深度学习-- 数学（线性代数\概率与信息论）未完待续

本文链接：https://blog.csdn.net/wwm98656/article/details/81704600

引言

本博客用来记录在进行机器学习和深度学习以来的心得体会和摘抄。参考资源为《deep learning》（）和《机器学习》（周志华）

标量
1. 定义：一个标量就是一个单独的数，它不同于线性代数中研究的其他大部分对象（通常是多个数的数组）。我们用斜体表示标量
向量
1. 定义：一个向量是一列数。这些数是有序排列的。通过次序中的索引，我们可以确定每个单独的数。通常我们赋予向量粗体的小写变量名称，比如 $\boldsymbol{\mathit{x}}$ ,需要明确表示向量中的元素时，我们会将元素排列成一个方括号包围的纵列： $\textup{\mathbf{x}}=$\mathbf{\left [ x_{1} x_{2}x_{3}...x_{n}\right ]}^\mathrm{T}$$ ，可以把向量看作空间中的点，每个元素是不同坐标轴上的坐标。
矩阵
1. 定义：矩阵是一个二维数组，其中的每一个元素被两个索引（而非一个）所确定。通常会赋予矩阵粗体的大写变量名称，比如 $\mathit{A}$ 。如果一个
  实数矩阵高度为 $m$ ，宽度为 $n$ ，那么我们说 $A\in R^{m\times n}$ 。在表示矩阵中的元素时，通常以不加粗的斜体形式使用其名称，索引用逗号间隔。比如， $A_{1, 1}$ 表示 A 左上的元素， $A_{m, n}$ 表示 A 右下的元素。
张量
1. 定义：在某些情况下，我们会讨论坐标超过两维的数组。一般地，一个数组中的元素分布在若干维坐标的规则网格中，我们称之为张量。我们使用字体 A 来表示张量 “A’’。张量 A 中坐标为 (i; j; k) 的元素记作 Ai;j;k。