线性代数
张量
几何代数中定义的张量是基于向量和矩阵的推广,通俗一点理解的话,我们可以将标量视为零阶张量,矢量视为一阶张量,那么矩阵就是二阶张量。张量是有大小和多个方向的量。
如果一个物理量,在物体的某个位置上只是一个单值,那么就是普通的标量,比如密度。如果它在同一个位置、从不同的方向上看,有不同的值,而且这个数恰好可以用矩阵乘观察方向来算出来,就是张量。
范数
有时我们需要衡量一个向量的大小,在机器学习中,我们经常使用被称为范数(norm) 的函数衡量矩阵大小。
L-P范数 如下:
- 当p=1时,为L1范数,公式为:
L1范数有很多的名字,例如我们熟悉的曼哈顿距离、最小绝对误差等。使用L1范数可以度量两个向量间的差异,如绝对误差和。 - 当p=2时,为L2范数。L2范数是我们最常见最常用的范数了,我们用的最多的度量距离欧氏距离就是一种L2范数,它的定义如下:
L2范数通常会被用来做优化目标函数的正则化项,防止模型为了迎合训练集而过于复杂造成过拟合的情况,从而提高模型的泛化能力。
对数的作用
解决下溢出问题:由于太多很小的数相乘造成的问题。
由于不同底的对数的结果是等比关系,所以,有时底数是谁,是无所谓的。
线性代数常识
1 矩阵的逆
矩阵A ∈ Rn×n的逆,写作A−1,是一个矩阵,并且是唯一的。
A − 1 A