数学基础
文章平均质量分 68
记录在摄影测量,计算机视觉,机器学习&深度学习 等方面学习过程中所用到的数学基础。
FLOWVERSE
科技、哲学、与心理
展开
-
几何角度理解线性代数(3):点积与叉积
因为,我们可以知道等式右边的行列式就代表着平行六边形的体积,而点积代表着投影长度与向量长度的乘积,那要等式成立,要找的对偶向量就应该是长度为平行四边形的面积,且方向垂直于平行四边形。但显然,这是不对的,因为这并不是三维的叉积,三维的叉积只会输入两个向量,而输出一个向量。从多维空间变换到一维空间的过程中,可以找到一个向量使得整个变换可以看作与这个特定向量的点积。我们知道,这个函数是线性的,也就是说,我们可以找到一个向量。在几何角度上,我们可以认为这个对偶向量,一定与。来定义,此时,我们可以找到一个。...原创 2022-08-28 17:07:14 · 539 阅读 · 0 评论 -
几何角度理解线性代数(2): 逆矩阵、列空间与零空间
首先看线性方程组的表示:对于线性方程组的几何直觉,我们可以将其视作对x⃗\vec{x}x寻找一种变换方式,使得其在变换之后变成v⃗\vec{v}v,示意图如下:那么如何来找到这种变化,我们通过判断行列式是是否为0,这两种情况分别进行讨论。......原创 2022-08-28 00:30:41 · 289 阅读 · 0 评论 -
几何角度理解线性代数(1):向量、线性组合、矩阵乘法、行列式
本笔记主要基于三蓝一棕的视频进行记录。原创 2022-08-27 23:42:33 · 810 阅读 · 0 评论 -
Eigen笔记
文章目录1. elemen-wise 操作:2. L2范数计算1. elemen-wise 操作:https://eigen.tuxfamily.org/dox/group__TutorialArrayClass.html2. L2范数计算VectorXf v(2); v << -1, 2;cout << "v.squaredNorm() = " << v.squaredNorm() << endl;cout <<原创 2021-03-25 20:23:39 · 117 阅读 · 0 评论 -
图像的SVD分解
图中的内容大概包括:1.假设A为一个mn的矩阵,证明ATAA^TAATA的对称性和正定性,进而证明ATAA^TAATA为对称正定矩阵,才可保证对角阵D的λi\lambda_iλi均为正数,才可以开根号。2. SVD分解在神经网络中的应用,由200100次变为(10100 + 10200)次,在实际工作中,性能影响不大(之后可继续finetune),但是参数量大大减少,有助于网络部署。3. 在图像压缩中,最少可以将参数由m*n个减少到(m+n+1)个参数。...原创 2020-05-14 18:58:32 · 416 阅读 · 0 评论