李宏毅线性代数笔记6：矩阵的计算

已于 2023-07-09 19:20:23 修改
阅读量5.6k 收藏 20
点赞数 6
分类专栏： 线性代数 文章标签： 线性代数 笔记 矩阵
于 2021-07-31 11:49:14 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/119272916
版权

1 矩阵的几个概念

1.1 特殊矩阵

1.1.1 数量矩阵

主对角线上元素是同一个数，其余元素全为0的n级矩阵

1.1.2 对角矩阵（diagonal matrix）

主对角线元素之外全为0的方阵

记作diag{d1,d2,……dn}

1.1.3 基本矩阵

只有一个元素是1，其余元素全为0的矩阵

(i,j)元为1的基本矩阵:Eij

用Eij左乘（右乘）一个矩阵A，就相当于把A的第j行搬到第i行（第i列搬到第j列），而其余元素变为0 【左行右列】

1.1.4 初等矩阵

由单位矩阵经过一次初等行/列变换得到的矩阵

用初等矩阵左乘（右乘）一个矩阵，相当于对这个矩阵做相应的初等行（列）变换【左行右列】

1.1.5 单位矩阵

1.2 可交换

如果AB=BA，那么A，B可交换

一般来说,(AB)^k≠A^kB^k，但是如果A，B可交换，那么(AB)^k=A^kB^k

(AB)^T=B^TA^T

 1.3 矩阵集合

2 初等行变化与矩阵相乘

 3 阶梯矩阵REF和简化阶梯矩阵RREF

3.1 REF 

Row Echelon Form 行阶梯矩阵

 3.2 RREF

Reduced Row Echelon Form 简化行阶梯矩阵

 

 3.3 RREF 和原始矩阵之间的关系

 

 初等行变换不改变列之间的线性关系

span——向量张成的空间

因为初等行变换之后，行相当于是等价的，原来能线性表出哪些向量，现在还能；而列就不一样了。

 4 矩阵向量乘法

矩阵相当于一个线性系统

对于一个多元线性方程组如下图，输入为x=[x1​ x2​ x3​...xn​]，经过一个线性变换后，输出为b=[b1​ b2​ x3​...bm​]，这个线性系统便是对x做了一个线性的处理，其处理的方法为矩阵A

‘对一个系数矩阵Am×n​和一个代表参数的向量xn​相乘，拿下图举例，有两种理解方式：

 

  1. 从行层面上理解：
    将    A的两行表示在坐标系中如下图右侧所示；对照方程组，将向量中的x1​ x2​与矩阵行中的元素对应相乘后组成向量：首先是A1,:与x相乘，发现结果为0，证明二者垂直，而后是A2,:​与x相乘，得出结果。（每一个维度是A的一行与x的内积） ——>结果的每一个维度都是A对应的行和x的内积结果
  2. 从列层面上理解：
    数据域的    x1​与A:,1​相乘，相当于逆向延长两倍[1 −3] 这个向量，同理，x2​与A:,2​相乘，相当于正向缩小为原来长度的一半，二者形成的列向量叠加后与1有相同的结果。——>结果是以x为系数，A每一列为向量的矢量和

 5 矩阵乘法

 矩阵的乘法相当于两个线性函数的组合

5.1 矩阵相乘的先后顺序对于运算速度的影响

虽然使用交换律对矩阵相乘的结果没有什么影响，但是对于运算的次数，先进行分析，再视情况适当交换运算顺序会带来很大的效益

（三个矩阵相乘的规则是按顺序两两相乘，因此运算次数是加的关系，不同结合情况对运算次数显然有不同影响）。

矩阵 A（M*N) 和矩阵B（N*P）相乘，A的每一行要和B的每一列进行内积（也就是进行N次乘法+N次求和），

—>然后A和B分别由M行和P列，相当于一共M*P对行列对

—>所以这两个矩阵相乘，相当于M*N*P次操作

回到这个问题，如果是先CP，再A和乘积相乘，那么CP需要M*N*P次操作，10^6数量级；然后A在和结果相乘K*M*P，又是10^6数量级

如果是先AC，那么是K*M*N，1000的数量级；然后结果再和P相乘K*N*P ，1000的数量级

5.2 GPU的加速效果

 6 可逆矩阵

6.1 互为可逆矩阵  

 6.2 可逆矩阵唯一

如果AB=I，AC=I，那么B=C

证明：B=B(AC)=(BA)C=C

 6.3 矩阵乘积的逆

6.4 矩阵转置的逆

 6.5 矩阵可逆的条件

说白了就是方阵满秩

换言之，如果一个矩阵A是可逆的，当且仅当A的简化阶梯矩阵是单位矩阵

6.6 为何可逆矩阵需要满秩方阵？

6.6.1 单射（one to one）

单射：每个v射向不同的f(v)，但不一定每个f(v)都会被射到

 如果是矮胖型的矩阵，那么列之间肯定线性相关，那么对于某一个特定的 f(v) ,会存在两个不同的v1和v2，使得f(v1)=f(v),f(v2)=f(v),不满足单射（每个v射向不同的f(v)的条件

而单射的逆呢？因为不一定每个f都被映射到，所以单射的逆不能保证也是单射（可能会由在域空间上的值不在定义域空间内）

为了保证one to one ，也就是每个v，f(v)的值不同，我们需要矩阵A各个列线性无关

6.6.2 满射（onto）

满射是值每个值域空间的点都会被映射到（虽然可能多个v射到一个值域上去）

也就是说，对于任意一个b，Av=b都有解，

按照前面的说法（“线性方程有解的充要条件”），矩阵A的简化阶梯矩阵不能有0行（也就是说，它不能是高瘦型矩阵）；同时它的秩等于它的行数

满射的逆甚至可能不是映射（一个值域上的值可能对应了几个定义域上的值）

6.6.3 矩阵可逆的条件

所以如果一个矩阵可逆，那么它必须同时是单射和满射

'

 6.7 矩阵逆的求法

 6.8 用伴随矩阵求矩阵的逆

 伴随矩阵C的每个元素是A对应的代数余子式

证明

 矩阵的行列式=某一行元素*其代数余子式的和

Σ第i行元素*第j行元素的代数余子式=0

UQI-LIUWJ
关注
  • 6
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
矩阵计算器
05-07
矩阵计算器 方便计算 伴随矩阵 逆矩阵 转置矩阵
矩阵运算之化简.zip
06-11
可以将矩阵转化成最简阶梯型矩阵（简单测试版）。
C++实现线性代数矩阵行简化
01-20
本文实例为大家分享了C++实现线性代数矩阵行简化的具体代码，供大家参考，具体内容如下 输入一个矩阵，可分别输出该矩阵的阶梯型和最简型。 输入仅支持整数，支持分数形式输出。 妈妈再也不用担心俺的线性代数作业～ 使用实例： (实现格式化输出部分写的极为丑陋……) #include<iostream> #include<cmath> #include<algorithm> #include<iomanip> #include<cstdio> #include<string> #define f(i,l,r) for(i=(l);i<=(r);i++) #define ff(i,r,l) for(
矩阵对角化
weixin_37410657的博客
05-15 1919
矩阵对角化是指将一个方阵通过相似变换化为对角矩阵的过程。设AAA是一个n×nn \times nn×n的方阵，如果存在一个可逆矩阵PPP和一个对角矩阵DDDP−1APDP−1APD那么，我们说矩阵AAA可以对角化。对角矩阵DDD的对角线元素即为矩阵AAA的特征值，而矩阵PPP的列向量是对应于特征值的特征向量。本文详细介绍了矩阵对角化的定义、条件和步骤，以及矩阵对角化在计算矩阵幂、指数、多项式等方面的应用。
矩阵计算
LG.田猿的博客
02-01 3875
【问题描述】 矩阵是线性代数中的重要概念，应用领域非常广泛，在C/C++中，通常将矩阵定义为一个二维数组。 本问题中，将输入两个矩阵 A 和 B，实现对矩阵的数乘、矩阵加法、矩阵乘法以及行列式的计算。 如果对矩阵的算法不了解，请查阅相关资料。 【输入形式】 输入的第一行为两个正整数 M 和 N，分别表示矩阵 A 的行数和列数； 接下来的 M 行，每行 N 个用空格分隔的整数，表示矩阵 A 的元素值...
矩阵的基本运算
热门推荐
影子
04-28 17万+
矩阵的运算举例一、矩阵加法二、矩阵减法三、矩阵乘法四、矩阵转置五、逆矩阵六、对称矩阵七、矩阵性质总结 举例 a=[abcd](1) a= \left[ \begin{matrix} a & b \\ c & d \\ \end{matrix} \right] \tag{1} a=[ac​bd​](1) b=[a1a2b1b2](2) b= \lef
矩阵如何运算？——线性代数
志存高远，亦须循序渐进
06-05 9312
矩阵
矩阵的计算
LeoChaw
03-18 5万+
矩阵运算规则: 矩阵与常量运算 矩阵与向量运算 矩阵与矩阵运算 矩阵之间相乘，必须满足 B 矩阵列数等于 A 矩阵行数才能运算，矩阵与矩阵之间的计算可以拆分为矩阵与多个向量的计算再将结果组合，返回的结果为一个列数等于 B 矩阵、行数等于 A 矩阵的矩阵。 矩阵加减 矩阵加减必须满足矩阵之间纬度相同，返回的结果也会是一个相同纬度的矩阵。 矩阵的乘法规律: 不满足交换律，A×B ≠ B×A 满足结合律，A×(B×C) = (A×B)×C 满足分配率，A×(B+C) =A×B.
对角矩阵（diagonal matrix）
weixin_46713695的博客
07-28 9499
对角矩阵（diagonal matrix）
二、线性代数
kking_edc的博客
11-04 1913
6 特殊类型的矩阵和向量 对角矩阵 对角矩阵（diagonal matrix）只在主对角线上含有非零元素，其他位置都是零。形式上，矩阵 DDD 是对角矩阵，当且仅当对于所有的 i≠j, Di,j=0i\ne j, \ D_{i,j}=0i​=j, Di,j​=0。单位矩阵就是最常见的一种对角矩阵，对角元素全部是 1。我们用 diag(v)diag(v)diag(v) 表示一个对角元素由向量 vvv 中元素给定的对角方阵。对角矩阵受到关注的部分原因是对角矩阵的乘法计算很高效。计算乘法 d
李宏毅机器学习笔记
01-18
李宏毅机器学习笔记，文档文件，笔记全面，总结充分，仅供学习
李宏毅学习笔记的PDF版
04-22
李宏毅老师的机器学习视频是机器学习领域经典的中文视频之一，也被称为中文世界中最好的机器学习视频。李老师以幽默风趣的上课风格让很多晦涩难懂的机器学习理论变得轻松易懂，并且老师会通过很多有趣的例子结合机器...
李宏毅 2020 ML Homework 1: Linear Regression-数据集
03-25
回归-PM2.5预测（李宏毅）
【李宏毅机器学习笔记】7、反向传播（Backpropagation）
01-06
【李宏毅机器学习笔记】6、简短介绍Deep Learning 【李宏毅机器学习笔记】7、反向传播（Backpropagation） 【李宏毅机器学习笔记】8、Tips for Training DNN 【李宏毅机器学习笔记】9、Convolutional Neural Network...
李宏毅老师2021深度学习课程笔记.pdf
10-08
2021春季李宏毅老师深度学习课程笔记（神经网络训练不起来处理方法+分类的数学原理）
李宏毅线性代数笔记3：行列式det
qq_40206371的博客
07-27 8794
1 N元排列 1.1 顺序和逆序 一个排列中：小的在前，大的在后——这一对数组成一个顺序; 反之则为逆序 1.2 逆序数 一个排列中逆序的个数，称之为数 1.3 奇排列与偶排列 逆序数为奇数的排列——奇排列 逆序数为奇数的排列——偶排列 1.4 对换和对换的性质 对换：将排列中的两个数对换位置 性质1：对换改变排列的奇偶性 性质2：任意n元排列和排列12345…n可以经过一系列对换互相转化，而且所作对换的次数和这个n元排列有着相同的奇偶性 2 N阶行列式 2.1 N阶行列式...
线性代数笔记：汉克尔矩阵（Hankel matrix）
qq_40206371的博客
02-28 5264
汉克尔矩阵 (Hankel Matrix) 是指每一条副对角线上的元素都相等的矩阵
线性代数笔记：Kronecker积
qq_40206371的博客
10-19 5135
1 介绍 Kronecker积也称为克罗内克积，是任意大小矩阵的运算，使用符号其表示为 若A为大小m*n的矩阵，B为大小p*q的矩阵，则A与B的克罗内克积是一个大小为mp*nq的矩阵，其表述为： 具体形式为： 2 性质 2.1 左右分配律 2.2 结合律 2.3 不满足交换律 ...
java实现串行、并行、并发求大数量矩阵乘积，并把每一步的矩阵乘积输出来
最新发布
06-09
以下是Java实现串行、并行、并发求大数量矩阵乘积，并把每一步的矩阵乘积输出的示例： 1. 串行求矩阵乘积并输出每一步结果 ```java public class SerialMatrixMultiplication { public static void main(String[] args) { int[][] A = generateMatrix(100, 100); int[][] B = generateMatrix(100, 100); int[][] C = new int[A.length][B[0].length]; for (int i = 0; i < A.length; i++) { for (int j = 0; j < B[0].length; j++) { for (int k = 0; k < B.length; k++) { C[i][j] += A[i][k] * B[k][j]; } System.out.print(C[i][j] + " "); } System.out.println(); } } private static int[][] generateMatrix(int rows, int cols) { int[][] matrix = new int[rows][cols]; Random random = new Random(); for (int i = 0; i < rows; i++) { for (int j = 0; j < cols; j++) { matrix[i][j] = random.nextInt(10); } } return matrix; } } ``` 2. 并行求矩阵乘积并输出每一步结果 ```java import java.util.concurrent.ExecutorService; import java.util.concurrent.Executors; import java.util.concurrent.TimeUnit; public class ParallelMatrixMultiplication { private static int[][] A, B, C; public static void main(String[] args) throws InterruptedException { A = generateMatrix(100, 100); B = generateMatrix(100, 100); C = new int[A.length][B[0].length]; int processors = Runtime.getRuntime().availableProcessors(); ExecutorService executor = Executors.newFixedThreadPool(processors); for (int i = 0; i < A.length; i++) { for (int j = 0; j < B[0].length; j++) { executor.submit(new Task(i, j)); } } executor.shutdown(); executor.awaitTermination(1, TimeUnit.HOURS); } private static class Task implements Runnable { int i, j; public Task(int i, int j) { this.i = i; this.j = j; } @Override public void run() { for (int k = 0; k < B.length; k++) { C[i][j] += A[i][k] * B[k][j]; } System.out.println("C[" + i + "][" + j + "] = " + C[i][j]); } } private static int[][] generateMatrix(int rows, int cols) { int[][] matrix = new int[rows][cols]; Random random = new Random(); for (int i = 0; i < rows; i++) { for (int j = 0; j < cols; j++) { matrix[i][j] = random.nextInt(10); } } return matrix; } } ``` 3. 并发求矩阵乘积并输出每一步结果 ```java import java.util.Random; import java.util.concurrent.ExecutorService; import java.util.concurrent.Executors; import java.util.concurrent.TimeUnit; public class ConcurrentMatrixMultiplication { private static final int THREAD_COUNT = 4; private static int[][] A, B, C; public static void main(String[] args) throws InterruptedException { A = generateMatrix(100, 100); B = generateMatrix(100, 100); C = new int[A.length][B[0].length]; ExecutorService executor = Executors.newFixedThreadPool(THREAD_COUNT); for (int t = 0; t < THREAD_COUNT; t++) { executor.submit(new Task(t)); } executor.shutdown(); executor.awaitTermination(1, TimeUnit.HOURS); } private static class Task implements Runnable { private int id; public Task(int id) { this.id = id; } @Override public void run() { int start = id * A.length / THREAD_COUNT; int end = (id + 1) * A.length / THREAD_COUNT; for (int i = start; i < end; i++) { for (int j = 0; j < B[0].length; j++) { for (int k = 0; k < B.length; k++) { C[i][j] += A[i][k] * B[k][j]; } System.out.println("C[" + i + "][" + j + "] = " + C[i][j]); } } } } private static int[][] generateMatrix(int rows, int cols) { int[][] matrix = new int[rows][cols]; Random random = new Random(); for (int i = 0; i < rows; i++) { for (int j = 0; j < cols; j++) { matrix[i][j] = random.nextInt(10); } } return matrix; } } ``` 上述三个示例分别实现了串行、并行和并发求大数量矩阵乘积，并输出了每一步的结果。其中，串行和并行示例使用了线程池和多线程技术，而并发示例使用了Java并发编程中的Executor框架。在实际应用中，可以根据具体情况选择使用不同的实现方式，以获得最优的计算效率。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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