) − ∑ ( i , j ) ∈ E 2 x i x j d i d j = ∑ ( i , j ) ∈ E ( x i d i − x j d j ) 2 ≥ 0 \begin{aligned} \bold{x}^TL^{norm}\bold{x}&=\bold{x}^T\Big(I-A^{norm}\Big)\bold{x} \\ &=\sum_{i\in V}x_i^2-\sum_{(i,j)\in E}{\frac {2x_ix_j} {\sqrt{d_id_j}}} \\ &=\sum_{(i,j)\in E}\Bigg({\frac {x_i^2} {d_i}}+{\frac {x_j^2} {d_j}}\Bigg)-\sum_{(i,j)\in E}{\frac {2x_ix_j} {\sqrt{d_id_j}}} \\ &=\sum_{(i,j)\in E}\Bigg({\frac {x_i} {\sqrt{d_i}}}-{\frac {x_j} {\sqrt{d_j}}}\Bigg)^2\\ &\ge0 \end{aligned} xTLnormx=xT(I−Anorm)x=i∈V∑xi2−(i,j)∈E∑didj 2xixj=(i,j)∈E∑(dixi2+djxj2)−(i,j)∈E∑didj 2xixj=(i,j)∈E∑(di xi−dj xj)2≥0,根据半正定矩阵的定义可知, L n o r m L^{norm} Lnorm 为半正定矩阵。
1.3 标准化邻接矩阵的特征值范围
1.3.1 瑞利商(Rayleigh quotient)
在求标准化邻接矩阵 A n o r m A^{norm} Anorm 的特征值范围前,需要了解瑞利商。瑞利商的定义如下:
R ( A , x ) = x T A x x T x R(A,x)=\frac{x^TAx}{x^Tx} R(A,x)=xTxxTAx,其中 A A A 为 n × n n\times n n×n 对称矩阵, x x x 为 n n n 维度向量。如果A的特征值为 λ 1 ≤ λ 2 ≤ ⋯ ≤ λ n \lambda_1\le\lambda_2\le\cdots\le\lambda_n λ1≤λ2≤⋯≤λn,则其瑞利商的下界为 λ 1 \lambda_{1} λ1,上界为 λ n \lambda_{n} λn。
关于瑞利商,参见我的博客:瑞利商性质及证明。
1.3.2 标准化邻接矩阵的特征值范围计算
x T L n o r m x ≥ 0 ⇒ x T ( I − A n o r m ) x ≥ 0 ⇒ x T x − x T A n o r m x ≥ 0 ⇒ 1 ≥ x T A n o r m x x T x x^TL^{norm}x\ge0\rArr x^T(I-A^{norm})x\ge0\rArr x^Tx-x^TA^{norm}x\ge0\rArr 1\ge{\frac {x^TA^{norm}x} {x^Tx}} xTLnormx≥0⇒xT(I−Anorm)x≥0⇒xTx−xTAnormx≥0⇒1≥xTxxTAnormx,由瑞利商的性质可知, A n o r m A^{norm} Anorm 最大特征值小于等于1,即 α n ≤ 1 \alpha_n\le1 αn≤1;当 x = D 1 2 e x=D^{\frac 1 2}e x=D21e 时, α n = 1 \alpha_n=1 αn=1。
类似于证明 L n o r m L^{norm} Lnorm 是半正定矩阵, I + A n o r m I+A^{norm} I+Anorm 也是半正定矩阵:
x T ( I + A n o r m ) x = ∑ i ∈ V x i 2 + ∑ ( i , j ) ∈ E ( x i d i + x j d j ) 2 ≥ 0 x^T(I+A^{norm})x=\sum_{i\in V}x_i^2+\sum_{(i,j)\in E}\Big( {\frac {x_i} {\sqrt{d_i}}}+{\frac {x_j} {\sqrt{d_j}}} \Big)^2\ge0 xT(I+Anorm)x=i∈V∑xi2+(i,j)∈E∑(di xi+dj xj)2≥0,所以有:
x T ( I + A n o r m ) x ≥ 0 ⇒ x T x + x T A n o r m x ≥ 0 ⇒ x T A n o r m x x T x ≥ − 1 x^T(I+A^{norm})x\ge0\rArr x^Tx+x^TA^{norm}x\ge0\rArr {\frac {x^TA^{norm}x} {x^Tx}}\ge-1 xT(I+Anorm)x≥0⇒xTx+xTAnormx≥0⇒xTxxTAnormx≥−1,由瑞利商的性质可知, A n o r m A^{norm} Anorm 最小特征值大于等于-1,即 α 1 ≥ − 1 \alpha_1\ge-1 α1≥−1。
所以标准化邻接矩阵 A n o r m A^{norm} Anorm 的特征值满足 − 1 ≤ α 1 ≤ α 2 ≤ ⋯ ≤ α n = 1 -1\le\alpha_1\le\alpha_2\le\cdots\le\alpha_n=1 −1≤α1≤α2≤⋯≤αn=1
1.3.3 标准化拉普拉斯矩阵的特征值范围计算
∵ \because ∵
x T L n o r m x x T x = x T ( I − A n o r m ) x x T x = 1 − x T A n o r m x x T x = 1 − R ( A n o r m , x ) − 1 ≤ R ( A n o r m , x ) ≤ 1 \begin{aligned} &\frac {x^TL^{norm}x} {x^Tx}=\frac {x^T(I-A^{norm})x} {x^Tx}=1-\frac {x^TA^{norm}x} {x^Tx}=1-R(A^{norm},x) \\ &-1\le R(A^{norm},x)\le1 \end{aligned} xTxxTLnormx=xTxxT(I−Anorm)x=1−xTxxTAnormx=1−R(Anorm,x)−1≤R(Anorm,x)≤1 ∴ \therefore ∴
0 ≤ x T L n o r m x x T x ≤ 2 \begin{aligned} &0\le \frac {x^TL^{norm}x} {x^Tx} \le2 \end{aligned} 0≤xTxxTLnormx≤2,其下确界为0,当 x = D 1 2 e x=D^{\frac 1 2}e x=D21e 时, λ 1 = 0 \lambda_1=0 λ1=0。
证毕。
参考网址
拉普拉斯性质
ORIE 6334 Spectral Graph Theory Lecture 7(主要参考了本文)
瑞利商性质及证明
Bounding matrix quadratic form using eigenvalues
Why Laplacian Matrix need normalization and how come the sqrt of Degree Matrix?
■ \blacksquare ■
标准化拉普拉斯矩阵特征值范围为什么小于等于2?(证明)相关推荐
- 拉普拉斯矩阵特征向量的几个关键性质证明
目录 前言 拉普拉斯矩阵 公式 性质 证明 性质1: L L L 的特征向量正交 性质2: L L L 的特征向量组成的矩阵 P P P是正交矩阵,有 P − 1 = P T P^{-1}=P^{T} ...
- 从拉普拉斯矩阵说到谱聚类
从拉普拉斯矩阵说到谱聚类 0 引言 11月1日上午,机器学习班第7次课,邹博讲聚类(PPT),其中的谱聚类引起了自己的兴趣,他从最基本的概念:单位向量.两个向量的正交.方阵的特征值和特征向量,讲到相似 ...
- 【大数据】十、社会网络图挖掘(Girvan-Newman、拉普拉斯矩阵、Simrank)
文章目录 1 社会网络图的聚类 1.1 社交图网络的距离计算 1.2 中介度 1.2 Girvan-Newman算法 2 图划分 2.1 描述图的一些矩阵 2.2 一句拉普拉斯矩阵特征值划分图 3 S ...
- python 邻接矩阵_阿里巴巴举荐,Python视频,免费分享,用python求解特征向量和拉普拉斯矩阵...
学过线性代数和深度学习先关的一定知道特征向量和拉普拉斯矩阵,这两者是很多模型的基础,有着很重要的地位,那用python要怎么实现呢? numpy和scipy两个库中模块中都提供了线性代数的库linal ...
- 频谱聚类|拉普拉斯矩阵
文章目录 频谱聚类的概念 拉普拉斯矩阵 频谱聚类的步骤 频谱聚类的概念 频谱聚类的本质是利用样本间的相似度,降维后使用聚类算法进行节点聚类. 其中用到的拉普拉斯矩阵的特征值被成为"谱&quo ...
- 拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient)
作者:桂. 时间:2017-04-13 07:43:03 链接:http://www.cnblogs.com/xingshansi/p/6702188.html 声明:欢迎被转载,不过记得注明出处哦 ...
- 拉普拉斯矩阵(Laplacian matrix)及其变体详解
拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵.基尔霍夫矩阵或离散拉普拉斯算子,是图论中用于表示图的一种重要矩阵. 定义 给定一个具有 n n n个顶点的简单图 G = ( V , ...
- 拉普拉斯矩阵(Laplacian matrix)及其变体
拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵.基尔霍夫矩阵或离散拉普拉斯算子,是图论中用于表示图的一种重要矩阵. 定义 给定一个具有 n 个顶点的简单图 G = ( V , E ) ...
- 理解GCN(二)从拉普拉斯矩阵到Ncut问题
0 文章小节分类 相关线代启示录 对Laplancian Matrix的基础理解 对经典文章<Normalized Cuts and Image Segmentation>中的normal ...
最新文章
- Linux 小知识翻译 - 「架构」(arch)
- Windows驱动开发要点总结一
- 错误 error C2220: 警告被视为错误 - 没有生成“object”文件
- 2018-2019-2 网络对抗技术 20165328 Exp2 后门原理与实践
- C#DateTime.ToString格式化时间字符串
- JS中的预编译(词法分析)阶段和执行阶段
- 刚刚!2020“中国高被引学者” 榜单发布:清华、北大、浙大位居内地前三!
- table表格的增删查改、图片的处理、数据的导入导出
- ubuntu18.04中tomcat8.5启动时报找不到JAVA_HOME和JRE_HOME
- 团队作业3 需求分析与系统设计
- PS中预设画笔并为路径描边
- 查找文件命令find和文件内容查找命令grep
- vue使用talkIngData统计
- Android WebView 因重定向无法正常goBack()的一种解决小方案
- GPS时钟系统,GPS同步时钟系统
- 探索入门云计算风向标Amazon的ECS容器技术
- 深度学习-第T6周——好莱坞明星识别
- 黑马程序员_Java基础_this,super,static,final关键字
- 帝国理工学院计算机科学与技术申请条件,伦敦帝国理工学院计算机理学硕士研究生申请要求及申请材料要求清单...
- 2021年中国大学生程序设计竞赛女生专场 K. 音乐游戏
热门文章
- Directshow获取高帧率无驱摄像头
- python中tan怎么表示_Python numpy.tan()用法及代码示例
- 天啊!中国第一奇人:天天枸杞水,活到256岁!
- [软件工具][原创]加减乘除自动出题带答案不重复生成可代替加减法印章使用教程
- Linux 系统硬盘不能识别挂载 bad magic number in super-block问题的修复
- excel2019数字太长无法显示解决办法
- 2023年上海理工大学材料与化工专业考研成功上岸前辈复习经验指导
- 一步步演示Avantage软件如何处理XPS谱图!
- 知乎高赞:有哪些高逼格的公众号值得推荐
- 再谈probit回归和logistic回归