《深度学习》推导与代码实现（二）：线性代数

1.5 单位矩阵

np.identity(3)

'''
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
'''

1.6 矩阵的逆

A = [[1.0,2.0],[3.0,4.0]]
A_inv = np.linalg.inv(A)
print("A 的逆矩阵： ", A_inv)

'''
A 的逆矩阵：  [[-2.   1. ]
 [ 1.5 -0.5]]
'''

1.7 范数

a = np.array([1.0,3.0])
print("向量 2 范数： ", np.linalg.norm(a, ord=2))
print("向量 1 范数： ", np.linalg.norm(a, ord=1))
print("向量无穷范数： ", np.linalg.norm(a, ord=np.inf))

'''
向量 2 范数：  3.1622776601683795
向量 1 范数：  4.0
向量无穷范数：  3.0
'''

a = np.array([[1.0,3.0],[2.0,1.0]])
print("矩阵 F 范数： ", np.linalg.norm(a, ord="fro"))

'''
矩阵 F 范数：  3.872983346207417
'''

1.8 特征值分解

A = np.array([[1.0,2.0,3.0],
             [4.0,5.0,6.0],
             [7.0,8.0,9.0]])
# 计算特征值
print("特征值： ", np.linalg.eigvals(A))
# 计算特征值和特征向量
eigvals, eigvectors = np.linalg.eig(A)
print("特征值： ", eigvals)
print("特征向量： ", eigvectors)

'''
特征值：  [ 1.61168440e+01 -1.11684397e+00 -9.75918483e-16]
特征值：  [ 1.61168440e+01 -1.11684397e+00 -9.75918483e-16]
特征向量：  [[-0.23197069 -0.78583024  0.40824829]
 [-0.52532209 -0.08675134 -0.81649658]
 [-0.8186735   0.61232756  0.40824829]]
'''

1.9 奇异值分解

A = np.array([[1.0,2.0,3.0],
             [4.0,5.0,6.0]])
U, D, V = np.linalg.svd(A)
print("U: ", U)
print("D: ", D)
print("V: ", V)

'''
U:  [[-0.3863177   0.92236578]
 [-0.92236578 -0.3863177 ]]
D:  [9.508032   0.77286964]
V:  [[-0.42866713 -0.56630692 -0.7039467 ]
 [-0.80596391 -0.11238241  0.58119908]
 [ 0.40824829 -0.81649658  0.40824829]]
'''

1.10 PCA 主成分分析

TODO: 2020-09-15