高等数学 / 系统课时

连续模型与离散计算

连续模型与离散计算

数学常用连续函数描述时间、位置和损失的平滑变化,但计算机只能保存有限数量、有限精度的数据。本课将建立从连续模型到离散采样、数值近似和迭代计算的完整认识,并说明近似误差从何而来。

学习目标

  • 区分连续模型、离散数据与有限精度表示
  • 理解采样间隔如何影响信息保留和计算成本
  • 认识数值积分、迭代优化中的近似思想

连续模型描述什么

连续模型假设自变量可以在某个区间内取任意实数。例如,函数 y=f(x)y=f(x) 可以描述温度随时间变化,也可以描述神经网络损失随参数变化。即使只观察两个相邻位置,理论上它们之间仍存在无限多个可取点。

连续函数也可能有尖点。例如绝对值函数在零点连续,但零点左右斜率不同,因此在那里不可导。阶跃函数则在跳变点不连续。判断一个模型是否连续,关注的是输入发生足够小的变化时,输出能否保持足够小的变化。

计算机如何处理连续对象

计算机无法保存一个区间内的无限多个值,只能选择有限采样点。设连续信号为 f(t)f(t),采样间隔为 Δt\Delta t,计算机实际保存的是

f(0), f(Δt), f(2Δt),…,f(nΔt)f(0),\ f(\Delta t),\ f(2\Delta t),\ldots,f(n\Delta t)

采样间隔越小,离散数据通常越接近原连续对象,但存储量和计算量也会增加。采样间隔过大时,不同频率可能产生完全相同的离散序列。以每秒 8 次采样两个零初相的余弦波为例,3 Hz 和 5 Hz 的采样值满足 cos⁡(2π⋅5n/8)=cos⁡(2πn−2π⋅3n/8)=cos⁡(2π⋅3n/8)\cos(2\pi\cdot 5n/8)=\cos(2\pi n-2\pi\cdot 3n/8)=\cos(2\pi\cdot 3n/8),其中 nn 是整数。只看这些样本无法区分两者,这就是混叠。

连续模型离散化过程

有限精度带来的误差

实数在数学中可以拥有无限小数位,但计算机通常用浮点数近似保存。像 0.10.1 这样的十进制小数,在二进制中可能无法有限表示,因此连续进行加减乘除时会产生微小舍入误差。

这类误差通常不会让单次计算完全失效,却可能在大量迭代中累积。比较近似计算结果时,可按误差预算选择绝对和相对容差。例如 Python 的 math.isclose(a, b, rel_tol=1e-9, abs_tol=1e-12) 同时考虑数值的量级和接近零时的误差。离散标记、计数等需要精确比较的量仍应按相应数据类型检查。

从积分到有限求和

积分表示连续区间上的累积量,但程序通常通过有限个小区间进行近似。将区间 [a,b][a,b] 划分为 nn 份,宽度为 Δx=(b−a)/n\Delta x=(b-a)/n,矩形近似可写成

∫abf(x) dx≈∑i=0n−1f(a+iΔx)Δx\int_a^b f(x)\,dx \approx \sum_{i=0}^{n-1} f(a+i\Delta x)\Delta x

当划分更细时,结果一般会更准确,但计算次数也随之增加。数值计算的核心并不是完全消除误差,而是在精度、时间和资源之间选择合理平衡。

迭代算法如何逼近答案

AI 训练中的梯度下降也属于离散迭代。理论上,参数可以沿连续轨迹变化;实际程序则按固定步骤更新:

θk+1=θk−η∇L(θk)\theta_{k+1}=\theta_k-\eta\nabla L(\theta_k)

其中 kk 是离散迭代次数,η\eta 是学习率。学习率过大可能越过较优位置,过小则收敛缓慢。因此,离散步长不仅影响速度,也影响算法能否稳定接近目标。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

连续模型与离散计算

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通