线性代数(一)

1.标量:标量由只有⼀个元素的张量表⽰。

x = np.array(3.0)
y = np.array(2.0)
x + y, x * y, x / y, x ** y
(array(5.), array(6.), array(1.5), array(9.))

2.向量:向量可以被视为标量值组成的列表,列向量是向量的默认⽅向。

x = np.arange(4)
array([0., 1., 2., 3.])

在数学中,向量x可以写为:
在这里插入图片描述
其中x1, . . . , xn是向量的元素。在代码中,我们通过张量的索引来访问任⼀元素。

x[3]
array(3.)

3. 矩阵:矩阵将向量从⼀阶推⼴到⼆阶。

A = np.arange(20).reshape(5, 4)
array([[ 0., 1., 2., 3.],
       [ 4., 5., 6., 7.],
       [ 8., 9., 10., 11.],
       [12., 13., 14., 15.],
       [16., 17., 18., 19.]])

对于任意A ∈ R m×n,A的形状是(m,n)或m × n。
在这里插入图片描述
当我们交换矩阵的⾏和列时,结果称为矩阵的转置(transpose)。
在这里插入图片描述

A.T
array([[ 0., 4., 8., 12., 16.],
       [ 1., 5., 9., 13., 17.],
       [ 2., 6., 10., 14., 18.],
       [ 3., 7., 11., 15., 19.]])

4.张量:有几个中括号就是几维张量。

X = np.arange(24).reshape(2, 3, 4)
array([[[ 0., 1., 2., 3.],
        [ 4., 5., 6., 7.],
        [ 8., 9., 10., 11.]],
      [[12., 13., 14., 15.],
       [16., 17., 18., 19.],
       [20., 21., 22., 23.]]])

5.范数:在线性代数中,向量范数是将向量映射到标量的函数f。

范数的的公式:
在这里插入图片描述
L1范数,它表⽰为向量元素的绝对值之和(此时P等于1):
在这里插入图片描述
L2范数,它表示为向量元素的平⽅和的平⽅根(此时P等于2):
在这里插入图片描述
类似于向量的L2范数,矩阵X ∈ R m×n的Frobenius范数(Frobenius norm)是矩阵元素平⽅和的平⽅根:
在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值