李沐动手学深度学习-05线性代数

05-线性代数

这一节课从数学上面讲一下线性代数，包括向量加减乘，模长点乘正交等内容，都学习过所以就不写了。

A.T	# 表示A矩阵的转置

torch.arange(24),reshape(2,3,4)	# 首先是第三维的层数，然后行数，最后是列数

B = A.clone()	# 这种方法是和copy差不多，是完全的复制

A * B	# 并不是矩阵的相乘，而是元素相乘，这点需要注意
2 + A	# 如果是标量和矩阵进行计算，那么就是这个标量和所有的元素进行计算

A_sum0 = a.sum(axis=0)	# 表示同一二维空间的三维度值相加 0是第三维度 1是行的和 2是列的和 和reshape参数位置相对应，这里最好实践一下，更有感触
A_sum_double = a.sum(axis=[0])
# 可以axis给两个维度，就是进行两个维度上的求和

A_sum1 = a.sum(axis=1, keepdims=True)
# 这样可以保证维度求和以后可以保留其原始的维度

如果上面的这个维度减少难以理解，可以看第三个视频讲解，简单说明一下例如三维（a,b,c）如果axis是0就是把a维度变成1，其他不变，如果axis是1就是把b维度变成1，如果没有keepdims参数那这个1就会自动去掉。

矩阵向量的计算。

print(torch.dot(x,y))	# 表示x y的点积 如果其中以是二维矩阵，一个是一维向量，那么结果就会是一维向量， 不管是行向量还是列向量都是一维向量没有区别
print(touch.mm(A,B))	# mm就是正常的矩阵乘法
print(torch.norm(A))	# 会得到一个标量，就是长度
print(torch,abs(a).sum())	# 绝对值后求和，也是一个标量