目录
向量、矩阵、张量的定义
标量:常数
向量:维向量
ps:,
矩阵:,m行n列
张量:,Tensor Flow
向量与矩阵运算
则
范数,由距离推广得到的。
,二范数,记为
,p范数,记为
,一范数,记为
,无穷范数,记为
,
(
中有k个不为0的数),0范数,记为
,一般用来判断矩阵的稀疏性,若矩阵中(向量)大部分数为0的话,那么这个矩阵(向量)就是稀疏的。
,若
,则代表着
向量相乘:(1)Hardamard——,则
,对应位置相乘。
(2)Kronecker——,则
,在B的每个位置上的数都分别与A矩阵相乘
举例 Kronecker:
张量的运算
一阶张量——向量,其运算略
二阶张量——矩阵,其运算略
高阶张量——,则
矩阵的逆和伪逆
矩阵的逆——若,则
为A的逆。
伪逆——More Penrose_inverse需要满足四个条件:(1)(2)
(3)
(4)
行列式
行列式的三条性质:
(1)线性性:行列式为,
则
(2)反对称性:若,则
(3)
线性方程组
替换为
所以
二次型和正定性
二次型:
正定性:,其中
惯性定理:
,
与
合同
对于不同的V来说,B的对角线上的正数和负数都是固定的,其正数的个数为正惯性,其负数的个数为负惯性。
矩阵分解
(1)Cholesby分解——对于矩阵,若
是正定的且对称的,那么一定存在下三角矩阵
,使得
。可根据
来确定
。
目的:,其中
为下三角矩阵,
为上三角矩阵,那么求解
的逆的时候,可以利用
,只需要求解
的逆即可(更加方便)。
(2)特征值分解——,其中
为一组正交基(
),即
,则
(应用于主成分分析、矩阵压缩感知,可将一阶张量变为二阶张量)
(3)奇异值分解——,其中
为正交阵,
为对角阵。(应用于矩阵压缩、矩阵逼近)。
,将奇异值分解转化为特征值分解,便可得到
,
(
特征值可求
,
(为
特征值的开方))和
。
(4)分解——
,其中
为正交阵,
为上三角矩阵。
以此类推,可得到对角线的值和特征值非常接近。