线性代数(向量空间)
向量空间: 向量空间,又称线性空间,是线性代数的中心内容和基本概念之一。
向量空间定义为带有加法和标量乘法的集合V。具体来说,向量空间中的元素称为向量,这些向量之间定义了加法和标量乘法两种运算,并满足一系列公理。
线性代数(向量空间)
向量空间的公理详细列出如下:
- 加法封闭性:向量空间中的任意两个向量相加的结果仍然属于该向量空间。
符号表示:对于任意u, v ∈ V,u + v ∈ V。
- 加法结合律:向量空间中的任意三个向量u、v和w的和满足结合律。
数学表达式:(u + v) + w = u + (v + w)。
- 加法交换律:向量空间中的任意两个向量u和v相加的结果与v和u相加的结果相等。
数学表达式:u + v = v + u。
- 存在零向量:向量空间中存在一个特殊的向量0,它与任意向量u相加的结果等于u本身。
数学表达式:对于任意向量u,u + 0 = u。
- 存在逆元(负向量):向量空间中的任意向量u都存在一个对应的逆元-u(负向量),使得u与-u相加的结果为零向量。
数学表达式:对于任意向量u,存在-u,使得u + (-u) = 0。
- 标量乘法的结合性:在向量空间中,任意标量k和l与向量u的乘积满足结合律。
数学表达式:(kl)u = k(lu)。
- 向量与标量的乘法分配律:在向量空间中,任意标量k与向量u、v的乘积再进行加法运算,等于先对向量进行加法运算再进行标量乘法运算的结果。
数学表达式:k(u + v) = ku + kv。
- 标量与向量的乘法分配律:在向量空间中,任意两个标量k和l与向量u的乘积再进行加法运算,等于先对标量进行加法运算再进行向量乘法运算的结果。
数学表达式:(k + l)u = ku + lu。
线性代数(向量空间)
基向量和标量: 基向量是构成向量空间的一组线性无关的向量,而标量是单一数值,用于表示大小、长度、角度等度量,不与方向关联。
基向量和标量
-
基向量: 在向量空间中,基(basis)是一组线性无关的向量,它们可以生成(或称为“张成”)整个向量空间。这些构成基的向量就被称为基向量(basis vectors)。例如,一个人的年龄、身高或体重,有三个特征维度,可以将每个特征维度视为一个“基向量”。
-
标量: 标量(scalar)是只有大小、没有方向的量。例如,一个人的年龄、身高或体重,都是可以用一个具体的数值来表示的,即标量。
-
线性组合: 线性组合是线性代数中的一个基本概念,它指的是将一组向量分别乘以相应的标量系数,并将结果相加 (即缩放向量并相加),从而得到一个新的向量。
线性组合
线性独立和线性相关: 线性独立和线性相关是线性代数中的两个核心概念,它们描述了向量之间的特定关系。
线性独立
-
线性独立: 如果一组向量中的任何一个向量都不能表示为其他向量的线性组合,则这组向量被称为线性独立的。基向量都是线性独立,N个基向量张成N维向量空间。
-
线性相关: 在线性代数中,如果一组向量中的任何一个向量都可以表示为其他向量的线性组合(即乘以标量并相加),则这组向量被称为线性相关的。
线性相关
如何系统的去学习大模型LLM ?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业
?”“谁的饭碗又将不保了?
”等问题热议不断。
不如成为「掌握AI工具的技术人
」,毕竟AI时代,谁先尝试,谁就能占得先机!
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高
针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份 LLM大模型资料
分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程
等, 😝有需要的小伙伴,可以 扫描下方二维码领取🆓↓↓↓
👉[CSDN大礼包🎁:全网最全《LLM大模型入门+进阶学习资源包》免费分享(安全链接,放心点击)]()👈