机器学习基础的线性代数
在机器学习中，大多数数据通常表示为向量、矩阵或张量，因此机器学习在很大程度上依赖于线性代数。
先了解下向量、矩阵和张量：
- 向量是一维数组，具有大小和方向
- 矩阵是二维数组，具有固定的行和列，一般用方括号[ ]表示
- 张量是向量和矩阵的推广，比如一维张量是一个向量，二维张量是一个矩阵，RGB图像是三维张量，当然还可以扩展到四维张量以及更高维等
描述矩阵的一些基本术语有：（如下图所示）
方阵：nxn，即行数等于列数
对角矩阵：除了对角线外其余元素都为0
上三角阵：对角线以下的所有元素都为0的方阵
下三角阵：对角线以上的所有元素都为0的方阵
矩阵乘法和空间变换
大一的时候都学过线性代数，对于矩阵乘法运算都会按照一定的规则去相乘，为啥会按照这样的规则去相乘？并没有深入的思考，其实矩阵乘法就是空间变换，下面看几个例子。
空间变换类型有很多，但是在机器学习领域所关注的空间变换是最基本的缩放和旋转。下面简单介绍。
空间缩放变换:
现有一个矩阵A
A
=
(
2
0
0
1
)
A=\begin{pmatrix} 2 & 0\\ 0 & 1\end{pmatrix}
A=(2001)
向量α
α
=
(
1
1
)
\alpha=\begin{pmatrix} 1\\ 1 \end{pmatrix}
α=(11)
则有
A
α
=
(
2
0
0
1
)
(
1
1
)
=
(
2
2
)
=
β
A\alpha = \begin{pmatrix} 2 & 0\\ 0 & 1\end{pmatrix}\begin{pmatrix} 1\\ 1 \end{pmatrix}=\begin{pmatrix} 2\\ 2 \end{pmatrix}=\beta
Aα=(2001)(11)=(22)=β
可以看成如下空间变换：矩阵A在x的正方向和y的正方向上都做了一个两倍的拉伸， 即在A的基础上，向量α变换到了向量β，如下图所示。
因此，可以拓展为：
A
α
=
(
x
0
0
y
)
(
a
b
)
=
(
a
x
b
y
)
=
β
A\alpha = \begin{pmatrix} x & 0\\ 0 & y\end{pmatrix}\begin{pmatrix} a\\ b \end{pmatrix}=\begin{pmatrix} ax\\ by \end{pmatrix}=\beta
Aα=(x00y)(ab)=(axby)=β
可以看成如下空间变换：矩阵A在x的正方向和y的正方向上分别拉伸（或缩放）了x倍和y倍， 即在A的基础上，向量α变换到了向量β。
空间旋转变换：
现有矩阵A
A
=
(
0
−
1
1
0
)
A=\begin{pmatrix} 0 & -1\\ 1 &0\end{pmatrix}
A=(01−10)
向量α
α
=
(
1
1
)
\alpha=\begin{pmatrix} 1\\ 1 \end{pmatrix}
α=(11)
则有
A
α
=
(
0
−
1
1
0
)
(
1
1
)
=
(
−
1
1
)
A\alpha =\begin{pmatrix} 0 & -1\\ 1 &0\end{pmatrix}\begin{pmatrix} 1\\ 1 \end{pmatrix}=\begin{pmatrix} -1 \\ 1 \end{pmatrix}
Aα=(01−10)(11)=(−11)
可以看成如下空间变换：在矩阵A的基础上，向量α逆时针旋转了90°， 如下图所示
因此，可以拓展为：
A
α
=
(
cos
θ
−
sin
θ
sin
θ
cos
θ
)
(
a
b
)
=
(
a
cos
θ
−
b
sin
θ
a
sin
θ
+
b
cos
θ
)
A\alpha =\begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta &\cos \theta \end{pmatrix}\begin{pmatrix} a\\ b \end{pmatrix}=\begin{pmatrix} a\cos \theta -b\sin \theta \\ a\sin \theta +b\cos \theta \end{pmatrix}
Aα=(cosθsinθ−sinθcosθ)(ab)=(acosθ−bsinθasinθ+bcosθ)
可以看成如下空间变换：在矩阵A的基础上，向量α逆时针旋转了θ。
行列式的几何意义
行列式的几何意义是图形变化前后的一个放大率。
一般研究的是二维和三维。对于二维来说，就是面积的放大率，对于三维来说，就是体积的放大率。
以下以二维举例说明：
空间缩放变换：
下图中，
∣
A
∣
=
18
\left | A \right | =18
∣A∣=18
即面积放大了18倍。
C
=
(
−
2
0
0
1
)
C=\begin{pmatrix} -2 & 0\\ 0 &1\end{pmatrix}
C=(−2001)
∣
C
∣
=
−
2
\left | C \right | =-2
∣C∣=−2
这里面积放大了两倍，只是图形进行了翻折
空间剪切变换：
如下图所示，在剪切的情况下，单位正方形被映射成单位平行四边形。 这是因为平行四边形的面积是“长 x 高”。 因此，在这种情况下，面积将保持不变，但正方形被拉伸。
空间旋转变换：
B
=
(
cos
θ
−
sin
θ
sin
θ
cos
θ
)
B=\begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta &\cos \theta \end{pmatrix}
B=(cosθsinθ−sinθcosθ)
∣
B
∣
=
1
\left | B \right | =1
∣B∣=1
即对于空间旋转变换，面积不变
有一种特殊的行列式，行列式为0，比如
D
=
(
1
1
1
1
)
D=\begin{pmatrix} 1 & 1\\ 1 &1\end{pmatrix}
D=(1111)
放大率为0，即图形变换后面积为0，说明二维图形变成了一维直线，实现了降维。
之前学到过，对于行列式为0的话，矩阵是可逆的；但是不为0的话，矩阵是不可逆的，从几何意义上就能得到解释，因为拉伸、旋转变换后，图形是可以变换回去的，但是降维后，图形是变换不回去的。
对本小节进行summary一下：
对于2x2的矩阵A，
①当｜A｜＞1，表示经过A变换后，面积放大
②当0＜｜A｜＜1且｜A｜≠0，表示经过A变换后，面积缩小
③当｜A｜=0，表示经过A变换后，表示整个平面被压缩到一条直线甚至一个点，实现了降维
④当｜A｜＜0，这里的负数表示空间翻转，这里还可以细化讨论行列式的取值情况
对于3x3矩阵A，
①｜A｜≠0，表示经过A变换后，体积的缩放
②｜A｜=0，表示体积被压缩成一个面，甚至是一条线
线性相关和线性无关
下图所示，两个向量都在同一个方向上，即还是一维直线，我们删除其中一个向量，也不会影响这两个向量的表示，因此可以认为这里有多余的向量，即线性相关。
下图中，两个向量不在一条线上，即张成了一个二维平面，因此这两个向量是线性无关的。
summary：
线性相关、无关的几何意义：
因为向量是有方向和大小的，两个向量是否可以抵消掉，如果能抵消掉，则认为是线性相关，不能抵消掉，则认为是无关。
物理意义：
因为力是有大小和方向的，可以将向量看成是力，对力进行合成。
特征值和特征向量的意义
A
α
=
λ
α
A\alpha = \lambda \alpha
Aα=λα
以上，\alpha 为特征向量，\lambda 为特征值。
从公式可以看出，对于某个矩阵A，我们可以找到一个向量\alpha，当它与矩阵相乘时，等于这个向量乘以一个系数\lambda，即缩放的向量\alpha。
那么特征值和特征向量的意义是啥？
举个例子：
现有一个矩阵A：
A
=
(
2
0
0
3
)
A=\begin{pmatrix} 2 & 0\\ 0 & 3 \end{pmatrix}
A=(2003)
分别将矩阵A施加在不同的向量上：
1.
(
2
0
0
3
)
(
0
1
)
=
3
(
0
1
)
\begin{pmatrix} 2 & 0\\ 0 & 3 \end{pmatrix}\begin{pmatrix} 0\\ 1 \end{pmatrix}=3\begin{pmatrix} 0\\ 1 \end{pmatrix}
(2003)(01)=3(01)
未改变方向
2.
(
2
0
0
3
)
(
1
1
)
=
(
2
3
)
\begin{pmatrix} 2 & 0\\ 0 & 3 \end{pmatrix}\begin{pmatrix} 1\\ 1 \end{pmatrix}=\begin{pmatrix} 2\\ 3 \end{pmatrix}
(2003)(11)=(23)
改变了方向
3.
(
2
0
0
3
)
(
1
1
/
2
)
=
(
2
3
/
2
)
\begin{pmatrix} 2 & 0\\ 0 & 3 \end{pmatrix}\begin{pmatrix} 1\\ 1/2 \end{pmatrix}=\begin{pmatrix} 2\\ 3/2 \end{pmatrix}
(2003)(11/2)=(23/2)
改变了方向
4.
(
2
0
0
3
)
(
1
0
)
=
(
2
0
)
=
2
(
1
0
)
\begin{pmatrix} 2 & 0\\ 0 & 3 \end{pmatrix}\begin{pmatrix} 1\\ 0 \end{pmatrix}=\begin{pmatrix} 2\\ 0 \end{pmatrix}=2\begin{pmatrix} 1\\ 0 \end{pmatrix}
(2003)(10)=(20)=2(10)
未改变方向
前面说过，矩阵本质上就是一个线性变换，“特征向量”和“特征值”反应在特征二字上，特征向量反应的是矩阵A本身固有的一些特征，当把矩阵作用在不同的向量上时，会被矩阵A变换得面目全非（比如第二个和第三个例子，而且大部分向量会这样），但是存在一些向量（比如第一个和第四个例子），被矩阵A变换后仍然保持原来的样子，于是这些向量就是矩阵A的核心代表了。
summary：
\alpha：特征向量，即在空间变换前后没有改变方向的向量，指示的是拉伸方向
\lambda：特征值，即拉伸的倍率
矩阵和线性变换
所谓变换，就是函数中的一种
“变换”更强调一个空间中的动作，比如拉伸、压缩、旋转等
那么，线性变换性质为：1.任意直线在变换后依然是直线，2.原点的位置在变换后依然保持不变。
对于一个二维平面来说，输入的是向量，线性变换后，输出的也是向量，那么如何用数学去描述呢？
(
x
i
n
y
i
n
)
→
(
x
o
u
t
y
o
u
t
)
\begin{pmatrix} x_{in}\\ y_{in} \end{pmatrix}\rightarrow \begin{pmatrix} x_{out}\\ y_{out} \end{pmatrix}
(xinyin)→(xoutyout)
举个例子：
现有一组基向量
i
⃗
=
(
1
0
)
\vec{i}=\begin{pmatrix} 1\\ 0 \end{pmatrix}
i=(10)
j
⃗
=
(
0
1
)
\vec{j}=\begin{pmatrix} 0\\ 1 \end{pmatrix}
j=(01)
则有
(
−
1
2
)
=
(
−
1
0
)
i
⃗
+
(
0
2
)
j
⃗
\begin{pmatrix} -1\\ 2 \end{pmatrix}=\begin{pmatrix} -1\\ 0 \end{pmatrix}\vec{i}+\begin{pmatrix} 0\\ 2 \end{pmatrix}\vec{j}
(−12)=(−10)i+(02)j
即：
v
⃗
=
−
1
i
⃗
+
2
j
⃗
\vec{v}=-1\vec{i}+2\vec{j}
v=−1i+2j
施加以下线性变换后，有：
变换后的第一个基向量：
i
⃗
′
=
t
r
a
n
s
f
o
r
m
e
d
i
⃗
=
(
1
−
2
)
{\vec{i}}'=transformed \vec{i}=\begin{pmatrix} 1\\ -2 \end{pmatrix}
i′=transformedi=(1−2)
变换后的第二个基向量：
j
⃗
′
=
t
r
a
n
s
f
o
r
m
e
d
j
⃗
=
(
3
0
)
{\vec{j}}'=transformed \vec{j}=\begin{pmatrix} 3\\ 0 \end{pmatrix}
j′=transformedj=(30)
v
⃗
′
=
t
r
a
n
s
f
o
r
m
e
d
v
⃗
=
−
1
(
1
−
2
)
+
2
(
3
0
)
=
(
5
2
)
{\vec{v}}'=transformed \vec{v}=-1\begin{pmatrix} 1\\ -2 \end{pmatrix}+2\begin{pmatrix} 3\\ 0 \end{pmatrix}=\begin{pmatrix} 5\\ 2 \end{pmatrix}
v′=transformedv=−1(1−2)+2(30)=(52)
因此，线性变换后输出的向量为
(
x
′
y
′
)
=
x
(
1
−
2
)
+
y
(
3
0
)
=
(
x
+
3
y
−
2
x
+
0
y
)
=
(
1
3
−
2
0
)
(
x
y
)
\begin{pmatrix} x'\\ y' \end{pmatrix}=x\begin{pmatrix} 1\\ -2 \end{pmatrix}+y\begin{pmatrix} 3\\ 0 \end{pmatrix}=\begin{pmatrix} x+3y\\ -2x+0y \end{pmatrix}=\begin{pmatrix} 1 &3 \\ -2& 0 \end{pmatrix}\begin{pmatrix} x\\ y \end{pmatrix}
(x′y′)=x(1−2)+y(30)=(x+3y−2x+0y)=(1−230)(xy)
summary:
对向量施加线性变换时，实际上是将向量左乘一个矩阵，即
(
a
b
c
d
)
(
x
y
)
=
x
(
a
c
)
+
y
(
b
d
)
=
(
a
x
+
b
y
c
x
+
d
y
)
\begin{pmatrix} a &b \\ c &d \end{pmatrix}\begin{pmatrix} x\\ y \end{pmatrix}=x\begin{pmatrix} a\\ c \end{pmatrix}+y\begin{pmatrix} b\\ d \end{pmatrix}=\begin{pmatrix} ax+by\\ cx+dy \end{pmatrix}
(acbd)(xy)=x(ac)+y(bd)=(ax+bycx+dy)
矩阵和矩阵相乘
即复合变换，对向量进行施加两次相继的变换，即向量左乘一个矩阵再左乘一个矩阵。
逆变换、列空间、秩
对于一个3x3线性方程组：
{
2
x
+
5
y
+
3
z
=
−
3
4
x
+
0
y
+
8
z
=
0
1
x
+
3
y
+
0
z
=
2
\left\{\begin{matrix} 2x+5y+3z=-3\\ 4x+0y+8z=0\\ 1x+3y+0z=2 \end{matrix}\right.
⎩⎨⎧2x+5y+3z=−34x+0y+8z=01x+3y+0z=2
写成矩阵形式：
(
2
5
3
4
0
8
1
3
0
)
(
x
y
z
)
=
(
−
3
0
2
)
\begin{pmatrix} 2 &5 &3 \\ 4 &0 &8 \\ 1 &3 &0 \end{pmatrix}\begin{pmatrix} x\\ y\\ z \end{pmatrix}=\begin{pmatrix} -3\\ 0\\ 2 \end{pmatrix}
⎝⎛241503380⎠⎞⎝⎛xyz⎠⎞=⎝⎛−302⎠⎞
即
A
x
⃗
=
v
⃗
A\vec{x}=\vec{v}
Ax=v
其中，A为系数矩阵，就是一种线性变换，即向量x经过A变换，变成向量v。
同理，2x2线性方程组也可以用矩阵表示。
那么，这个变换呆地是将三维空间（二维平面）挤压成平面或线或点（线或点）等低维空间，还是保持初始状态呢？这就主要看矩阵的行列式了（之前提到过）。
对于二维平面来说：
1.｜A |=0，降维了，不存在A的逆变换，即不能将一条直线解压缩回二维平面。此时要么无解（即没有一个输入向量能够变换到我们给定的输出向量）要么无数解（有无数个输入向量能得到给定输出）。
2.｜A |不等于0，有且仅存在一个向量x，使得方程组成立。
summary：
1.逆变换：只有行列式不为0时，才有逆变换。
2.秩：变换后空间的维数
3.列空间：不管是一条直线、一个平面还是三维空间，所有可能的变换结果的集合，统称为列空间。
应用：矩阵和图像
首先了解下什么是数字图像？ 如下图所示，它只是由一堆像素组成，每个像素都是一种颜色。 像素是图片的一个小元素。 每个像素代表一种颜色，它是三种颜色通道的组合：红色、绿色和蓝色。 通过这些颜色的一百万种组合，我们可以表示任何颜色和任何图像。
在计算机中，图像通常存储为矩阵。 为了表示单通道强度，这里使用 0-255 之间的值。 因此，对于一个彩色图像，用三个 8 位来表示，对于灰度图像，使用 0-255 之间的值来表示灰度强度，其中0表示黑色，255表示白色，只需要 8 位或 1 个字节的数据进行存储。
下面举一个平滑图像的例子。
这里制作一个3x3的矩阵，即过滤器，将这个过滤器在图像矩阵上从左到右、从上到下的移动，并将过滤器矩阵中每一个元素与对应的图像矩阵元素一一相乘，并相加，这称为卷积操作。最终对图像进行了平滑处理。
扫一扫
2052
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
