在这篇文章中我们将介绍线性代数中的基本数学对象、算术和运算,并用数学符号和相应的代码实现来表示它们。
线性代数
1.1标量
(标量由只有一个元素的张量表示)。
在下面的代码中,我们实例化两个标量,并执行一些熟悉的算术运算,即加法、乘法、除法和指数。
import torch
x = torch.tensor(3.0)
y = torch.tensor(2.0)
x + y, x * y, x / y, x**y
(tensor(5.), tensor(6.), tensor(1.5000), tensor(9.))
1.2向量
[你可以将向量视为标量值组成的列表]。
我们通过一维张量处理向量。一般来说,张量可以具有任意长度,取决于机器的内存限制。
x = torch.arange(4)
x
tensor([0, 1, 2, 3])
在数学中,向量 x \mathbf{x} x可以写为:
x = [ x 1 x 2 ⋮ x n ] , \mathbf{x} =\begin{bmatrix}x_{1} \\x_{2} \\ \vdots \\x_{n}\end{bmatrix}, x=⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤,
其中 x 1 , … , x n x_1,\ldots,x_n 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]
tensor(3)
1.2.1长度、维度和形状
[访问张量的长度]。
len(x)
4
(只有一个轴的张量,形状只有一个元素。)
x.shape
torch.Size([4])
维度(dimension)这个词在不同上下文时往往会有不同的含义
向量或轴的维度被用来表示向量或轴的长度,即向量或轴的元素数量。
张量的维度用来表示张量具有的轴数。
在这个意义上,张量的某个轴的维数就是这个轴的长度
1.3矩阵
在数学表示法中,我们使用
A
∈
R
m
×
n
\mathbf{A} \in \mathbb{R}^{m \times n}
A∈Rm×n
来表示矩阵
A
\mathbf{A}
A,其由
m
m
m行和
n
n
n列的实值标量组成。
我们可以将任意矩阵
A
∈
R
m
×
n
\mathbf{A} \in \mathbb{R}^{m \times n}
A∈Rm×n视为一个表格,
其中每个元素
a
i
j
a_{ij}
aij属于第
i
i
i行第
j
j
j列:
A = [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a m 1 a m 2 ⋯ a m n ] . \mathbf{A}=\begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \\ \end{bmatrix}. A=⎣⎢⎢⎢⎡a11a21⋮am1a12a22⋮am2⋯⋯⋱⋯a1na2n⋮amn⎦⎥⎥⎥⎤.
对于任意
A
∈
R
m
×
n
\mathbf{A} \in \mathbb{R}^{m \times n}
A∈Rm×n,
A
\mathbf{A}
A的形状是(
m
m
m,
n
n
n)或
m
×
n
m \times n
m×n。
当矩阵具有相同数量的行和列时,其形状将变为正方形;
因此,它被称为方阵(square matrix)。
1.3.1通过指定两个分量 m m m和 n n n来创建一个形状为 m × n m \times n m×n的矩阵
A = torch.arange(20).reshape(5, 4)
A
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
当我们交换矩阵的行和列时,结果称为矩阵的转置(transpose)。
我们用
a
⊤
\mathbf{a}^\top
a⊤来表示矩阵的转置,如果
B
=
A
⊤
\mathbf{B}=\mathbf{A}^\top
B=A⊤,
则对于任意
i
i
i和
j
j
j,都有
b
i
j
=
a
j
i
b_{ij}=a_{ji}
bij=aji。
A ⊤ = [ a 11 a 21 … a m 1 a 12 a 22 … a m 2 ⋮ ⋮ ⋱ ⋮ a 1 n a 2 n … a m n ] . \mathbf{A}^\top = \begin{bmatrix} a_{11} & a_{21} & \dots & a_{m1} \\ a_{12} & a_{22} & \dots & a_{m2} \\ \vdots & \vdots & \ddots & \vdots \\ a_{1n} & a_{2n} & \dots & a_{mn} \end{bmatrix}. A⊤=⎣⎢⎢⎢⎡a11a12⋮a1na21a22⋮a2n……⋱…am1am2⋮amn⎦⎥⎥⎥⎤.
1.3.2 矩阵的转置
A.T
tensor([[ 0, 4, 8, 12, 16],
[ 1, 5, 9, 13, 17],
[ 2, 6, 10, 14, 18],
[ 3, 7, 11, 15, 19]])
作为方阵的一种特殊类型,[对称矩阵(symmetric matrix)
A
\mathbf{A}
A等于其转置:
A
=
A
⊤
\mathbf{A} = \mathbf{A}^\top
A=A⊤]。
这里我们定义一个对称矩阵
B
\mathbf{B}
B:
B = torch.tensor([[1, 2, 3], [2, 0, 4], [3, 4, 5]])
B
tensor([[1, 2, 3],
[2, 0, 4],
[3, 4, 5]])
现在我们将B
与它的转置进行比较。
B == B.T
tensor([[True, True, True],
[True, True, True],
[True, True, True]])
1.4 张量
[就像向量是标量的推广,矩阵是向量的推广一样,我们可以构建具有更多轴的数据结构]。
张量为我们提供了描述具有任意数量轴的
n
n
n维数组的通用方法。
例如,向量是一阶张量,矩阵是二阶张量。
当我们开始处理图像时,张量将变得更加重要,图像以
n
n
n维数组形式出现,
其中3个轴对应于高度、宽度,以及一个通道(channel)轴,
用于表示颜色通道(红色、绿色和蓝色)。
X = torch.arange(24).reshape(2, 3, 4)
X
tensor([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
1.5张量算法的基本性质
1.5.1给定具有相同形状的任意两个张量,任何按元素二元运算的结果都将是相同形状的张量
例如,将两个相同形状的矩阵相加,会在这两个矩阵上执行元素加法。
A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
B = A.clone() # 通过分配新内存,将A的一个副本分配给B
A, A + B
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.],
[16., 17., 18., 19.]]),
tensor([[ 0., 2., 4., 6.],
[ 8., 10., 12., 14.],
[16., 18., 20., 22.],
[24., 26., 28., 30.],
[32., 34., 36., 38.]]))
1.5.2矩阵按元素相乘
[两个矩阵的按元素乘法称为Hadamard积(Hadamard product)(数学符号
⊙
\odot
⊙)]。
对于矩阵
B
∈
R
m
×
n
\mathbf{B} \in \mathbb{R}^{m \times n}
B∈Rm×n,
其中第
i
i
i行和第
j
j
j列的元素是
b
i
j
b_{ij}
bij。
矩阵
A
\mathbf{A}
A和
B
\mathbf{B}
B的Hadamard积为:
A ⊙ B = [ a 11 b 11 a 12 b 12 … a 1 n b 1 n a 21 b 21 a 22 b 22 … a 2 n b 2 n ⋮ ⋮ ⋱ ⋮ a m 1 b m 1 a m 2 b m 2 … a m n b m n ] . \mathbf{A} \odot \mathbf{B} = \begin{bmatrix} a_{11} b_{11} & a_{12} b_{12} & \dots & a_{1n} b_{1n} \\ a_{21} b_{21} & a_{22} b_{22} & \dots & a_{2n} b_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} b_{m1} & a_{m2} b_{m2} & \dots & a_{mn} b_{mn} \end{bmatrix}. A⊙B=⎣⎢⎢⎢⎡a11b11a21b21⋮am1bm1a12b12a22b22⋮am2bm2……⋱…a1nb1na2nb2n⋮amnbmn⎦⎥⎥⎥⎤.
A * B
tensor([[ 0., 1., 4., 9.],
[ 16., 25., 36., 49.],
[ 64., 81., 100., 121.],
[144., 169., 196., 225.],
[256., 289., 324., 361.]])
1.5.2矩阵与标量相乘
将张量乘以或加上一个标量不会改变张量的形状,其中张量的每个元素都将与标量相加或相乘。
a = 2
X = torch.arange(24).reshape(2, 3, 4)
a + X, (a * X).shape
(tensor([[[ 2, 3, 4, 5],
[ 6, 7, 8, 9],
[10, 11, 12, 13]],
[[14, 15, 16, 17],
[18, 19, 20, 21],
[22, 23, 24, 25]]]),
torch.Size([2, 3, 4]))
1.6 降维
1.6.1 计算其元素的和
在数学表示法中,我们使用
∑
\sum
∑符号表示求和。
为了表示长度为
d
d
d的向量中元素的总和,可以记为
∑
i
=
1
d
x
i
\sum_{i=1}^dx_i
∑i=1dxi。
在代码中,我们可以调用计算求和的函数:
x = torch.arange(4, dtype=torch.float32)
x, x.sum()
(tensor([0., 1., 2., 3.]), tensor(6.))
我们可以(表示任意形状张量的元素和)。
例如,矩阵
A
\mathbf{A}
A中元素的和可以记为
∑
i
=
1
m
∑
j
=
1
n
a
i
j
\sum_{i=1}^{m} \sum_{j=1}^{n} a_{ij}
∑i=1m∑j=1naij。
A.shape, A.sum()
(torch.Size([5, 4]), tensor(190.))
默认情况下,调用求和函数会沿所有的轴降低张量的维度,使它变为一个标量。
1.6.2 指定张量沿哪一个轴来通过求和降低维度
以矩阵为例
指定axis=0
将通过求和所有行的元素来降维(轴0)。因此输入轴0的维数在输出形状中消失。
A_sum_axis0 = A.sum(axis=0)
A_sum_axis0, A_sum_axis0.shape
(tensor([40., 45., 50., 55.]), torch.Size([4]))
指定axis=1
将通过汇总所有列的元素降维(轴1)。因此,输入轴1的维数在输出形状中消失。
A_sum_axis1 = A.sum(axis=1)
A_sum_axis1, A_sum_axis1.shape
(tensor([ 6., 22., 38., 54., 70.]), torch.Size([5]))
沿着行和列对矩阵求和,等价于对矩阵的所有元素进行求和。
A.sum(axis=[0, 1]) # Same as `A.sum()`
tensor(190.)
[一个与求和相关的量是平均值(mean或average)]。
我们通过将总和除以元素总数来计算平均值。
在代码中,我们可以调用函数来计算任意形状张量的平均值。
A.mean(), A.sum() / A.numel()
(tensor(9.5000), tensor(9.5000))
同样,计算平均值的函数也可以沿指定轴降低张量的维度。
A.mean(axis=0), A.sum(axis=0) / A.shape[0]
(tensor([ 8., 9., 10., 11.]), tensor([ 8., 9., 10., 11.]))
1.7非降维求和
在调用函数来[计算总和或均值时保持轴数不变]会很有用。
sum_A = A.sum(axis=1, keepdims=True)
sum_A
tensor([[ 6.],
[22.],
[38.],
[54.],
[70.]])
例如,由于sum_A
在对每行进行求和后仍保持两个轴,我们可以(通过广播将A
除以sum_A
)。
A / sum_A
tensor([[0.0000, 0.1667, 0.3333, 0.5000],
[0.1818, 0.2273, 0.2727, 0.3182],
[0.2105, 0.2368, 0.2632, 0.2895],
[0.2222, 0.2407, 0.2593, 0.2778],
[0.2286, 0.2429, 0.2571, 0.2714]])
如果我们想沿[某个轴计算A
元素的累积总和],
比如axis=0
(按行计算),我们可以调用cumsum
函数。
此函数不会沿任何轴降低输入张量的维度。
A.cumsum(axis=0)
tensor([[ 0., 1., 2., 3.],
[ 4., 6., 8., 10.],
[12., 15., 18., 21.],
[24., 28., 32., 36.],
[40., 45., 50., 55.]])
1.8点积(Dot Product)
给定两个向量 x , y ∈ R d \mathbf{x},\mathbf{y}\in\mathbb{R}^d x,y∈Rd,它们的点积(dot product) x ⊤ y \mathbf{x}^\top\mathbf{y} x⊤y(或 ⟨ x , y ⟩ \langle\mathbf{x},\mathbf{y}\rangle ⟨x,y⟩)是相同位置的按元素乘积的和: x ⊤ y = ∑ i = 1 d x i y i \mathbf{x}^\top \mathbf{y} = \sum_{i=1}^{d} x_i y_i x⊤y=∑i=1dxiyi。
x = torch.arange(4, dtype=torch.float32)
y = torch.ones(4, dtype = torch.float32)
x, y, torch.dot(x, y)
(tensor([0., 1., 2., 3.]), tensor([1., 1., 1., 1.]), tensor(6.))
注意,(我们可以通过执行按元素乘法,然后进行求和来表示两个向量的点积):
torch.sum(x * y)
tensor(6.)
1.9矩阵-向量积
矩阵
A
∈
R
m
×
n
\mathbf{A} \in \mathbb{R}^{m \times n}
A∈Rm×n和向量
x
∈
R
n
\mathbf{x} \in \mathbb{R}^n
x∈Rn。
让我们将矩阵
A
\mathbf{A}
A用它的行向量表示:
A = [ a 1 ⊤ a 2 ⊤ ⋮ a m ⊤ ] , \mathbf{A}= \begin{bmatrix} \mathbf{a}^\top_{1} \\ \mathbf{a}^\top_{2} \\ \vdots \\ \mathbf{a}^\top_m \\ \end{bmatrix}, A=⎣⎢⎢⎢⎡a1⊤a2⊤⋮am⊤⎦⎥⎥⎥⎤,
其中每个
a
i
⊤
∈
R
n
\mathbf{a}^\top_{i} \in \mathbb{R}^n
ai⊤∈Rn都是行向量,表示矩阵的第
i
i
i行。
[矩阵向量积
A
x
\mathbf{A}\mathbf{x}
Ax是一个长度为
m
m
m的列向量,
其第
i
i
i个元素是点积
a
i
⊤
x
\mathbf{a}^\top_i \mathbf{x}
ai⊤x]:
A = [ a 1 ⊤ a 2 ⊤ ⋮ a m ⊤ ] A x = [ a 1 ⊤ x a 2 ⊤ x ⋮ a m ⊤ x ] . \mathbf{A} = \begin{bmatrix} \mathbf{a}^\top_{1} \\ \mathbf{a}^\top_{2} \\ \vdots \\ \mathbf{a}^\top_m \\ \end{bmatrix}\mathbf{Ax} = \begin{bmatrix} \mathbf{a}^\top_{1} \mathbf{x} \\ \mathbf{a}^\top_{2} \mathbf{x} \\ \vdots\\ \mathbf{a}^\top_{m} \mathbf{x}\\ \end{bmatrix}. A=⎣⎢⎢⎢⎡a1⊤a2⊤⋮am⊤⎦⎥⎥⎥⎤Ax=⎣⎢⎢⎢⎡a1⊤xa2⊤x⋮am⊤x⎦⎥⎥⎥⎤.
我们可以把一个矩阵
A
∈
R
m
×
n
\mathbf{A} \in \mathbb{R}^{m \times n}
A∈Rm×n乘法看作是一个从
R
n
\mathbb{R}^{n}
Rn到
R
m
\mathbb{R}^{m}
Rm向量的转换。
这些转换是非常有用的。例如,我们可以用方阵的乘法来表示旋转。
在代码中使用张量表示矩阵-向量积,我们使用与点积相同的mv
函数。
当我们为矩阵A
和向量x
调用torch.mv(A, x)
时,会执行矩阵-向量积。
注意,A
的列维数(沿轴1的长度)必须与x
的维数(其长度)相同。
A.shape, x.shape, torch.mv(A, x)
(torch.Size([5, 4]), torch.Size([4]), tensor([ 14., 38., 62., 86., 110.]))
1.10 矩阵-矩阵乘法
假设我们有两个矩阵 A ∈ R n × k \mathbf{A} \in \mathbb{R}^{n \times k} A∈Rn×k和 B ∈ R k × m \mathbf{B} \in \mathbb{R}^{k \times m} B∈Rk×m:
A = [ a 11 a 12 ⋯ a 1 k a 21 a 22 ⋯ a 2 k ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n k ] , B = [ b 11 b 12 ⋯ b 1 m b 21 b 22 ⋯ b 2 m ⋮ ⋮ ⋱ ⋮ b k 1 b k 2 ⋯ b k m ] . \mathbf{A}=\begin{bmatrix} a_{11} & a_{12} & \cdots & a_{1k} \\ a_{21} & a_{22} & \cdots & a_{2k} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nk} \\ \end{bmatrix},\quad \mathbf{B}=\begin{bmatrix} b_{11} & b_{12} & \cdots & b_{1m} \\ b_{21} & b_{22} & \cdots & b_{2m} \\ \vdots & \vdots & \ddots & \vdots \\ b_{k1} & b_{k2} & \cdots & b_{km} \\ \end{bmatrix}. A=⎣⎢⎢⎢⎡a11a21⋮an1a12a22⋮an2⋯⋯⋱⋯a1ka2k⋮ank⎦⎥⎥⎥⎤,B=⎣⎢⎢⎢⎡b11b21⋮bk1b12b22⋮bk2⋯⋯⋱⋯b1mb2m⋮bkm⎦⎥⎥⎥⎤.
用行向量 a i ⊤ ∈ R k \mathbf{a}^\top_{i} \in \mathbb{R}^k ai⊤∈Rk表示矩阵 A \mathbf{A} A的第 i i i行,并让列向量 b j ∈ R k \mathbf{b}_{j} \in \mathbb{R}^k bj∈Rk作为矩阵 B \mathbf{B} B的第 j j j列。要生成矩阵积 C = A B \mathbf{C} = \mathbf{A}\mathbf{B} C=AB,最简单的方法是考虑 A \mathbf{A} A的行向量和 B \mathbf{B} B的列向量:
A = [ a 1 ⊤ a 2 ⊤ ⋮ a n ⊤ ] , B = [ b 1 b 2 ⋯ b m ] . \mathbf{A}= \begin{bmatrix} \mathbf{a}^\top_{1} \\ \mathbf{a}^\top_{2} \\ \vdots \\ \mathbf{a}^\top_n \\ \end{bmatrix}, \quad \mathbf{B}=\begin{bmatrix} \mathbf{b}_{1} & \mathbf{b}_{2} & \cdots & \mathbf{b}_{m} \\ \end{bmatrix}. A=⎣⎢⎢⎢⎡a1⊤a2⊤⋮an⊤⎦⎥⎥⎥⎤,B=[b1b2⋯bm].
当我们简单地将每个元素 c i j c_{ij} cij计算为点积 a i ⊤ b j \mathbf{a}^\top_i \mathbf{b}_j ai⊤bj:
C = A B = [ a 1 ⊤ a 2 ⊤ ⋮ a n ⊤ ] [ b 1 b 2 ⋯ b m ] = [ a 1 ⊤ b 1 a 1 ⊤ b 2 ⋯ a 1 ⊤ b m a 2 ⊤ b 1 a 2 ⊤ b 2 ⋯ a 2 ⊤ b m ⋮ ⋮ ⋱ ⋮ a n ⊤ b 1 a n ⊤ b 2 ⋯ a n ⊤ b m ] . \mathbf{C} = \mathbf{AB} = \begin{bmatrix} \mathbf{a}^\top_{1} \\ \mathbf{a}^\top_{2} \\ \vdots \\ \mathbf{a}^\top_n \\ \end{bmatrix} \begin{bmatrix} \mathbf{b}_{1} & \mathbf{b}_{2} & \cdots & \mathbf{b}_{m} \\ \end{bmatrix} = \begin{bmatrix} \mathbf{a}^\top_{1} \mathbf{b}_1 & \mathbf{a}^\top_{1}\mathbf{b}_2& \cdots & \mathbf{a}^\top_{1} \mathbf{b}_m \\ \mathbf{a}^\top_{2}\mathbf{b}_1 & \mathbf{a}^\top_{2} \mathbf{b}_2 & \cdots & \mathbf{a}^\top_{2} \mathbf{b}_m \\ \vdots & \vdots & \ddots &\vdots\\ \mathbf{a}^\top_{n} \mathbf{b}_1 & \mathbf{a}^\top_{n}\mathbf{b}_2& \cdots& \mathbf{a}^\top_{n} \mathbf{b}_m \end{bmatrix}. C=AB=⎣⎢⎢⎢⎡a1⊤a2⊤⋮an⊤⎦⎥⎥⎥⎤[b1b2⋯bm]=⎣⎢⎢⎢⎡a1⊤b1a2⊤b1⋮an⊤b1a1⊤b2a2⊤b2⋮an⊤b2⋯⋯⋱⋯a1⊤bma2⊤bm⋮an⊤bm⎦⎥⎥⎥⎤.
[我们可以将矩阵-矩阵乘法
A
B
\mathbf{AB}
AB看作是简单地执行
m
m
m次矩阵-向量积,并将结果拼接在一起,形成一个
n
×
m
n \times m
n×m矩阵]。
在下面的代码中,我们在A
和B
上执行矩阵乘法。
这里的A
是一个5行4列的矩阵,B
是一个4行3列的矩阵。
两者相乘后,我们得到了一个5行3列的矩阵。
B = torch.ones(4, 3)
torch.mm(A, B)
tensor([[ 6., 6., 6.],
[22., 22., 22.],
[38., 38., 38.],
[54., 54., 54.],
[70., 70., 70.]])
矩阵-矩阵乘法可以简单地称为矩阵乘法,不应与"Hadamard积"混淆。
1.11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
f
f。
给定任意向量
x
\mathbf{x}
x,向量范数要满足一些属性。
第一个性质是:如果我们按常数因子
α
\alpha
α缩放向量的所有元素,
其范数也会按相同常数因子的绝对值缩放:
f ( α x ) = ∣ α ∣ f ( x ) . f(\alpha \mathbf{x}) = |\alpha| f(\mathbf{x}). f(αx)=∣α∣f(x).
第二个性质是我们熟悉的三角不等式:
f ( x + y ) ≤ f ( x ) + f ( y ) . f(\mathbf{x} + \mathbf{y}) \leq f(\mathbf{x}) + f(\mathbf{y}). f(x+y)≤f(x)+f(y).
第三个性质简单地说范数必须是非负的:
f ( x ) ≥ 0. f(\mathbf{x}) \geq 0. f(x)≥0.
这是有道理的。因为在大多数情况下,任何东西的最小的大小是0。
最后一个性质要求范数最小为0,当且仅当向量全由0组成。
∀ i , [ x ] i = 0 ⇔ f ( x ) = 0. \forall i, [\mathbf{x}]_i = 0 \Leftrightarrow f(\mathbf{x})=0. ∀i,[x]i=0⇔f(x)=0.
事实上,欧几里得距离是一个
L
2
L_2
L2范数:
假设
n
n
n维向量
x
\mathbf{x}
x中的元素是
x
1
,
…
,
x
n
x_1,\ldots,x_n
x1,…,xn,其[
L
2
L_2
L2范数是向量元素平方和的平方根:]
( ∥ x ∥ 2 = ∑ i = 1 n x i 2 , \|\mathbf{x}\|_2 = \sqrt{\sum_{i=1}^n x_i^2}, ∥x∥2=i=1∑nxi2,)
其中,在 L 2 L_2 L2范数中常常省略下标 2 2 2,也就是说 ∥ x ∥ \|\mathbf{x}\| ∥x∥等同于 ∥ x ∥ 2 \|\mathbf{x}\|_2 ∥x∥2。
1.11.1 L 2 L_2 L2范数
u = torch.tensor([3.0, -4.0])
torch.norm(u)
tensor(5.)
在深度学习中,我们更经常地使用 L 2 L_2 L2范数的平方。
1.11.3 L 1 L_1 L1范数
你还会经常遇到[ L 1 L_1 L1范数,它表示为向量元素的绝对值之和:]
( ∥ x ∥ 1 = ∑ i = 1 n ∣ x i ∣ . \|\mathbf{x}\|_1 = \sum_{i=1}^n \left|x_i \right|. ∥x∥1=i=1∑n∣xi∣.)
与
L
2
L_2
L2范数相比,
L
1
L_1
L1范数受异常值的影响较小。
为了计算
L
1
L_1
L1范数,我们将绝对值函数和按元素求和组合起来。
torch.abs(u).sum()
tensor(7.)
1.11.3 L p L_p Lp范数
L 2 L_2 L2范数和 L 1 L_1 L1范数都是更一般的 L p L_p Lp范数的特例:
∥ x ∥ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 / p . \|\mathbf{x}\|_p = \left(\sum_{i=1}^n \left|x_i \right|^p \right)^{1/p}. ∥x∥p=(i=1∑n∣xi∣p)1/p.
1.11.4 F r o b e n i u s Frobenius Frobenius范数
类似于向量的 L 2 L_2 L2范数,[矩阵] X ∈ R m × n \mathbf{X} \in \mathbb{R}^{m \times n} X∈Rm×n(的弗罗贝尼乌斯Frobenius范数(Frobenius norm)是矩阵元素平方和的平方根:)
( ∥ X ∥ F = ∑ i = 1 m ∑ j = 1 n x i j 2 . \|\mathbf{X}\|_F = \sqrt{\sum_{i=1}^m \sum_{j=1}^n x_{ij}^2}. ∥X∥F=i=1∑mj=1∑nxij2.)
Frobenius范数满足向量范数的所有性质,它就像是矩阵形向量的
L
2
L_2
L2范数。
调用以下函数将计算矩阵的Frobenius范数。
torch.norm(torch.ones((4, 9)))
tensor(6.)
1.11.5 范数和目标
在深度学习中,我们经常试图解决优化问题:
最大化分配给观测数据的概率;
最小化预测和真实观测之间的距离。
用向量表示物品(如单词、产品或新闻文章),以便最小化相似项目之间的距离,最大化不同项目之间的距离。
目标,或许是深度学习算法最重要的组成部分(除了数据),通常被表达为范数。
1.12特殊矩阵
定义:
设P 是一个 m×n 的 (0,1) 矩阵,如 m≤n且 PxPt=E,则称 P为一个 m×n的置换矩阵。其中Pt是P的转置矩阵,E是m阶单位方阵。
判定条件:
定理 1 当 m≦n时,一个 m×n 的(0,1) 矩阵P为置换矩阵的充要条件是P的每一行恰有一个 1,每一列恰有一个 1。
说明:
1.每个n元置换都对应着唯一的一个置换矩阵。
2.置换矩阵也可以定义为单位矩阵的某些行和列交换后得到的矩阵。
3.一个置换矩阵必然是正交矩阵(如果AA
T
^T
T=E(E为单位矩阵,A
T
^T
T表示"矩阵A的转置矩阵")或A
T
^T
TA=E,则n阶实矩阵A称为正交矩阵。)
4.一个矩阵或向量左乘一个置换矩阵,交换的是该矩阵或向量的行;
5.一个矩阵或向量右乘一个置换矩阵,交换的是该矩阵或向量的列;
1.13小结
- 标量、向量、矩阵和张量是线性代数中的基本数学对象。
- 向量泛化自标量,矩阵泛化自向量。
- 标量、向量、矩阵和张量分别具有零、一、二和任意数量的轴。
- 一个张量可以通过
sum
和mean
沿指定的轴降低维度。 - 两个矩阵的按元素乘法被称为他们的Hadamard积。它与矩阵乘法不同。
- 在深度学习中,我们经常使用范数,如 L 1 L_1 L1范数、 L 2 L_2 L2范数和Frobenius范数。
- 我们可以对标量、向量、矩阵和张量执行各种操作。
- 更多线性代数知识,你可以参考线性代数运算的在线附录
1.14练习
-
我们在本节中定义了形状 ( 2 , 3 , 4 ) (2,3,4) (2,3,4)的张量
X
。len(X)
的输出结果是什么?
-
对于任意形状的张量
X
,len(X)
是否总是对应于X
特定轴的长度?这个轴是什么?
答:是,这个轴是axis=1。 -
运行
A/A.sum(axis=1)
,看看会发生什么。你能分析原因吗?
答:报错的内容为A为一个(5,4)的张量,而A_sum_axis1为一个(5,1)的张量,这样的无法进行相除
- 考虑一个具有形状 ( 2 , 3 , 4 ) (2,3,4) (2,3,4)的张量,在轴0、1、2上的求和输出是什么形状?
import torch
X = torch.arange(24).reshape(2,3,4)
print(X.sum(axis=0))
print(X.sum(axis=1))
print(X.sum(axis=2))
- 为
linalg.norm
函数提供3个或更多轴的张量,并观察其输出。对于任意形状的张量这个函数计算得到什么?
import numpy as np
import torch
X = torch.arange(1.,25.).reshape(6,4)
np.linalg.norm(X)
答:linalg.norm函数是基于numpy的,功能上与torch.norm()相同,得到张量的Frobenius范数。