【深度学习基础】从零开始的炼丹生活00——机器学习数学基础以及数值计算数值优化方法

正值假期,决定恶补机器学习、深度学习及相关领域(顺便开个博客)。首先学习一下数学基础以及数值计算的方法(主要参考《深度学习》)

一、数学基础

这里简单复习一下机器学习相关的数学

1.线性代数

范数
衡量一个向量的大小,对Lp范数,有:
∥ x ∥ p = ( ∑ i ∣ x i ∣ p ) 1 p \left\| x\right\| _{p}=\left( \sum _{i}\left| x_{i}\right| ^{p}\right) ^{\dfrac {1}{p}} xp=(ixip)p1
其中 p ∈ R , p ≥ 1 p\in \mathbb{R} , p\geq1 pR,p1.
对一切范数(包括Lp),满足下列性质:

  • t ( x ) = 0 ⇒ x = 0 ; t\left( x\right) =0\Rightarrow x=0; t(x)=0x=0;
  • f ( x + y ) ≤ f ( x ) + f ( y ) ; f\left( x+y\right) \leq f\left( x\right) +f\left( y\right); f(x+y)f(x)+f(y);(三角不等式)
  • ∀ α ∈ R , f ( a x ) = ∣ a ∣ f ( x ) . \forall \alpha \in \mathbb{R} ,f\left( ax\right) =\left| a\right| f\left( x\right). αR,f(ax)=af(x).
  1. L0范数指的是向量中非零元素的个数
  2. L1范数可以用于机器学习中0与非0元素之间的差异十分重要时。也能让模型变得更加稀疏。(常替代L0)
  3. 最大范数:L∞范数 表示向量中具有最大幅值元素的绝对值。 ∥ x ∥ ∞ = max ⁡ i ∣ x ∣ i \left\| x\right\| _{\infty }=\max _{i}\left| x\right|_i x=maxixi
  4. 要衡量矩阵的大小,最常用的是使用Frobenius范数,即 ∥ A ∥ F = ∑ i , j A i , j 2 \left\| A\right\| _{F}=\sqrt {\sum _{i,j}A^{2} _{i,j}} AF=i,jAi,j2 .

进一步学习:
L0、L1、L2范数在机器学习中的应用
范数对于数学的意义?1范数、2范数、无穷范数

正交矩阵
行向量和列向量是分别标准正交的方阵
A A T = I ; A − 1 = A T \begin{aligned}AA^{T}=I;\\ A^{-1}=A^{T}\end{aligned} AAT=I;A1=AT

特征分解
特征分解可以知晓一些矩阵隐含的性质。

  • 特征向量:与 A A A相乘后相当于对该向量进行缩放的非零向量 v v v
    A v = λ v Av=\lambda v Av=λv

    其中λ为特征向量对应的特征值。(通常指右特征向量)
    由于 k v kv kv v v vy特征值相同,一般情况下只考虑单位特征向量。

  • A A A有n个线性无关的特征向量 { v ( 1 ) , v ( 2 ) , … , v ( n ) } \left\{ v^{(1)},v^{(2)},\ldots ,v^{\left( n\right) }\right\} { v(1),v(2),,v(n)},对应n个特征值 { λ 1 , λ 2 , … , λ n } \{\lambda_1,\lambda_2,\ldots,\lambda_n\} { λ1,λ2,,λn}。将特征向量连接成一个矩阵,使得每一列都是一个特征向量 V = [ v ( 1 ) , v ( 2 ) , … , v ( n ) ] V=[v^{(1)},v^{(2)},\ldots ,v^{( n)}] V=[v(1),v(2),,v(n)]特征值也连接成一个向量λ。
    A A A的特征分解 A = V d i a g ( λ ) V − 1 A=Vdiag\left( \lambda \right) V^{-1} A=Vdiag(λ)V1

机器学习中通常不会遇到复数的特征分解,一般我们会处理实对称矩阵,它一定可以分解为 A = Q Λ Q T A=Q\Lambda Q^{T} A=QΛQT 其中 Q Q Q为正交矩阵,由 A A

  • 3
    点赞
  • 3
    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