李沐 《动手学深度学习》学习笔记 (5)第一章 预备知识 第三节 线性代数

1.3 线性代数

1.3.1 标量

#标量由只有一个元素的张量表示
from mxnet import np, npx
npx.set_np()
x = np.array(3.0)
y = np.array(2.0)
x + y, x * y, x / y, x**y
(array(5.), array(6.), array(1.5), array(9.))

1.3.2 向量

x = np.arange(4)
x
array([0., 1., 2., 3.])
len(x)
4
x.shape
(4,)
x = np.array([[0],[1],[2],[3]])
x.shape
(4, 1)

1.3.3 矩阵

A = np.arange(20).reshape(5,4)
A
array([[ 0.,  1.,  2.,  3.],
       [ 4.,  5.,  6.,  7.],
       [ 8.,  9., 10., 11.],
       [12., 13., 14., 15.],
       [16., 17., 18., 19.]])
A.T
array([[ 0.,  4.,  8., 12., 16.],
       [ 1.,  5.,  9., 13., 17.],
       [ 2.,  6., 10., 14., 18.],
       [ 3.,  7., 11., 15., 19.]])

1.3.4 张量

X = np.arange(24).reshape(2,3,4)
X
array([[[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]],

       [[12., 13., 14., 15.],
        [16., 17., 18., 19.],
        [20., 21., 22., 23.]]])

1.3.5 张量算法的基本性质

A = np.arange(20).reshape(5,4)
B = A.copy()
A, A + B
(array([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]]),
 array([[ 0.,  2.,  4.,  6.],
        [ 8., 10., 12., 14.],
        [16., 18., 20., 22.],
        [24., 26., 28., 30.],
        [32., 34., 36., 38.]]))
#两个矩阵按元素乘法称为达哈玛积
A * B, A**2
(array([[  0.,   1.,   4.,   9.],
        [ 16.,  25.,  36.,  49.],
        [ 64.,  81., 100., 121.],
        [144., 169., 196., 225.],
        [256., 289., 324., 361.]]),
 array([[  0.,   1.,   4.,   9.],
        [ 16.,  25.,  36.,  49.],
        [ 64.,  81., 100., 121.],
        [144., 169., 196., 225.],
        [256., 289., 324., 361.]]))
#将张量乘以或者加上一个标量不会改变张量的形状,张量的每个元素都将与标量相乘或相加
a = 2
X = np.arange(24).reshape(2,3,4)
a + X, (a * X).shape
(array([[[ 2.,  3.,  4.,  5.],
         [ 6.,  7.,  8.,  9.],
         [10., 11., 12., 13.]],
 
        [[14., 15., 16., 17.],
         [18., 19., 20., 21.],
         [22., 23., 24., 25.]]]),
 (2, 3, 4))

1.3.6 汇总

x = np.arange(4)
x, x.sum()
(array([0., 1., 2., 3.]), array(6.))
A, A.shape, A.sum()
(array([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.],
        [12., 13., 14., 15.],
        [16., 17., 18., 19.]]),
 (5, 4),
 array(190.))
A_sum_axis0 = A.sum(axis = 0)
A_sum_axis0, A_sum_axis0.shape
(array([40., 45., 50., 55.]), (4,))
A_sum_axis1 = A.sum(axis = 1)
A_sum_axis1, A_sum_axis1.shape
(array([ 6., 22., 38., 54., 70.]), (5,))
A.sum(axis = [0,1]) #沿着行列进行求和
#求平均值
A.mean(), A.sum() / A.size
(array(9.5), array(9.5))
A.mean(axis = 0), A.sum(axis = 0) / A.shape[0]
(array([ 8.,  9., 10., 11.]), array([ 8.,  9., 10., 11.]))
#非汇总求和,在调用函数来计算总和或均值时保持轴数不变
sum_A = A.sum(axis = 1, keepdims = True)
sum_A
array([[ 6.],
       [22.],
       [38.],
       [54.],
       [70.]])
A / sum_A
array([[0.        , 0.16666667, 0.33333334, 0.5       ],
       [0.18181819, 0.22727273, 0.27272728, 0.3181818 ],
       [0.21052632, 0.23684211, 0.2631579 , 0.28947368],
       [0.22222222, 0.24074075, 0.25925925, 0.2777778 ],
       [0.22857143, 0.24285714, 0.25714287, 0.27142859]])
#计算沿着某个轴计算A元素的累积总和
A.cumsum(axis = 0)
array([[ 0.,  1.,  2.,  3.],
       [ 4.,  6.,  8., 10.],
       [12., 15., 18., 21.],
       [24., 28., 32., 36.],
       [40., 45., 50., 55.]])

1.3.7 点积

y = np.ones(4)
x, y, np.dot(x, y), np.sum(x * y)
(array([0., 1., 2., 3.]), array([1., 1., 1., 1.]), array(6.), array(6.))

1.3.8 矩阵-向量积

A.shape, x.shape, np.dot(A, x)
((5, 4), (4,), array([ 14.,  38.,  62.,  86., 110.]))

1.3.9 矩阵-矩阵乘法

B = np.ones(shape = (4,3))
np.dot(A, B)
array([[ 6.,  6.,  6.],
       [22., 22., 22.],
       [38., 38., 38.],
       [54., 54., 54.],
       [70., 70., 70.]])

1.3.10 范数

u = np.array([3,-4])
np.linalg.norm(u)
array(5.)
np.abs(u).sum()
array(7.)
np.linalg.norm(np.ones((4,9)))
array(6.)

你可能感兴趣的:(机器学习)