一.Python矩阵基本运算
1.准备
引入库
import numpy as np
2.矩阵操作
(1)创建一个 2X3矩阵
a = np.mat([[1, 2, 3], [4, 5, 6]])
(2)获取矩阵的大小
a.shape
(3)行列转换
a.T
(4)二维数组代替矩阵来进行矩阵运算
b = np.array([[1, 2, 3], [4, 5, 6]])
(5)加减法运算
a + b
a - b
3.矩阵乘法
(1)二维数组创建两个矩阵
A = np.array([[1, 2, 3], [4, 5, 6]])
B = A.T
(2)矩阵的数乘
2 * A
(3)计算
dot 函数用于矩阵乘法,对于二维数组,它计算的是矩阵乘积,对于一维数组,它计算的是内积
np.dot(A, B)
(4)创建一个二维数组
C = np.array([[1, 2], [1, 3]])
(5)验证结合性
np.dot(np.dot(A, B), C)
np.dot(A, np.dot(B, C))
(6)验证加法的分配性
A = B - 1
np.dot(A+B, C)
np.dot(A, C) + np.dot(B, C)
(7)数乘的结合性
2*(np.dot(A, C))
np.dot(2*A, C)
np.dot(A, 2*C)
(8)创建一个单位矩阵
D = np.eye(2)
(9)矩阵单位矩阵
一个矩阵乘以一个单位矩阵,还是它本身
np.dot(C, D)
4.矩阵转置
列变行,行变列
(1)矩阵转置的转置
矩阵转置的转置就是它本身
A = np.array([[1, 2, 3], [4, 5, 6]])
A.T.T
(2)( A ± B ) ′ = A ′ ± B ′
创建两个尺寸相同的矩阵
B = A.T
C = B - 1
验证
(B + C).T
B.T + C.T
(3)(KA) ′ =KA ′
(2 * A).T
2 * A.T
(4)(A×B) ′ =B′ ×A ′
np.dot(A, B).T
np.dot(B.T, A.T)
5.求方阵的迹
迹就是主对角元素之和
创建方阵
E = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
(1)计算方阵的迹
np.trace(E)
(2)验证一下方阵的迹与方阵的转置的迹的关系
np.trace(E)
np.trace(E.T)
方阵的迹等于方阵的转置的迹
(3) 验证方阵乘积的迹
np.trace(np.dot(E, F))
np.trace(np.dot(F, E))
(3) 验证一下方阵的和的迹与方阵的迹的和
np.trace(E + F)
np.trace(E) + np.trace(F)
验证一下方阵的和的迹等于方阵的迹的和
6.方阵的行列式计算方法
创建两个方阵
E = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
F = np.array([[1, 2], [1, 3]])
(1)求得方阵E和方阵F的行列式
np.linalg.det(E)
np.linalg.det(F)
7.求逆矩阵/伴随矩阵
创建
A = np.array([[1, -2, 1], [0, 2, -1], [1, 1, -2]])
(1)求方阵的行列式
A_abs = np.linalg.det(A)
(2)求方阵A的逆矩阵
B = np.linalg.inv(A)
1
2
(3)求伴随矩阵
A_bansui = B * A_abs
二.梯度下降法与excel中运用
1.基本概念
(1)什么是微分
微分在数学中的定义:由函数B=f(A),得到A、B两个数集,在A中当dx靠近自己时,函数在dx处的极限叫作函数在dx处的微分,微分的中心思想是无穷分割。微分是函数改变量的线性主要部分。微积分的基本概念之一。
(2)什么是梯度
梯度的本意是一个向量(矢量),表示某一函数在该点处的方向导数沿着该方向取得最大值,即函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大(为该梯度的模)。
(3)什么是梯度下降法
梯度下降法(英语:Gradient descent)是一个一阶最优化算法。 要使用梯度下降法找到一个函数的局部极小值,必须向函数上当前点对应梯度(或者是近似梯度)的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索,则会接近函数的局部极大值点;这个过程则被称为梯度上升法。
2.手工求解
问题:
解法:
3.Excel中求解
求其梯度为
以下表为例
1.设定
- 计算
更新
反复操作