《Deep Learning》(2)-线性代数

2.1 标量，向量，矩阵和张量

• 标量：只是一个数字。
• 向量：一串数字，相当于一维数组。一般默认向量都是列向量。
• 矩阵：一个2维的数组，需要用2个索引才可以确定其中一个元素。例如第$i$行，$j$列。
• 张量：维数大于2的数组，例如一个3维的张量A，需要坐标$(i,j,k)$才能确定其中一个元素。

矩阵的转置：

$$(A^T)_{i,j}=A_{j,k}$$
向量只有一行/一列，向量转置可以看做只有一列的矩阵的转置。标量转置还是它自己。

矩阵加法，$A,B$都是矩阵

$$C = A + B$$
表示：
$$C_{i,j}=A_{i,j}+B_{i,j}$$

标量加或者乘以矩阵,$B$是矩阵，$a,c$是标量:

$$D=a \cdot B + c$$
表示:
$$D_{i,j}=a \cdot B_{i,j} + c$$

向量和矩阵相加，虽然看上去不那么合适，但是在深度学习中经常看到，$A$是矩阵，$b$是向量，那么：

$$C=A+b$$
表示：
$$C_{i,j}=A_{i,j} + b_j$$
即 $A$的每一行都加上$b$。

2.2 矩阵、向量的乘

$A$是$m \times n$的矩阵，$B$是$n \times p$的矩阵，那么

$$C=AB$$
$C$是$m \times p$的矩阵。其中
$$C_{i,j}=\sum_kA_{i,k}B_{k,j}$$
上面的这种矩阵乘法叫做element-wise product或Hadamard product，表示为 $A \odot B$
还有一种矩阵乘法，叫做doc product，即点乘，这时两个矩阵维数相同，例如
$$C=AB$$
表示
$$C_{i,j}=A_{i,j}B_{i,j}$$

矩阵乘法满足一些乘法额定律：
分配律：

$$A(B+C)=AB+AC$$
结合律
$$A(BC)=(AB)C$$

不满足交换律，但是向量相乘满足交换律

$$x^Ty=y^Tx$$

矩阵乘积的转置有如下形式

$$(AB)^T=B^TA^T$$
除了上面的性质外，还应该知道一些特性：
线性等式:
$$Ax=b$$
其中 $A \in R^{m \times n}$是矩阵， $b \in R^m$是向量， $A,b$都是已知的， $x \in R^n$是未知的。上面的矩阵乘法的等式相当于提供了表达等式的一种方式。

2.3 矩阵求逆和单位矩阵

假设$I_n$是一个单位矩阵，$I_n \in R^{m \times n}$,那么

$$\forall x \in R^n, I_n x = x$$
单位矩阵，对角线上的数字都是1,其他部分数字全是0。

菊展$A$的逆表示为$A^{-1}$，有

$$A^{-1}A=I_n$$

那么2.2节中的等式

$$Ax=b$$
可以求解得到
$$x=A^{-1}b$$
当然， $A^{-1}$的存在是有条件的，不是每个矩阵都存在逆矩阵的。

当逆矩阵$A^{-1}$存在时，有不同的算法来闭式计算它。但是在计算机中，表示小数的精确度有限，因此有时并不能十分精确的得到$A^{-1}$，只能得到一个近似的估计值。

2.4 线性依赖和跨度

等式

$$Ax=b$$
如果 $A^{-1}$，那么上面的等式对于不同的 $b$必须只有一个解。但是也可能存在没有解或者有无数个解。对于特定具体的$b$,如果 $x$和$y$都是解，那么下面也是一个解
$$z=\alpha x + (1-\alpha)y$$
也是一个解。其中 $\alpha$是实数，那么这样就存在无数个解。

为了分析上面等式有多少个解，把$A$的每一列看做不同的方向，有多少条路可以到达$b$。这样，$x$的每个元素表示在对应的方向上走多远，$x_i$表示在第$i$列上移动多远：

$$Ax=\sum_i x_i A_{:,i}$$
上式这个操作叫做线性组合。

一个向量集合的生成空间是：这个向量集线性组合的所有点组成的空间。

$Ax=B$是否有解，在于$b$是否在$A$列向量集合的线性空间中。这个特殊的范围叫做列空间。

为了使$Ax=b$有解，$b \in R^m$，矩阵$A$的列空间应该包含$R^m$。矩阵有$n$列，即$n \geq m$。

$n \geq m$也只是必要条件，不是充分条件。因为有些列可能是冗余的；例如2列完全形同。这样的冗余叫做线性依赖。如果一个向量集线性独立，那么这个集合中的任何一个向量，都不能由其他向量的线性组合得到。这样，如果矩阵$A$的列空间包含$R^m$，那么它至少要有$m$个线性独立的列向量。这才是$Ax=b$有解的充分必要条件。

为了使矩阵$A$的逆存在，对于每一个$b$，等式$Ax=b$都应该至多有一个解。这样$A$最多有$m$列，否则可能会有多个解。

总和上面，矩阵$A$必须是个方阵，即$m=n$，且$A$的列线性独立。这样的矩阵叫做奇异矩阵。

只有$A$是奇异矩阵时才可以使用矩阵求逆的方法求解。

2.5 范数

范数可以衡量向量的大小，一个向量的$L^p$范数定义如下：

$$||x||_p=\big(\sum_i |x_i|^p\big)^{\frac{1}{p}}$$
其中 $p \in R, p \geq 1$

范数可以看做是向量到一个标量的映射函数，只要符合以下性质，都可以看做范数：
$f(x) = 0 \Rightarrow x=0$
$f(x+y) \leq f(x) + f(y)$（三角不等式）
$\forall \alpha \in R, f(\alpha x) = |\alpha|f(x)$

$L^2$范数是著名的欧几里得范数，它是原点到向量的欧拉距离。它可以省去下标，简写为$||x||$，$L^2$的平方形式等于$x^T x$。

$平方形式的L^2$范数在机器学习中用的最广，它的导数只和对应的项有关。但是平方形式的$L^2$范数在原点附近时，增长太慢。在一些机器学习的应用中，要十分严格区分0和非0的区别，这时可以使用$L^1$范数

$$||x||_1=\sum_i|x_i|$$

有时需要向量中非零元素的大小，有些人称作$L^0$范数，实际上没有$L^0$范数，可以使用$L^1$范数取代它。

在机器学习中经常用到$L^{\infty}$范数，称作最大范数（max norm），它的简化形式就是向量中最大数的幅度

$$||x||_{\infty}=\max_i|x_i|$$

在深度学习中，经常需要衡量矩阵的大小，这时使用Frobenius范数

$$||A||_F=\sqrt{\sum_{i,j}A_{i,j}^2}$$
和向量的 $L^2$范数类似。

两个向量的点乘可以写作范数的形式

$$x^T y = ||x||_2 ||y||_2 \cos \theta$$
其中 $\theta$是 $x$和$y$的夹角。

2.6特殊矩阵和向量

对角矩阵：只有对角元素非零，其他元素都为零。$D$是对角元素，那么$D_{i,j}=0, i \neq j$。单位矩阵$I$就是对角矩阵。diag($v$)表示对角方形矩阵的对角元素组成的向量。计算和对角方阵的的乘积十分高效，例如计算diag($v$)$x$=$v \odot x$。对角元素不为零的对角方阵才存在逆矩阵，$diag(v)^{-1}=diag([1/v_1,...,1/v_n]^T)$

对角矩阵不一定是方形矩阵，但是只有方形对角矩阵才存在逆矩阵。非方形的对角矩阵相乘的代价也很小。

对称矩形是矩阵等于其转置

$$A = A^T$$
生成矩阵时，如果由2个变量的函数生成，且变量顺序无关，那么经常会生成对称矩阵，因为对称矩阵中 $A_{i,j}=A_{j,i}$。

单位向量是指其范围为1

$$||v||_2=1$$

如果两个向量$x,y$正交，那么$x^Ty=0$；如果这两个向量的范数不为零，那么它们之间的角度为90度。在$R^n$中，至多有n个互相正交的非零向量。如果正交向量的范数为1，那么叫做标准正交。

正交矩阵的行和列都是正交的

$$A^TA=AA^T=I$$
即
$$A^{-1}=A^T$$
可以看出，计算正交矩阵的逆十分简单。

2.7 特征分解

数学上的物体，可以分解。例如12可以分解为2x2x3；这样可以得知它不能被5整除，但是可以被3整除。同理，矩阵也可以分解。

用的最广的矩阵分解是特征向量和特征值。矩阵$A$的非零特征向量$v$，$A$乘以它可以得到缩放/放大的$v$

$$A v = \lambda v$$
其中， $\lambda$是对应的特征值。上式还有另一种形式 $v^T A=\lambda v^T$。

如果$v$是特征向量，那么它缩放后依然是特征向量，所以我们只关心单位特征向量。

假设$A$有$n$个线性无关的特征向量$\{v^{(1)}, ..., v^{(n)}\}$，对应的特征值为$\{\lambda_1,...,\lambda_n\}$，可以把特征向量当做一列来组成一个矩阵$V = [v^{(1)}, ..., v^{(n)}]$，把特征值来组合成一个向量$\lambda = [\lambda_1,...,\lambda_n]$，$A$的特征分解为

$$A = V diag(\lambda)V^{-1}$$
可以通过特征值和特征向量来重建$A$。把矩阵分解为特征值和特征向量有助于我们分析理解矩阵。

不是每个矩阵都能分解为特征值和特征向量，有时分解还会产生复数。幸运的是，本书讲解的矩阵大部分都是可以简单分解的。注意一点，每个实数对称矩阵都可以分解，其特征值和特征向量都为实数：

$$A=Q \Lambda Q^T$$
其中$Q$是由$A$的特征向量组成的正交矩阵，$\Lambda$是对角矩阵。特征值$\Lambda_{i,i}$对应着矩阵$Q$的第$i$列$Q_{:,i}$

一个实对称矩阵$A$肯定有特征值分解，且特征值分解可能不唯一。如果两个或两个以上的特征向量有相等的特征值，由正交向量组成的集合和这个特征值也是矩阵的特征值分解。为了方便，我们常常将$\Lambda$降序排序；这样的话只有在特征值唯一时，特征分解才唯一。

矩阵的特征值分解给我们带来许多便利。例如，只有矩阵所有特征值为0时，它才是奇异矩阵。实数对称矩阵相乘可以用特征值分解优化，$f(x)=x^TAx$，且$||x||_2=1$；如果$x$是$A$的一个特征值，那么函数结果就是对应的特征向量；函数的最大值和最小值是对应特征值得最大值和最小值。

一个矩阵的所有特征值都大于0，那么就是正定的；如果都大于等于0，那么就是半正定的；如果都小于零，那么就是负定的；如果都小于等于零，那么就是半负定的。

2.8奇异值分解

上一节讲到了特征值分解，这一节来学奇异值分解（singular value decomposition, SVD）。像特征值分解一样，奇异值分解也可以帮助发现矩阵的一些特性；且奇异值分解更具一般性，每个矩阵都有奇异值分解。

特征分解形式为：

$$A= V diag(\lambda) V^{-1}$$
奇异值分解形式类似:
$$A= U D V^T$$
这里，假设 $A$是$m \times n$的矩阵，那么 $U$是$m \times m$的矩阵， $D$是$m \times n$的矩阵， $V$是$n \times n$的矩阵。且这三个矩阵有特殊的结构： $U$和$V$都是正交矩阵， $D$是对角矩阵，它不一定是方阵。

$D$叫做 $A$的奇异值，$U$的列是 $A$的左奇异向量(left-singular vector)，$V$的列是 $A$的右奇异向量（right-singular vector）。

还可以通过简单的推导，得出奇异值分解和特征分解的关系。

$$A A^T=(U D V^T)(U D V^T)^T=U D V^T V D^T U^T=U D (V^T V) D^T U^T=U (DD^T) U^{-1}$$
因为 $U$和$V$是正交矩阵：
$$UU^T=I, \qquad VV^T=I$$
这样，可以把 $U$当做$AA^T$的特征向量。同理, $V$是$A^TA$的特征向量。

奇异值分解的最有用的特性在于可以泛化，使非方阵可以部分求逆。

2.9 广义伪逆矩阵

非方阵的逆矩阵没有定义。假设要对下面等式求解：

$$Ax=y$$
$B$是$A$左逆矩阵，等式左边乘以 $B$可以得到
$$x=By$$

$A$到$B$的映射可能不唯一。$A$为$m \times n$，如果$m >n$，可能没有解；如果$m < n$可能有多个解。广义伪逆矩阵让我们可以无限接近，$A$的广义伪逆矩阵定义：

$$A^+ = \lim_{\alpha \searrow 0}(A^TA + \alpha I)^{-1} A^T$$
实际中使用的不是上面的形式，而是奇异值分解定义的形式：

$$A^+ = V D^+ D^T$$
$D^+$是把对角矩阵 $D$伪逆矩阵，它是把用到了非零元素，之后由结果矩阵转置得到？？？(is obtained by taking the reciprocal of its non-zero element then taking the transpose of the resulting matrix)。

当$A$中, $m < n$时，可以使用伪逆矩阵中的一个。尤其是经常用到的一个解为: $x=A^+ y$，其中 $||x||_2$是所有解中最小的。

当$A$中，$m > n$是可能没有解。这时使用伪逆转置，可以得到离$x$欧拉距离最近的解，即$$||Ax-y||_2$尽可能小。

2.10 迹算子

迹算子可以得到矩阵对角线元素的和：

$$Tr(A)=\sum_i A_{i,j}$$
迹算子很重要，一些操作可以转换为求和操作，而求和操作需要用到矩阵相乘和迹算子。

例如Frobenius范数定义

$$||A||_F = \sqrt{Tr(AA^T)}$$

以迹算子形式定义一些操作，可以得到很多迹算子的性质。例如

$$Tr(A) = Tr(A^T)$$

如果是方阵，那么还有循环移动不变的性质

$$Tr(A B C) = TR(C B A) = Tr(B C A)$$
更一般的写法：
$$Tr(\prod_{i=1}^{n} F^{(i)}) = Tr(F^{(n)} \prod_{i=1}^{n-1} F^{(i)})$$

循环移动可能得到的矩阵大小都不同，例如$A \in R^{m \times n}$，$B \in R^{n \times m}$：

$$Tr(AB) = Tr(BA)$$
$AB \in R^{m \times m}$， $BA \in R^{n \times n}$。

对于标量:$a=Tr(a)$。

2.11行列式

一个方矩阵的行列式由 det($A$)表示，它是一个把矩阵映射到实数的函数。一个矩阵的行列式等于其矩阵所有特征值的乘积。行列式的绝对值可以看做矩阵的在某个空间的体积。如果行列式等于零，那么这个空间至少全部收缩到了一维空间，是它体积为零。如果行列式等于1，那么变化过程中体积不变。

2.12 例子：主成成分分析

一个简单的机器学习算法叫做主成成分分析（principal components analysis, PAC），可以使用基本的线性代数来推导。

假设现在有$m$个点的集合$\{x^{(1)},...,x^{(m)}\}$，所有点都在空间$R^n$上。我们打算对这些点实施有损压缩操作，有损压缩意味着占用空间会减少，但是会损失精度。我们想尽可能少的损失精度。

一种方法是把这些点编码到更低的维度空间去。可以找到一种编码方法，对于每个点$x^{(i)} \in R^n$，找到一个向量$c^{(i)} \in R^l$，如果$l < n$，那么编码后的数据占用空间会减少。找到编码函数$f(x)=c$，解码函数可以重建$x$，使得$x \approx g(f(x))$

PCA就是要用到的解码函数，为了使解码简单，解码函数就是矩阵的相乘，映射回到$R^n$。$g(c)=Dc$，其中$D \in R^{n \times l}$，它是定义解码的矩阵。

计算最优的解码矩阵是个难题，为了使问题简单，PCA限制$D$的列互相正交。（注意$D$不是正交矩阵，除非$l=n$）。

这时解还不唯一，为了使解唯一，再加上限制：$D$的列有单位范数。

为了把想法转换为可以实现的算法，首先计算怎么为每个点$x$生成最优的$c^*$。一种方法是尽量减小$x$和它重建后点的距离，在主成分析中，使用$L^2$范数：

$$c^* = \arg_c \min ||x-g(c)||_2$$
转换为使用 $L^2$的平方形式，因为它非负，且对于非负参数单调递增
$$c^* = \arg_c \min||x-g(c)||_2^2$$
即最小化
$$(x-g(c))^T(x-g(c))$$
由 $L^2$定义展开
$$x^Tx - x^Tg(c) - g(c)^Tx + g(c)^Tg(c)$$
因为 $x^Tg(c), g(c)^Tx$都是标量
$$x^Tx - 2x^Tg(c) + g(c)^T g(c)$$
因为只依赖变量 $c$，可以忽略第一项
$$c^*=\arg_c \min -2x^T g(c) + g(c)^T g(c)$$
把g(c)的定义代入上式
$$c^*=\arg_c \min -2x^TDc + c^T D^T D c$$
即
$$=\arg_c \min -2x^TDc + c^T I_l c$$
因为 $D$的列正交且有单位范数
$$=\arg_c \min-2x^T Dc + c^Tc$$

可以通过矢量微积分来求得上式的解：

$$\Delta_c(-2x^TDc + c^Tc)=0$$
即
$$-2D^Tx+2c=0$$
得到：
$$c=D^Tx$$

这样算法非常高效，对$x$编码，只需要矩阵乘法

$$f(x)=D^T x$$
再前面加上矩阵乘法，可以定义PCA重建矩阵操作

$$\gamma (x) = g(f(x))=DD^Tx$$

下一步要选择编码矩阵$D$。编码矩阵$D$是的输入矩阵和重建后的矩阵之间的$L^2$最小。编解码使用同一个矩阵，使得计算所有维度的误差矩阵的Frobenius范数最小：

$$D^*=\arg_D \min \sqrt{\sum_{i,j}(x_j^{(i)} - r(x^{(i)})_j)^2} \qquad subject \quad to \quad D^TD=I_l$$

先假设$l=1$，因为$\gamma (x)=D^TDx$，上式变为：

$$d^*=\arg_d \min_d \sum_i||x^{(i)} - dd^Tx^{(i)}||_2^2 \qquad subject \quad to \quad ||d||_2=1$$

上式是最直接的写法，但是在文体上更习惯把四叔放到左边，可以这样写

$$d^*=\arg_d \min_d \sum_i||x^{(i)} - d^Tx^{(i)}d||_2^2 \qquad subject \quad to \quad ||d||_2=1$$

或者把矩阵转置写到一起

$$d^*=\arg_d \min_d \sum_i||x^{(i)} - x^{(i)}dd^T||_2^2 \qquad subject \quad to \quad ||d||_2=1$$

把上面的向量写出矩阵形式，$X \in R^{m,n}$

$$d^* = \arg_d \min |X-Xdd^T||_F^2 \quad subject \quad to \quad d^Td=1$$

忽略掉上面的约束项，简化Forbenius范式

$$\arg_d \min Tr( (X- Xdd^t)^T (X- Xdd^T) )$$

展开后为

$$\arg_d \min -Tr(X^TXdd^T) - Tr(dd^TX^TX) + Tr(dd^TX^TXdd^T)$$

和$d$无关的项不影响上面公式的结果

$$\arg_d \min -2Tr(X^TXdd^T) + Tr(dd^TX^TXdd^T)$$

对迹算子内擦矩阵进行循环移位

$$\arg_d \min - 2Tr(X^TXdd^T) + Tr(X^TXdd^Tdd^T)$$

有约束项$d^Td=1$得到

$$\arg_d \min -2Tr(X^TXdd^T) + Tr(X^TXdd^T) \quad subject \quad to \quad d^Td=1$$

$$\arg_d \min -Tr(X^TXdd^T) \quad subject \quad to \quad d^Td=1$$

$$\arg_d \max Tr(X^TXdd^T) \quad subject \quad to \quad d^Td=1$$

$$\arg_d \max Tr(d^TX^TXd) \quad subject \quad to \quad d^Td=1$$

可以由特征值分解解决上面的最优化问题，即$d$是矩阵$X^TX$对应的最大的特征值。

在一般情况下，即$l > 1$，矩阵$D$是$l$个最大特征值对应的特征向量。