线代回顾
来源:互联网 发布:阿里标题优化工具 编辑:程序博客网 时间:2024/05/16 11:53
- Basic Concepts and Notation
- Basic Notation
- Matrix Multiplication
- Operations and Properties
- The Identity Matrix and Diagonal Matrices
- The Transpose
- Symmetric Matrices
- The Trace
- Norms
- Linear Independence and Rank
- The Inverse
- Orthogonal Matrices
- Range and Nullspace of a Matrix
- The Determinant
- Quadratic Forms and Positive Semidefinite Matrices
- Eigenvalues and Eigenvectors
- Matrix Calculus
- The Gradient
- The Hessian
- Gradients and Hessians of Quadratic and Linear Functions
- Least Squares
- Gradients of the Determinant
- Eigenvalues as Optimization
Basic Concepts and Notation
线性代数提供了表达线性等式的一种简明方法。比如如下方程:
在矩阵表示中,可以将这个系统表示为
Basic Notation
介绍了一些基本的表示。
Matrix Multiplication
介绍了矩阵乘法以及一些基本性质。
Operations and Properties
The Identity Matrix and Diagonal Matrices
单位矩阵(identity matrix)表示为
对角线矩阵(diagonal matrix)表示为
The Transpose
矩阵的转置(transpose),将交换矩阵的行与列。给定一个矩阵
性质:
(AT)T=A (AB)T=BTAT (A+B)T=AT+BT
Symmetric Matrices
对矩阵
则对于任意
通常将所有大小为
The Trace
对于一个方阵
其性质如下:
- 对于
A∈Rn∗n,trA=trAT 。 - 对于
A,B∈Rn∗n,tr(A+B)=trA+trB 。 - 对于
A∈Rn∗n,t∈R,tr(tA)=t∗trA 。 - 对于矩阵
A,B ,AB 是方阵,trAB=trBA - 对于矩阵
A,B,C ,ABC 是方阵,则trABC=trBCA=trCAB 。依此类推到更多矩阵。
Norms
一个向量的范数(norm)可以定义为任意一个满足如下性质的函数
- 对于所有
x∈Rn ,f(x)≥0 。(non-negativity) - 当且仅当
x=0 ,f(x)=0 。(definiteness) - 对于所有
x∈Rn ,t∈R ,f(tx)=|t|f(x) 。(homogeneity) - 对于所有
x,y∈Rn ,f(x+y)≤f(x)+f(y) 。(triangle inequality)
范数也可以定于与矩阵,比如frobenius范数,
Linear Independence and Rank
对于一个向量集合
对于一个矩阵
- 对于
A∈Rm∗n ,rank(A)≤min(m,n) 。如果rank(A)=min(m,n) ,称AA 为满秩。 - 对于A \in R^{m*n}
A∈Rm∗n ,rank(A)=rank(A^T)rank(A)=rank(AT) 。 - 对于A \in R^{m*n},B\in R^{n*p}
A∈Rm∗n,B∈Rn∗p ,rank(AB)≤min(rank(A),rank(B)) 。 - 对于
A,B∈Rm∗n ,rank(A+B)≤rank(A)+rank(B) 。
The Inverse
矩阵
并非所有矩阵都有逆,非方阵就没有逆。但并非所有方阵都有逆。
对于逆存在的矩阵
对于一个可逆矩阵
对于非奇异矩阵
(A−1)−1=A 。(AB)−1=B−1A−1 。(A−1)T=(AT)−1 ,因此也写做A−T 。
Orthogonal Matrices
对于一个向量
对于两个向量
对于一个方阵
在一个向量
Range and Nullspace of a Matrix
向量
向量
矩阵
假设
这个方程几乎和最小二乘法推导出的一样。由投影的定义可知,其与最小二乘法的目标是一样的。
矩阵
The Determinant
方阵
行列式的性质有:
|I|=1 。∣∣∣∣∣∣−taT1−−aT2−...−aTm−∣∣∣∣∣∣=t|A| 。∣∣∣∣∣∣−aT2−−aT1−...−aTm−∣∣∣∣∣∣=−|A| 。
对于
矩阵
对于任何非奇异矩阵
Quadratic Forms and Positive Semidefinite Matrices
方阵
正定(positive definite):对于一个对称矩阵
半正定(positive semi-definite):对于一个对称矩阵
负定(negative definite):对于一个对称矩阵
半负定(negative semi-definite):对于一个对称矩阵
未定义(indefinite),即不正定也不负定。
显然如果
Eigenvalues and Eigenvectors
对于方阵
由
其性质有:
trA=∑ni=1λi 。|A|=∏ni=1λi 。rank(A) 为A 的非0特征值数。- 如果
A 非奇异,则1/λi 是A−1 的特征值。
Matrix Calculus
一些基本的矩阵微积分的定义。
The Gradient
假设
有如下性质:
∇x(f(x)+g(x))=∇xf(x)+∇xg(x) 。- 对于
t∈R,∇x(tf(x))=t∇xf(x) 。
The Hessian
假设
海森(Hessian)矩阵定义为:
其中
Gradients and Hessians of Quadratic and Linear Functions
对
对于二次函数
因此,可以总结如下:
∇xbTx=b 。∇xxTAx=2Ax (if A symmetric)。∇2xxTAx=2A (if A symmetric)。
Least Squares
Gradients of the Determinant
由于
Eigenvalues as Optimization
有如下问题
由拉格朗日法,可得
- 线代回顾
- 迭代回顾
- 团队敏捷实践:迭代回顾会议
- 线代
- 线代
- 线代
- 保时捷917/7代911实拍回顾
- 线代02
- 飞花的线代
- 线代理解
- 线代笔记1
- 线代笔记2
- 线代笔记3
- 线代笔记4
- 线代----矩阵乘法
- 线代笔记
- 飞花的线代
- 线代 [矩阵]
- Java集合——容器
- 创建windows开机自启动方法
- SAP以创新提升极限帆船赛
- 读thinking in java笔记(二):操作符
- XSS攻击防御的filter实现
- 线代回顾
- 关于mysql的一些事一些情
- React Native调试插件
- 代码片段
- ViewPager引导页实现跟随式小圆点
- ffmpeg在线课程
- Android的onCreateOptionsMenu()创建菜单Menu详解
- 程序员跳槽的10个建议
- win8连接VPN