深度学习（一）：数学基础

一、线性代数
1、定义深度学习相关的主要线性代数数学模型包括标量、向量、矩阵和张量。
2、计算方式
加减法比较简单，都是点对点加减，形态不变。
乘法方式不同可能导致形态变化。
如向量可点积（变为一个值），也可以叉积。二维向量叉积等于
矩阵可以点对点乘积，也可以矩阵乘积
3、范数
L0、L1和L2范数各有不同特点和作用

二、微积分
导数、偏导数、梯度（所有偏导数的向量）

三、信息量和信息熵
1、信息量：对于某随机事件X，其发生的概率为P(x)（0到1之间），则该事件X具有的信息量为I(x)=-Log₂P(x)。
可以看出信息量和事件概率成反比。事件概率为1是，信息量为0。事件概率为0.5时，信息量为1。
以2为对数的底，是因为最简单的信息只具有两种可能，因此所有的事件都可以用2进制来表示。1bit就可以表示事件空间=2，而N bit则可以表示的事件空间为2ⁿ。
2、信息熵：信息熵是I(x)在所有事件Xi的信息量与该事件概率乘积的和。
H§=-ΣP(x_i)log₂P(x_i)
3、KL三度（相对熵）、交叉熵