张量学习(4):Kronecker delta(换标符号) and Eddington(排列符号)

1) δ i j \delta_{ij} δij符号(Kronecker delta)

1.定义(笛卡尔坐标系)

在这里插入图片描述

2.特性

1>对称性

由定义可知指标 i i i j j j是对称的,即:
在这里插入图片描述

2> δ i j \delta_{ij} δij的分量集合对应于单位矩阵。

例如在三维空间中:
在这里插入图片描述

3> δ i j \delta_{ij} δij换标符号, δ i j \delta_{ij} δij具有换标作用

例如:
在这里插入图片描述
即:如果符号 δ \delta δ的两个指标中,有一个和同项中其它因子的指标相重,则可以把该因子的那个重指标换成 δ \delta δ 的另一个指标,而 δ \delta δ自动消失。
类似的有:
在这里插入图片描述

2) e r s t e_{rst} erst符号(排列符号或置换符号 Eddington)

1.定义(笛卡尔坐标系)

在这里插入图片描述
或者
在这里插入图片描述
( 1 , 2 , 3 ) (1,2,3) (1,2,3)及其轮流换位得到的 ( 2 , 3 , 1 ) (2,3,1) (2,3,1) ( 3 , 1 , 2 ) (3,1,2) (3,1,2)称为正序排列
( 3 , 2 , 1 ) (3,2,1) (3,2,1)及其轮流换位得到的 ( 2 , 1 , 3 ) (2,1,3) (2,1,3) ( 1 , 3 , 2 ) (1,3,2) (1,3,2)称为逆序排列

2.特性

1>共有27个元素。其中三个元素为1,三个元素为-1,其余的元素都是0

2>对其任何两个指标都是反对称的

即:
在这里插入图片描述

3>当三个指标轮流换位时(相当于指标连续对换两次), e r s t e_{rst} erst的值不变

在这里插入图片描述

3.常用实例

1>三个互相正交的单位基矢量构成正交标准化基

它具有如下重要性质:
每个基矢量的模为1,即: e i . e j = 1 ( 当 i = j 时 ) e_i.e_j = 1 (当 i = j时) ei.ej=1(i=j)
不同基矢量互相正交,即: e i . e j = 0 ( 当 i ≠ j 时 ) e_i.e_j = 0 (当 i \neq j时) ei.ej=0(i=j)
上述两个性质可以用 δ i j \delta_{ij} δij表示统一形式: e i . e j = δ i j e_i.e_j = \delta_{ij} ei.ej=δij

2>矢量的点积

在这里插入图片描述

个人思考:

1.什么是正序排列和逆序排列?

正序就是 ( 1 , 2 , 3 ) (1,2,3) (1,2,3)从左向右够成一个环,找到最小值,以最小值为起点,从左向右看是否从小到大排列。逆序也同理可推。

2 . δ i j \delta_{ij} δij e r s t e_{rst} erst的作用是什么?

个人认为 δ i j \delta_{ij} δij e r s t e_{rst} erst在指标符号的基础上建立的,依然整洁了我们的计算过程。

  • 5
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
《图解深度学习与神经网络:从张量到tensorflow实现》是一本介绍深度学习和神经网络的图书,主要通过图解和实例展示了相关概念和实现方法。 首先,深度学习是一种机器学习方法,它通过构建多层神经网络来模拟人脑的工作原理,并通过大数据的学习来进行模型的训练和优化。深度学习在图像识别、语音识别、自然语言处理等领域有着广泛的应用。 该书从图解的角度出发,通过生动的插图和可视化的方式,向读者介绍了深度学习的基本概念。例如,它解释了神经元和神经网络的概念,展示了神经网络的结构和工作原理,并深入讲解了前向传播和反向传播的过程。 除了介绍基本概念,该书还通过具体的实例和代码示例,教读者如何使用tensorflow框架来实现深度学习模型。通过该书的学习,读者可以了解如何使用张量(tensor)这一基本数据结构,在tensorflow中构建神经网络模型,并通过优化算法进行训练和调优。同时,该书还涵盖了一些常见的深度学习模型,如卷积神经网络(CNN)和循环神经网络(RNN)等的实现方法。 总体而言,《图解深度学习与神经网络:从张量到tensorflow实现》是一本适合初学者的入门教材。它通过图示和实例,直观地展示了深度学习和神经网络的基本概念和实现方法。读者可以通过学习该书,初步掌握深度学习的基础知识,并能够使用tensorflow框架实现简单的深度学习模型。

“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