SVD及在卷积层的应用
讲SVD分解之前先得讲特征值分解(EVD),在EVD的基础上理解SVD会更容易些
1、特征值分解(EVD)
特征值分解,如果矩阵A是一个m×m的实对称矩阵,那么它可以被分解为:
其中Q为标准正交阵,即有QQT=I,Σ为对角矩阵,且上面的矩阵的维度均为m×m。λi称为特征值
,ui是Q(特征矩阵)中的列向量,称为特征向量
。
=λ1u1u1T+λ2u2u2T+λ3u3u3T+….
式中Q=[u1 u2 u3… um],其中ui为m行的列向量。
【面试题】:若用特征值分解矩阵,最少需要多少个参数表示?
最少需要m+1个参数。因为只取分解后的第一项λ1u1u1T,u1需要m个参数表示,λ1需要一个参数,所最少需要m+1个。