05 线性代数【动手学深度学习v2】

线性代数基础知识

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
矩阵的每一行元素分别和`列的每行元素相乘再相加
在这里插入图片描述
按照列做乘法 矩阵被扭曲
在这里插入图片描述

在这里插入图片描述
矩阵A的范数 :其所有元素的平方和再开根号
在这里插入图片描述
在这里插入图片描述

特征向量是不被矩阵改变方向的向量
在这里插入图片描述

线性代数实现

在这里插入图片描述
向量是标量值组成的列表
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
这里是3行4列2片

在这里插入图片描述
如果只B=A 不会重新分配内存 只是把A的索引给B 这样B动A也会动
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

import torch

a = 2
x = torch.arange(24,dtype=torch.float32).reshape(2,3,4)
# print(a+x)
# print(a*x)

A = torch.arange(40).reshape(2,5,4)
print(A)# 2块5行4列 外0内1 所以依次是轴0,1,2
print('TTT\n',A.sum())
print('000\n',A.sum(axis=0),A.sum(axis=0).shape)
# 轴0,两片中的元素对应相加变一片 变5*4

print('111\n',A.sum(axis=1),A.sum(axis=1).shape)
# 轴1, 加的方向按行移动,行变化,每5行的中的元素对应相加变一行 变2*4

print('222\n',A.sum(axis=2),A.sum(axis=2).shape)
# 轴2,加的方向按列移动,列变化,每4列的中的元素对应相加变一列 变2*5
'''
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],
         [24, 25, 26, 27],
         [28, 29, 30, 31],
         [32, 33, 34, 35],
         [36, 37, 38, 39]]])
TTT
 tensor(780)
000
 tensor([[20, 22, 24, 26],
        [28, 30, 32, 34],
        [36, 38, 40, 42],
        [44, 46, 48, 50],
        [52, 54, 56, 58]]) torch.Size([5, 4])
111
 tensor([[ 40,  45,  50,  55],
        [140, 145, 150, 155]]) torch.Size([2, 4])
111
 tensor([[  6,  22,  38,  54,  70],
        [ 86, 102, 118, 134, 150]]) torch.Size([2, 5])

'''

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

print('0101\n',A.sum([0,1]),A.sum([0,1]).shape)# 轴0,1 按照矩阵来求 变1*4 即4


在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
向量的点积 torch.dot(x*y)等价于按元素相乘再求和即torch.sum(x*y)
在这里插入图片描述
在这里插入图片描述

A = torch.arange(20).reshape(5,4)
x = torch.arange(4).reshape(4)
print(A)
print(x)
# A与列向量x相乘 相当于A的每行元素与x中的每个元素相乘再相加
print(torch.mv(A, x))

在这里插入图片描述
矩阵乘法在这里插入图片描述

A = torch.arange(20).reshape(5, 4)
B = torch.arange(12).reshape(4, 3)
print(A)
print(B)
print(torch.mm(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,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8],
        [ 9, 10, 11]])
tensor([[ 42,  48,  54],
        [114, 136, 158],
        [186, 224, 262],
        [258, 312, 366],
        [330, 400, 470]])
'''

在这里插入图片描述
范数在这里插入图片描述在这里插入图片描述
在这里插入图片描述

按轴求和

二维中
axis=0 沿着行变化的方向移动相加 按行相加 shape 去掉axis0,去掉5
axis=1 沿着列变化的方向移动相加 按列相加 shape 去掉axis1,去掉4
在这里插入图片描述
三维
在这里插入图片描述
keepdims=True
在这里插入图片描述
torch 不区分行向量和列向量吗?
ps 机器学习中的张量其实是矩阵
一维张量一定是行向量
列向量一定是个矩阵(二维)
如果要区分行列向量要用矩阵区别
但是对计算机来说 向量就是一个一维数组

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

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