线性代数是深度学习的数学基础,学习深度学习之前必须掌握线性代数的相关知识。线性代数的内容是抽象的,本文旨在用直观易懂的语言解释线性代数中的相关概念。同时,学习不仅是记忆,而且需要思考。我在写作时会适时插入一些思考导向的内容,帮助大家更深的掌握概念。
如果需要深入学习线性代数,这里推荐:
- 线性代数机器应用(David C. Lay, 2007)
- The Matrix Cookbook(Petersen, 2012)
Chapter 2 线性代数基础
1 张量
张量(tensor)是神经网络运算图中传递的基本运算单位。张量中的元素分布在若干维度的空间中,常见张量类型为:
- 0D(维)张量:标量。一个标量就是一个单独的数。常用斜体小写字母表示,如 b b b。
- 1D张量:向量。一个向量是一组有序的数,其中的每个元素通过一个索引(代表在向量中的次序)确定。通常用斜体加粗的小写字母表示,如:
x = [ x 1 x 2 x 3 x 4 ] \boldsymbol{x}= \begin{bmatrix} x_1 \\ x_2 \\ x_3 \\ x_4 \end{bmatrix} x=⎣⎢⎢⎡x1x2x3x4⎦⎥⎥⎤ - 2D张量:矩阵。矩阵是一个二维数组,其中的每个元素通过两个索引(行,列)确定。一般用粗体大写字母表示,表示,如:
A = [ x 1 , 1 x 1 , 2