Vectors, Matrices and Tensors 在papers中的常规约定
来源:互联网 发布:软件退税流程图 编辑:程序博客网 时间:2024/06/03 21:58
最近看KDD,NIPS很兴奋,可是一些基础notations来说wiki来回很费时间,遂稍作总结(refers to Bengio–Deep Learning-chapter2)
vectors(lowercase)
如果n维向量的每个元素属于
x_{-1}表示向量x除去第一个元素的结果
x_{-S}表示向量x除去S集合中所有元素的结果
matrices(uppercase)
实矩阵表示方法:
转置(transpose),斜对角线翻转,表述为
论文里常用
multiply
1.矩阵乘积 C=AB
2.element-wise product/Hadamard product 表示为
3.dot product 表示为
4.
只谈论文常规表述,性质不细谈的说
5.一个基础notation,
6.Inversion
当A存在inversion时,可以利用这个条件近似很多问题,但实操很少用,因为精度有限(在解决问题5时),未满秩序时不止一个solution
order
- linear dependence 该向量不可被其他行向量线性表达
- 对于问题5有界的第二个sufficient condition是,A的linear dependence需要大于len(b)
3.singular–奇异矩阵 为了使问题5有唯一解,使A∈ℝm×n 的m=n,st.(每一阶linear dependence)。满足此二条约束的矩阵为奇异矩阵.满足奇异矩阵,可用inversion解问题5
norms
null
papers常用norms细致描述dot product以突出距离关系,比如:
others
1.Diagonal matrices(对角矩阵),identity matrix是diagonal的,呵呵
2.
3.对角矩阵是深度学习一个trick,因为计算方便,比如
4.symmetric matrix 满足
5.unit vector(单位向量),满足单位范式
6.orthogonal 向量正交性质
orthogonal matrix (正交矩阵)行相乘为0,列相乘为0
得到一个很重要方法
decomposition
降维/推荐系统/特征抽取必备
1.eigendecomposition 特征值分解
其中分别为特征值,特征向量
2.Singular Value Decomposition 奇异值分解,即factorize这个A得到奇异值和奇异矩阵(注意与第一条对应)
3.Singular Value Decomposition比eigendecomposition更泛用,可以想象一下一个matrix分解为singular的可行性远大于eigen!(考虑矩阵非square的情形)
具体不表
Moore-Penrose Pseudoinverse
广义逆…最近老看到这玩意,
Trace Operator
迹
一个矩阵的diagonal entries的sum
大规模机器学习上trace很有用
Determinant
行列式,notation为det(A),转为标量,
eigenvalues的所有乘积,此指标能感性判断矩阵的contracted的能力
即这个矩阵volume-preserving的程度.
- Vectors, Matrices and Tensors 在papers中的常规约定
- Matrices and Vectors
- Lesson 2 Matrices and vectors
- Empty Matrices, Scalars, and Vectors
- MRPT学习笔记----Matrices and Vectors
- Stanford机器学习-Matrices and vectors
- Mining Graphs and Tensors
- python在spark中的Vectors的运用
- Tensors
- diference between support vectors and boundary vectors.
- [R] creating matrices from vectors by adding a dimension attribute
- Tables, Matrices, and Lists
- Shifting and Sorting Matrices
- Creating and Concatenating Matrices
- Resizing and Reshaping Matrices
- projection and view matrices
- physx中的inertia tensors(惯性张量)
- n_multiple vectors and linearly independent
- 文章标题
- 自定义VIew之圆形百分比效果
- linux mips内核启动流程
- java生成word的几种方案
- Markdown 语法说明 (简体中文版)
- Vectors, Matrices and Tensors 在papers中的常规约定
- Java爬虫到一些总结和心得
- 10021---大众点评订单分库分表实践之路
- 【代码管理】GitHub超详细图文攻略 - Git客户端下载安装 GitHub提交修改源码工作流程 Git分支 标签 过滤 Git版本工作流
- 卷积理解与思考
- 【干货】一行代码实现自定义转场动画
- 使用FullCalendar做一个自己的日程管理(三)- 持久化篇
- 【Bootstrap3】モーダルに「data-*」属性でデータを渡す
- TortoiseGit使用指南