🌞欢迎来到人工智能的世界
🌈博客主页:卿云阁💌欢迎关注🎉点赞👍收藏⭐️留言📝
🌟本文由卿云阁原创!
📆首发时间:🌹2024年6月9日🌹
✉️希望可以和大家一起完成进阶之路!
🙏作者水平很有限,如果发现错误,请留言轰炸哦!万分感谢!
🙏本书是自己写的哦,因为编辑太麻烦啦,很多地方就粘贴了图片,如果需要电子版的可以私信哈。
引言
向量的定义为具有大小和方向的量。这里我们主要关注神经网络中用到的内容,弄清向量的性质。
研究对象:向量
向量是有方向的线段,线段的长度代表向量的大小,箭头代表向量的方向。
几何视角和坐标表示
现实视角
向量可以代表着一些信息
向量的大小
向量的内积
坐标视角
****几何视角 ****
从几何角度来看,向量内积与向量的长度和它们之间的夹角有关。具体地,两个向量的内积可以表示为:
研究手段:线性变换
对称变换
伸缩变换
行列式
矩阵是为了表达信息,行列式可以当成矩阵的一个性质。二维行列式的几何含义就是二维图像的有向面积。三维行列式的几何含义就是三维集合的有向体积。如果这个矩阵参与变换的话,对应的二维行列式的含义就是变换前后的有向面积之比。对应的三维行列式的几何含义就是变换前后的有向体积之比。
对于行列式的计算而言,在实际的工程应用中直接可以用计算机计算,这里我们不做重点进行讨论。
矩阵
矩阵的含义
一个标量就是一个单独的数。只具有数值大小,没有方向(部分有正负之分),运算遵循一般的代数法则。比如质量是数据标量。向量指具有大小和方向的量,在机器学习中,单条数据样本的表征都是以向量化的形式来完成的。矩阵是二维数组,****AI中的应用:样本以矩阵形态表示: 公式条数据/样本,公式个特征的数据集,就是一个公式 的矩阵。****
标量,可以视为零阶张量。向量,可以视为一阶张量。矩阵,可以视为二阶张量。图片以矩阵形态表示:将一张彩色图片表示成一个公式的三阶张量(高度,宽度,通道)。 在这个例子的基础上,将这一定义继续扩展,即:用四阶张量(样本,高度,宽度,通道)表示一个包含多张图片的数据集。AI中的应用:张量是深度学习中一个非常重要的概念,大部分的数据和权重都是以张量的形态存储的,后续的所有运算和优化算法也都是基于张量进行的。
矩阵的运算
矩阵的运算有很多种,比如加减法,数乘,乘法,转置等等,每种运算都有现实含义和工程应用,这里我们讨论矩阵的乘法和转置的应用。
矩阵的乘法
矩阵的转置
在现实问题中,系统信息表示的矩阵可能不是一个方阵,为了挖掘出这个数据集更多的信息,会左乘这个矩阵的转置,使其变成一个方阵,这个方阵中会包含更多的信息。
矩阵的逆
逻辑角度
我们知道矩阵没有乘法,但是我们可以乘以一个逆数,这实现了同样的事情。
如何与 2 个人分享 10 个苹果?
集合角度
现实角度
如果乘坐公共汽车旅行,每位儿童 3 元,每位成人 3.20 元,总计 118.40 元。如果乘坐火车旅行,每位儿童3.50 元,每位成人 3.60 元,总计 135.20 元。
有多少孩子,有多少成年人?
伴随矩阵
我们发明伴随矩阵的目的就是为了求逆矩阵的,课本上我们学到的是用初等行变换的方式去求逆矩阵,但是初等行变换的方法是不可控的,比较混乱,所以为了计算机可以更加便捷的去求到逆矩阵,所以我们便引入了伴随矩阵。
矩阵相似
定义角度
几何角度
初等行变换对应于在几何上进行基本的几何操作,例如缩放、旋转、平移等。这些操作不会改变变换的本质特性(矩阵和矩阵****的秩相同),只是改变了其表示形式。
矩阵的秩
矩阵的秩会决定最后的输出y的维度,所以研究矩阵的秩是很有意义的。的秩决定着有效方程的个数。r越小,y的维度越小。
可以把矩阵看成是一个筛子,矩阵的秩看成是筛眼的大小,矩阵A的秩越小,对应的筛眼越小,自然漏过去的面粉越少。
向量
线性组合
线性表示
线性相关
线性无关
正交矩阵
它可以改变原始向量的相对位置,保留了向量的长度和角度。(在计算机图形学中,正交矩阵用于表示旋转和反射。这些变换在动画和3D建模中非常重要。例如,3D物体的旋转可以用正交矩阵来表示,从而保持物体的形状和比例不变。)
极大线性无关组
所有有效向量(增加空间维度)构成的向量组
向量组的秩
张成空间的维数,张成的空间是2维的,秩为2。
等价向量组
施密特正交化
非正交基转换为正交基。假设现在有两个向量是二维平面的一组非正交基。我们将其中一个向量向另外一个向量进行投影。操作时候就能得到该平面的一组正交基。
矩阵分解
线性方程组
非齐次线性方程组的解
几何角度
秩的角度
基础解析
基础解析:构成解空间的基
b是在解空间的一个坐标
基础解析的个数
方程组的近似解
矩阵的特征值和特征向量
矩阵的特征值和特征向量
**** 特征值和特征向量反应了矩阵某种性质。矩阵可以对某个特征值对应的****特征向量空间中的向量起到伸缩作用。
相似矩阵
**** 我们就说B和A是相似的,既然相似那么一定有相同点,相同点是什么呐?****它们是同一个线性映射在不同基下的线性表达。
相似对角化
二次型
用矩阵处理曲面曲线等非线性对象
矩阵合同
同一事物在不同坐标系下的不同形态
版权归原作者 卿云阁 所有, 如有侵权,请联系我们删除。