人工智能之一----数学基础

一、前言

应原作者要求，后续文章中将不会出现深度学习500问相关的东西！！！如有，也会通过引用注明出处！

 

二、张量的概念

对深度学习有了解的同学一定知道TensorFlow，对TensorFlow想有一个比较深入的理解，第一个碰到的概念就是Tensor，即张量。老实说，深度学习500问第一节在我看来并没有讲清楚张量的概念，至少我看完后还是不理解张量为何物？具体大家可以阅读：

https://github.com/scutan90/DeepLearning-500-questions/tree/master/ch1_数学基础

感谢强大的知乎！！！这里总能给你惊喜！

https://www.zhihu.com/question/23720923/answer/32739132

答主翻译了一个老外对张量的形象理解：

https://www.youtube.com/watch?v=f5liqUk0ZTw

这里mark一下，后续有空翻墙看看。

看了这篇回答，我相信大家都会对张量有一个很好的理解了。

我的理解如下：

从标量到向量再到矩阵，前者都是后者的特殊化表示，而张量毫不意外的是更普通的事物的描述方式，前面那三兄弟都是它的特例。

如上文所述，我们通常理解的三维空间的位置表示，其实是三个基向量和三个分量组成，在约定成俗的场景下（如笛卡尔坐标系下），三个基向量一般会被省略，这就得到了我们用三个数可以表示空间中的一个点。

这里大家要牢记，以上描述，无论如何你都只能描述空间的位置，因为向量基只有一套。

张量是什么？张量是同样空间中的一点，你需要描述它的位置，同时你还需要描述这个点的其他特征，如受力情况，光照情况，颜色等等。也就是说以前的向量或者矩阵只能从一个角度来描述一个点，但是张量可以从多个角度来描述一个点，而其中一个角度对应一组基向量，多个角度就会对应多组基向量，这样为了把这个点描述清楚，就要设置每种基向量的每个分量，这种描述就是张量。

 

三、变量、随机变量和模糊变量

变量是指可以被更新的量，但是它被更新的结果是确定的，如a=1，那在a别更新前它就是100%等于1

随机变量是对随机事件的描述，它等于某个值是有一定概率的，如b=1的概率为50%，即在50%的概率下b被度量为1.

模糊变量是指具有模糊性的变量，假如模糊变量c=1在一个场景下的概率为40%，那不代表c=1的概率为40%，它在另一个场景下可能不是这个概率，即模糊变量被度量的结果仍然是不确定的。

另外，模糊性还有一个特点是模糊变量的度量大部分来源于主观判断，而随机变量大部分是对客观概念的描述，如老人这个概念，对于不同年龄层的人来说，某个人为老人的概率是不一样的。也就是说即使个体是确定的，但是结果还是随环境的改变而改变。

四、有意思的举例

在条件概率部分，作者举了一例:

一对夫妻有两个小孩，已知其中一个是女孩，则另一个是女孩子的概率是多少?(面 试、笔试都碰到过)

解答如下：

穷举法:已知其中一个是女孩，那么样本空间为男女，女女，女男，则另外一个仍然是女

生的概率就是 1/3;条件概率法:P(女|女)=P(女女)/P(女),夫妻有两个小孩，那么它的样本空间为女女，男女，

女男，男男，则 P(女女)为 1/4，P(女)=1-P(男男)=3/4,所以最后 1/3。 这里大家可能会误解，男女和女男是同一种情况，但实际上类似姐弟和兄妹是不同情况。

这里穷举法确实看起来很显然，但是总感觉有些不对。这里直接的挑战如下：

1、另一个是女孩的概率和其中一个的性别无关，所以结果应该是1/2.

2、女女这个样本和男女是否等概率？只有等概率的情况下样本空间才是平衡的。

我们做如下假设：

现在说其中一个是女孩，我们假设这个女孩为姐姐，则他们家另一个小孩儿要么是弟弟，要么是妹妹；

或者已知的女孩为妹妹，则他们家另一个要么是姐姐，要么是哥哥。

所以，看起来女女应该有姐+妹和妹+姐的区别（中文描述上没有区别罢了），因此，上述解答中的样本概率是不平衡的。

对于这个问题，我存疑！！！

这里以前有些钻牛角尖了，原解答应该是没有问题的。