向量和矩阵中有内积、外积等运算,但由于Outer Product和Exterior Product中文翻译都是“外积”。
Outer Product是线性代数中的外积(WikiPedia: Outer Product),也就是张量积 ;
Exterior Product是解析几何中的外积(WikiPedia: Exterior Algebra),又叫叉乘(WikiPedia: Cross Product),即两个向量的法向量,一般用在三维空间。
1、向量内积(Inner product) :
A·B,,得到一个数
这个最好理解,又叫向量点乘,也叫向量的内积、数量积。顾名思义,求下来的结果是一个数.
向量a·向量b=|a||b|cos
在物理学中,已知力与位移求功,实际上就是求向量F与向量s的内积,即要用点乘。
2、Outer Product
又称张量积,例如线性代数中一列乘一行得到的一个矩阵,两个向量的Outer Product是一个矩阵
一般写作 aⓧb
注意:np中多维向量的外积都是先拉平,再求外积,如下(和矩阵外积有区别):
3、Exterior Product
(即中学课本常见的“外积”):
又称作叉乘,如下图所示,写作 a X b,几何意义为两个向量的法向量
4、矩阵外积(升维运算)
5、 矩阵内积:
一般认为,矩阵内积是矩阵对应元素成绩之和,类似于CNN的卷积。
6、矩阵元素积(element-wise product, point-wise product, Hadamard product)
一般指Hadamard product(哈达玛积),如下所示:一般写作:A⊙B
elementwise multiplication 直白翻译过来就是元素的智能乘积。例如 v⊙w=s表示对每一个输入向量 v乘以一个给定的“权重” w向量。换句话说,就是通过一个乘子对数据集的每一列进行缩放。这个转换可以表示为如下的形式:
7、矩阵点积dot product
点积(dot product),也称内积(inner product),标量积(scalar product)
符号:A.B,,和矩阵内积一样,对应元素相乘之和(有的地方可能把dot product计算为按照元素相乘后的矩阵,类似于按元素乘法,要根据具体情况和代码来分析,这块概念太杂了),要求两个矩阵大小一样。
1.向量点积。变成一个数。
2.矩阵点积。是每行每列的点积的矩阵
1.1 引例导入
引例:利用前馈神经网络(FFN)解决在空缺位置填充单词问题
FFN:Input:一个单词(一个向量表示一个单词)
Output:输入单词属于空缺位置的概率分布
FNN缺点:神经网络没有记忆力,不考虑上下文,对于不同性质的空缺位置,输入单词的概率分布是相同的。
比如:第一句中Taipei是目的地,而在第二句中是出发地,那么在这两个空缺的地方,Taipei出现的概率不一定是相同的,而利用FNN计算之后Taipei的概率分布始终是不变的,不符合语义.
RNN:拥有记忆力,考虑上下文内容,相同输入不同概率分布输出的神经网络;
隐藏层的输出存储在内存中,网络的输入不光考虑原始的输入也要考虑隐藏层的输出;
换句话说就是将隐藏层的输出同时作为输入,影响输出.
条件:所有权重w均为1;没有偏差bias;所有激活函数均为线性函数.
每次的计算都能存到蓝色框里面,然后在下次的计算里面考虑进去(这里是进行简单的相加)。
如果改变输入序列的顺序就会改变输出结果,说明RNN会考虑输入数据的顺序问题,在预测当前结果时,也包括了之前的信息。
RNN分类:
Elman Network :将隐藏单元的输出作为下一次预测的输入
Jordan Network:将上一次的预测输出作为下一次预测的输入
由于中间隐藏层输出结果相对来是不可控,最后的输出结果更有意义,相对来说我们知道memory存的是什么信息,所以 Jordan Network比Elman Network性能更好.
比较长的短期记忆
3个门 4输入 1输出
LSTM:一个单元中,有4个输入和1个输出,4个输出=3个控制信号和1个输入
组成成分:
Input Gate:控制input数据输入
Forget Gate:控制是否保存中间结果
Output Gate:控制output数据输出
输入:2维
输出:1维
控制门信号:
原始神经网络和LSTM网络联系
原始神经网络结构如图:
LSTM结构:用LSTM代替神经网络的神经元;
输入乘以4组参数,作为输入进行计算.