Matrix Computations-4nd Edition---Chapter 1. Matrix Multiplication

最近感到数学太渣，想慢慢地捡起，从矩阵计算开始，买了一本书：Matrix Computations-4th edition, Gene H. Golub, Charles F. Van Loan

，将学习中的体会记录到这里（主要是比较模糊的知识点），目录见下图：

今天学习第1章

Chapter 1. Matrix Multiplication

        这一章的题目虽然是matrix multiplication，但是其中涉及到了加减乘除运算。

1：

   

这里x与y均为n维的列向量(column vector)，a是标量(scalar)，y=ax+y其实就是一般的更新操作，即用ax+y的值来覆盖之前的y，这里的saxpy代表scalar a x plus y，即标量a乘以x再加上y，此称呼来自于LAPACK，是一个线性代数的计算库，有一本专门介绍这个的书：LAPACK Users' Guide。

2：当将saxpy中的标量a换为矩阵时，即y=y+Ax，称为generalized saxpy operation,即gaxpy，标准的计算方法是逐次的更新y:

这里有2种计算方式：（1）

即逐次访问A的每一行的每一列（内循环是列）。

（2）按列

即逐次访问A的每一列的每一行（内循环是行）。

之所以会得出（2），是因为可以将Ax看作A的列的线性组合，即：

3：可以将矩阵分别看作是一系列的行向量的累叠

一个具体的例子是：

，

有了这种记法之后，算法1.1.3就可以更加简洁：

，其实计算的东西一样，只不过是将矩阵A表示为r_i的累叠。

同样的，A也表示为列向量的集合：

这样，算法1.1.4也可以写为：

注意这两种表示方法中的x的先后次序是不同的。

4：A(k,:)与A(:,k)分别表示矩阵A的第k行与第k列，这样一来，算法1.1.3与1.1.4进一步又可以写为：

5：outer product undate:

这里x是m维列向量，y为n维为列向量，则xy^T为m*n的矩阵，比如：

但是，如果是(y^T)*x或者(x^T)*y，则为一个数，(R^(m*n)) * (R^(n*k))==R^(m*k)。

此式的直接计算表达为：

计算复杂度为O(mn)，考虑到内循环的作用是将矩阵的第i行加上y^T的x(i)倍，算法可以简写为：

同样地，可以表示为列的表达式：

6：

转载于:https://www.cnblogs.com/DeepVL/p/4085190.html