这是我参加朝闻道知识分享大赛的第四篇文章,关于深度学习的线性代数。
1. 特征值、特征向量求解
① 下图为对矩阵求特征值、求特征向量的相关操作。
2. 标量运算
3. 向量运算
① 下图中,α是一个标量, �=��是把向量b拉长。
4. 矩阵运算
① 矩阵长度叫范数,下图为矩阵范数满足的公式。
5. 特征向量、特征值
① 红色、绿色向量都被一个矩阵作用后,红色的大小和方向都被改变了,绿色的仅被改变了大小,没有改变方向。绿色向量为矩阵的特征向量。
6. 线性代数
6.1 标量
① 标量由只有一个元素的张量表示。
In [1]:
import torch x = torch.tensor([3.0]) y = torch.tensor([2.0]) print(x + y) print(x * y) print(x / y) print(x ** y) tensor([5.]) tensor([6.]) tensor([1.5000]) tensor([9.])
6.2 向量
6.2.1 创建向量
① 可以将向量视为标量值组成的列表。
In [2]:
import torch x = torch.arange(4) print(x) tensor([0, 1, 2, 3])
6.2.2 访问向量元素
① 通过张量的索引来访问任一元素。
In [3]:
import torch x = torch.arange(4) print(x[3]) # 索引从0开始 tensor(3)
6.2.3 访问向量长度
① 访问张量的长度。
In [4]:
import torch x = torch.arange(4) print(len(x)) 4
6.2.4 访问向量维度
① 只有一个轴的张量,形状只有一个元素。
In [5]:
import torch x = torch.arange(4) print(x.shape) torch.Size([4])
6.3 矩阵
6.3.1 创建矩阵
① 通过指定两个分量m和n来创建一个形状为m×n的矩阵。
In [6]:
import torch A = torch.arange(20).reshape(5,4) print(A) tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19]])
6.3.2 矩阵转置
① 矩阵的转置。
In [7]:
import torch A = torch.arange(20).reshape(5,4) print(A) print(A.T) # 矩阵的转置 tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19]]) tensor([[ 0, 4, 8, 12, 16], [ 1, 5, 9, 13, 17], [ 2, 6, 10, 14, 18], [ 3, 7, 11, 15, 19]])
6.3.3 对称矩阵
① 对称矩阵(symmetric matrix)A 等于其转置:
In [8]:
import torch B = torch.tensor([[1,2,3],[2,0,4],[3,4,5]]) print(B) print(B.T) print(B == B.T) tensor([[1, 2, 3], [2, 0, 4], [3, 4, 5]]) tensor([[1, 2, 3], [2, 0, 4], [3, 4, 5]]) tensor([[True, True, True], [True, True, True], [True, True, True]])
6.3.4 多维矩阵
① 就像向量是标量的推广,矩阵是向量的推广一样,可以构建更多轴的数据结构。
In [9]:
import torch X = torch.arange(24).reshape(2,3,4) print(X) tensor([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])
6.3.5 矩阵克隆
① 给定具有相同形状的任何两个张量,任何按元素二元运算的结果都将是相同形状的张量。
In [10]:
import torch A = torch.arange(20,dtype=torch.float32).reshape(5,4) B = A.clone() # 通过分配新内存,将A的一个副本分配给B print(A) print(A+B) tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [12., 13., 14., 15.], [16., 17., 18., 19.]]) tensor([[ 0., 2., 4., 6.], [ 8., 10., 12., 14.], [16., 18., 20., 22.], [24., 26., 28., 30.], [32., 34., 36., 38.]])
6.3.6 矩阵相乘(对应元素相乘)
① 两个句子的按元素乘法称为哈达玛积(Hadamard product)(数学符号⊙)
In [11]:
import torch A = torch.arange(20,dtype=torch.float32).reshape(5,4) B = A.clone() # 通过分配新内存,将A的一个副本分配给B print(A) print(A*B) tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [12., 13., 14., 15.], [16., 17., 18., 19.]]) tensor([[ 0., 1., 4., 9.], [ 16., 25., 36., 49.], [ 64., 81., 100., 121.], [144., 169., 196., 225.], [256., 289., 324., 361.]])
6.3.7 矩阵加标量
In [12]:
import torch a = 2 X = torch.arange(24).reshape(2,3,4) print(a + X) print((a * X).shape) tensor([[[ 2, 3, 4, 5], [ 6, 7, 8, 9], [10, 11, 12, 13]], [[14, 15, 16, 17], [18, 19, 20, 21], [22, 23, 24, 25]]]) torch.Size([2, 3, 4])
6.3.8 向量求和
① 计算所有元素的和。
In [13]:
import torch X = torch.arange(4,dtype=torch.float32) print(X) print(X.sum()) tensor([0., 1., 2., 3.]) tensor(6.)
6.3.9 矩阵求和
② 表示任意形状张量的元素和。
In [14]:
import torch A = torch.arange(20*2).reshape(2,5,4) print(A.shape) print(A.sum()) torch.Size([2, 5, 4]) tensor(780)
6.3.10 矩阵某轴求和(维度丢失)
① 指定张量沿哪一个轴来通过求和降低维度。
In [15]:
import torch A = torch.arange(20*2).reshape(2,5,4) print(A) A_sum_axis0 = A.sum(axis=0) # (2,5,4) 对第一个维度进行求和,剩下两个维度留下来了 print(A_sum_axis0) print(A_sum_axis0.shape) tensor([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19]], [[20, 21, 22, 23], [24, 25, 26, 27], [28, 29, 30, 31], [32, 33, 34, 35], [36, 37, 38, 39]]]) tensor([[20, 22, 24, 26], [28, 30, 32, 34], [36, 38, 40, 42], [44, 46, 48, 50], [52, 54, 56, 58]]) torch.Size([5, 4])
In [16]:
import torch A = torch.arange(20*2).reshape(2,5,4) print(A) A_sum_axis1 = A.sum(axis=1) # (2,5,4) 对第二个维度进行求和,剩下两个维度留下来了 print(A_sum_axis1) print(A_sum_axis1.shape) tensor([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19]], [[20, 21, 22, 23], [24, 25, 26, 27], [28, 29, 30, 31], [32, 33, 34, 35], [36, 37, 38, 39]]]) tensor([[ 40, 45, 50, 55], [140, 145, 150, 155]]) torch.Size([2, 4])
In [17]:
import torch A = torch.arange(20*2).reshape(2,5,4) print(A) A_sum_axis1 = A.sum([0,1]) # (2,5,4) 对第一、二个维度进行求和,剩下一个维度留下来了 print(A_sum_axis1) print(A_sum_axis1.shape) tensor([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15], [16, 17, 18, 19]], [[20, 21, 22, 23], [24, 25, 26, 27], [28, 29, 30, 31], [32, 33, 34, 35], [36, 37, 38, 39]]]) tensor([180, 190, 200, 210]) torch.Size([4])
6.3.11 矩阵平均值
① 一个与求和相关的量是平均值(mean或average)。
In [18]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) print(A.mean()) print(A.numel()) print(A.sum()/A.numel()) tensor(9.5000) 20 tensor(9.5000)
In [19]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) print(A.mean(axis=0)) print(A.sum(axis=0)) print(A.shape[0]) print(A.sum(axis=0)/A.shape[0]) tensor([ 8., 9., 10., 11.]) tensor([40., 45., 50., 55.]) 5 tensor([ 8., 9., 10., 11.])
6.3.12 矩阵某轴求和(维度不丢失)
① 计算总和或均值时保持轴数不变。
In [20]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) sum_A = A.sum(axis=1,keepdims=True) # keepdims=True不丢掉维度,否则三维矩阵按一个维度求和就会变为二维矩阵,二维矩阵若按一个维度求和就会变为一维向量 print(sum_A) print(sum_A.shape) # 维度没有丢失,方便使用广播 tensor([[ 6.], [22.], [38.], [54.], [70.]]) torch.Size([5, 1])
6.3.13 矩阵广播
① 通过广播将 A 除以 sum_A。
In [21]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) sum_A = A.sum(axis=1,keepdims=True) # keepdims=True不丢掉维度,否则三维矩阵按一个维度求和就会变为二维矩阵,二维矩阵若按一个维度求和就会变为一维向量 print(A/sum_A) tensor([[0.0000, 0.1667, 0.3333, 0.5000], [0.1818, 0.2273, 0.2727, 0.3182], [0.2105, 0.2368, 0.2632, 0.2895], [0.2222, 0.2407, 0.2593, 0.2778], [0.2286, 0.2429, 0.2571, 0.2714]])
6.3.14 矩阵某轴累加
① 某个轴计算A元素的累加总和。
In [22]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) print(A.cumsum(axis=0)) tensor([[ 0., 1., 2., 3.], [ 4., 6., 8., 10.], [12., 15., 18., 21.], [24., 28., 32., 36.], [40., 45., 50., 55.]])
6.3.15 向量点积
① 点积是相同位置的按元素成绩的和。
In [23]:
import torch x = torch.arange(4,dtype=torch.float32) y = torch.ones(4, dtype=torch.float32) print(x) print(y) print(torch.dot(x,y)) tensor([0., 1., 2., 3.]) tensor([1., 1., 1., 1.]) tensor(6.)
② 可以通过执行按元素乘法,然后进行求和来表示两个向量的点积。
In [24]:
import torch x = torch.arange(4,dtype=torch.float32) y = torch.ones(4, dtype=torch.float32) print(torch.sum(x*y)) tensor(6.)
6.3.16 矩阵向量积
① A是一个m×n的矩阵,x是一个n×1的矩阵,矩阵向量积是一个长度为m的列向量,其第i个元素是点积。
In [25]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) x = torch.arange(4,dtype=torch.float32) print(A.shape) print(x.shape) print(torch.mv(A,x)) torch.Size([5, 4]) torch.Size([4]) tensor([ 14., 38., 62., 86., 110.])
6.3.17 矩阵相乘(线性代数相乘)
① 可以将矩阵-矩阵乘法AB看作是简单地执行m次矩阵-向量积,并将结果拼接在一起,形成一个n×m矩阵。
In [26]:
import torch A = torch.arange(20, dtype=torch.float32).reshape(5, 4) B = torch.ones(4,3) print(A) print(B) print(torch.mm(A,B)) tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [12., 13., 14., 15.], [16., 17., 18., 19.]]) tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]) tensor([[ 6., 6., 6.], [22., 22., 22.], [38., 38., 38.], [54., 54., 54.], [70., 70., 70.]])
6.3.18 矩阵L2范数
① L2 范数是向量元素平方和的平方根:
In [27]:
import torch u = torch.tensor([3.0,-4.0]) print(torch.norm(u)) tensor(5.)
6.3.19 矩阵L1范数
① 1范数,它表示为向量元素的绝对值之和:
In [28]:
import torch u = torch.tensor([3.0,-4.0]) print(torch.abs(u).sum()) tensor(7.)
6.3.20 矩阵F范数
① 矩阵的弗罗贝尼乌斯范数(Frobenius norm)是矩阵元素的平方和的平方根:
In [29]:
import torch print(torch.norm(torch.ones((4,9)))) # 把矩阵拉成一个向量,然后再求和 tensor(6.)