数学知识
文章平均质量分 85
zhulf0804
点云,深度学习
展开
-
SVD分解理论
矩阵SVD分解的理论基础首先,我们先说明什么是矩阵的奇异值分解(single value decomposition),简称SVD。给定一个矩阵A∈Rm×nA \in R^{m \times n}, 设它的秩为r,则它具有以下的分解形式 Am×n=Um×mΣm×nVTn×nA_{m \times n} = U_{m \times m} \Sigma_{m \times n} V_{n \times原创 2020-01-05 12:21:22 · 1174 阅读 · 0 评论 -
方向导数与梯度
方向导数与梯度在许多问题中,不仅要知道函数在坐标轴方向上的变化率(即偏导数),而且还要设法求得函数在其他特定方向上的变化率。这就是接下来要谈论的方向导数。定义 1 设三元函数在点的某邻域内有定义,为从点出发的射线,为上且含于内的任一点,以表示与两点间与的距离,若极限存在,则称此极限为函数在点沿方向的方向导数,记作沿任一方向的方向导数与偏导数的关系由原创 2016-08-18 10:30:02 · 8830 阅读 · 3 评论 -
随机变量的数字特征(概率论常用知识)
随机变量的数字特征第一部分 数学期望一、随机变量的数学期望定义 1 设离散型随机变量的分布律为若,则称为随机变量的数学期望或均值。 定义 2 设连续型随机变量的概率密度为,若,则称为随机变量的数学期望或均值。 二、随机变量的函数的数学期望定理 1 设是随机变量的函数(是连续函数)。(1)若是离散型随机变量,其分布律为如果绝对收原创 2016-09-05 20:46:06 · 26048 阅读 · 0 评论 -
浅谈对梯度下降法的理解
浅谈梯度下降法 如果读者对方向导数和梯度的定义不太了解,请先阅读上篇文章《方向导数与梯度》。 前些时间接触了机器学习,发现梯度下降法是机器学习里比较基础又比较重要的一个求最小值的算法。梯度下降算法过程如下:1)随机初始值;2)迭代,直至收敛。表示在处的负梯度方向,表示学习率。 在这里,简单谈一下自己对梯度下降法的理解。首先,要明确梯度是一个向量,是一个n元函原创 2016-08-19 14:04:11 · 20994 阅读 · 15 评论