http://blog.csdn.net/u011239443/article/details/77942575
在numpy中,可以用以下方式生成各种维度的张量:
>>> import numpy as np ## 生成元素全为0的二维张量,两个维度分别为3,4 >>> np.zeros((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]) ## 生成三维的随机张量,三个维度分别为2,3,4 >>> np.random.rand(2,3,4) array([[[ 0.93187582, 0.4942617 , 0.23241437, 0.82237576], [ 0.90066163, 0.30151126, 0.89734992, 0.56656615], [ 0.54487942, 0.80242768, 0.477167 , 0.6101814 ]], [[ 0.61176321, 0.11454075, 0.58316117, 0.36850871], [ 0.18480808, 0.12397686, 0.22586973, 0.35246394], [ 0.01192416, 0.5990322 , 0.34527612, 0.424322 ]]])
## 生成包含5个元素的向量x并将其转置 >>> x = np.arange(5).reshape(1,-1) >>> x array([[0, 1, 2, 3, 4]]) >>> x.T array([[0], [1], [2], [3], [4]]) ## 生成3*4的矩阵并转置 >>> A = np.arange(12).reshape(3,4) >>> A array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) >>> A.T array([[ 0, 4, 8], [ 1, 5, 9], [ 2, 6, 10], [ 3, 7, 11]]) ## 生成2*3*4的张量 >>> B = np.arange(24).reshape(2,3,4) >>> B 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]]]) ## 将B的01两个维度转置 >>> B.transpose(1,0,2) array([[[ 0, 1, 2, 3], [12, 13, 14, 15]], [[ 4, 5, 6, 7], [16, 17, 18, 19]], [[ 8, 9, 10, 11], [20, 21, 22, 23]]])
>>> A = np.arange(6).reshape(3,2) >>> B = np.arange(6).reshape(2,3) >>> A array([[0, 1], [2, 3], [4, 5]]) >>> B array([[0, 1, 2], [3, 4, 5]]) >>> np.matmul(A,B) array([[ 3, 4, 5], [ 9, 14, 19], [15, 24, 33]])
>>> A = np.arange(6).reshape(3,2) >>> A*A array([[ 0, 1], [ 4, 9], [16, 25]]) >>> A + A array([[ 0, 2], [ 4, 6], [ 8, 10]]) >>> A + A array([[ 0, 2], [ 4, 6], [ 8, 10]])
>>> np.eye(4) array([[ 1., 0., 0., 0.], [ 0., 1., 0., 0.], [ 0., 0., 1., 0.], [ 0., 0., 0., 1.]])
>>> A = np.arange(4).reshape(2,2) >>> A array([[0, 1], [2, 3]]) >>> np.linalg.inv(A) array([[-1.5, 0.5], [ 1. , 0. ]])
如果一组向量中的任意一个向量都不能表示成其他向量的线性组合,那么这组向量被称为线性无关。
在机器学习中,我们经常使用被称为范数(norm)的函数衡量向量大小:
有时候我们可能也希望衡量矩阵的大小。在深度学习中,最常见的做法是使 用Frobenius 范数(Frobenius norm):
对角矩阵(diagonal matrix)只在主对角线上含有非零元素,其他位置都是零。
如果这些向量不仅互相正交,并且范数都为 1,那么我们称它们是标准正交(orthonormal)。
行列式,记作 det(A),是一个将方阵 A 映射到实数的函数。行列式等于矩阵特征值的乘积。行列式的绝对值可以用来衡量矩阵参与矩阵乘法后空间扩大或者缩小了多少。如果行列式是 0,那么空间至少沿着某一维完全收缩了,使其失去了所有的体积。如果行列式是 1,那么这个转换保持空间体积不变。 行列式通常使用迹运算来求解。
本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。
我来说两句