机器学习线性代数：矩阵基础

以下内容来自慕课网bobo老师的视频，线性代数还是那些东西，但是读书时学线代的时候，从没有思考为什么要那么写，bobo的视频里举了一些例子，可以帮组自己更深的理解线代，这里做下记录（不完整，只是帮助自己复习用）。
矩阵是向量的集合，在线性代数中，矩阵代表一组变换或空间。

矩阵是系统的描述

下面是矩阵的一些基本性质：

显而易见，比较简单，但作为矩阵的基石，还是列一下。

矩阵和向量的乘法也比较简单，线性代数里都有提到，但是下面这种思想，觉得蛮重要的，深度学习中的全连接网络，每一层其实就是一个矩阵，使用这个矩阵对向量进行了某种变换，生成了一个新的向量。由此，矩阵可以理解为 向量的函数！

根据矩阵和向量的乘法可以定义矩阵的乘法。

矩阵乘法的一些性质

基本上，除了 交换律，数值运算的性质，矩阵都有，需要注意的就是，矩阵的幂必须是方阵 。

矩阵的应用 —— 图形学

y轴平移的距离和x轴坐标成比例。

这里介绍的几种变换无法解决平移的问题，如果要解决平移的问题，需要引入 仿射变换。

单位矩阵和矩阵的逆

在这里插入图片描述

自定义矩阵类和numpy中矩阵的使用

其中向量使用的是之前博客所用的向量类。

from .Vector import Vector

class Matrix:
    def __init__(self,list2d):
        self._values = [row[:] for row in list2d]

    @classmethod
    def zero(cls,row,col):
        return cls([[0]*col for _ in range(row)])

    def size(self):
        row_num,col_num = self.shape()
        return row_num * col_num

    def shape(self):
        return len(self._values),len(self._values[0])

    def row_num(self):
        return len(self._values)

    def col_num(self):
        return len(self._values[0])

    def row_vector(self,index):
        return Vector(self._values[index])

    def col_vector(self,index):
        return Vector([row[index] for row in self._values])

    def dot(self,other):
        if isinstance(other,Vector):
            assert self.col_num() == len(other),'矩阵的列数和向量的长度必须相等'
            return Vector([self.row_vector(i).dot(other) for i in range(self.row_num())])

        if isinstance(other,Matrix):
            assert self.col_num() == other.row_num(), '前一个矩阵的列数必须等于后一个矩阵的行数'
            return Matrix([[self.row_vector(i).dot(other.col_vector(j)) for j in range(other.col_num())] for i in range(self.row_num())])

    def T(self):
        return Matrix([[e for e in self.col_vector(i)] for i in range(self.col_num())])

    def __add__(self, other):
        assert self.shape() == other.shape(),'相加矩阵形状必须相同'

        # 列表表达式，每次生成一个数组
        return Matrix([[a+b for a,b in zip(self.row_vector(i), other.row_vector(i))] for i in range(self.row_num())])

    def __sub__(self, other):
        assert self.shape() == other.shape(), '相减矩阵形状必须相同'
        return Matrix([[a-b for a,b in zip(self.row_vector(i), other.row_vector(i))] for i in range(self.row_num())])

    def __mul__(self, k):
        return Matrix([[k*e for e in self.row_vector(i)] for i in range(self.row_num())])

    def __truediv__(self, k):
        return self * (1/k)

    def __pos__(self):
        return self

    def __neg__(self):
        return self * -1

    def __getitem__(self, pos):
        row,col = pos
        return Matrix(self._values[row][col])

    def __repr__(self):
        return "Matrix({})".format(self._values)

    __len__ = row_num
    __rmul__ = __mul__
    __str__ = __repr__

numpy中矩阵的使用

 A = np.array([[1,2],[3,4]])
    B = np.array([[2,3],[4,5]])
    print(A)
    print(A.shape)
    print(A.T)
    print(A[1,1])
    print(A[:,0])
    print(A[1,:])
    print(A[1])

    print(A + B)
    print(A - B)
    print(10 * A)
    print(A.dot(B))

    # 下面几种运算，不属于矩阵运算，numpy中叫做广播（不符合数学理论，不建议使用）
    p = np.array([1,1])
    print(A * B)  # 每项相乘
    print(A + p)    # 每一行都加上向量p
    print(A + 1)    # 没个元素+1

看待矩阵的四个重要视角