深度学习应用6.2机器学习中的线性代数

1线性代数中的数学对象

import numpy as np

#标量只是一个单一的数字
scalar_value=18
print(scalar_value)

print(scalar_value,scalar_value.shape)#'int' object has no attribute 'shape'

#标量只是一个单一的数字
scalar_value=18
scalar_np=np.array(scalar_value)#转换数组中的np.array
print(scalar_np,scalar_np.shape)#shape是numpy中的概念，这里一个int数就是空

#向量有序数字数组
vector_value=[1,2,3]
vector_np=np.array(vector_value)
print(vector_np,vector_np.shape)#shape显示为1维向量，但其实既不是行向量也不是列向量

#矩阵是个有序二维数组，一个指向行一个指向列
matrix_list=[[1,2,3],[4,5,6]]
matrix_np=np.array(matrix_list)
print("matrix_list=",matrix_list,"\n","matrix_np=\n",matrix_np,"\n","matrix_np.shape=",matrix_np.shape)

#行向量的矩阵表示
vector_row= np.array([[1,2, 3]])
print (vector_row,'shape=',vector_row.shape)

#列向量的矩阵表示
vector_column= np.array([[4],[5], [6]])
print (vector_column,'shape=',vector_column.shape)

#矩阵与标量运算
matrix_a= np.array([[1,2,3], [4, 5,6]])
print (matrix_a,'shape=',matrix_a. shape)

2矩阵的基本运算

3矩阵和向量的乘法