线性代数,基础知识,温故知新。
定义
向量默认为列向量:
- 矩阵 \mathbf{X} \in \mathbb{R}^{m \times n},表示为:
范数
向量范数
1-范数
各个元素的绝对值之和
2-范数
每个元素的平方和再开平方根
p-范数
- 其中正整数p≥1,并且有 \lim _{p \rightarrow \infty}\|X\|_{p}=\max _{1 \leq i \leq n}\left|x_{i}\right|.
无穷范数
为向量中绝对值最大的元素的值。
矩阵范数
1-范数(列模)
矩阵的每一列上的元素绝对值先求和,再从中取个最大的,(列和最大)
2-范数(谱模):
最大特征值开平方根:
无穷范数(行模):
矩阵的每一行上的元素绝对值先求和,再从中取个最大的,(行和最大)
L0范数:
矩阵的非0元素的个数,通常用它来表示稀疏,L0范数越小0元素越多,也就越稀疏
L1范数:
矩阵中的每个元素绝对值之和,它是L0范数的最优凸近似,因此它也可以近似表示稀疏
F范数:
矩阵的各个元素平方之和再开平方根,它通常也叫做矩阵的L2范数,它的优点在它是一个凸函数,可以求导求解,易于计算
行列式
D=\sum (- 1) ^ {k } a_{1 k_{ 1} } a_{2 k_{2} } \cdots a_ { n k _ { n} }- 表示的是n个n维向量构成的n维平行多面体的体积,该体积有正负,若存在线性相关的向量,行列式为0
- 行列式A中某行(或列)用同一数k乘,其结果等于kA
- 行列式A等于其转置行列式AT(AT的第i行为A的第i列)
- 行列式A中两行(或列)互换,其结果等于-A
- 把行列式A的某行(或列)中各元同乘一数后加到另一行(或列)中各对应元上,结果仍然是A
方阵的迹
- 方阵\mathbf{A}=\left(a_{i, j}\right)_{n \times n}的迹,记作\operatorname{tr}(\mathbf{A}),对角线元素之和,也等于特征值的和:
向量积
点积**(Dot Product)**
对应元素乘积和,结果不是一个向量,而是一个标量(Scalar)
叉乘(cross product)
三维向量的叉积:
用三阶行列式表示
其中\overrightarrow{\mathbf{i}}, \overrightarrow{\mathbf{j}}, \overrightarrow{\mathbf{k}}分别为x, y, z轴的单位向量。
- \overrightarrow{\mathbf{u}}, \overrightarrow{\mathbf{v}}的叉积垂直于\overrightarrow{\mathbf{u}}, \overrightarrow{\mathbf{v}}构成的平面,其方向符合右手规则
- 叉积的模等于\overrightarrow{\mathbf{u}}, \overrightarrow{\mathbf{v}}构成的平行四边形的面积
向量的并矢
给定两个向量 \overrightarrow{\mathbf{x}}=\left(x_{1}, x_{2}, \cdots, x_{n}\right)^{T}, \overrightarrow{\mathbf{y}}=\left(y_{1}, y_{2}, \cdots, y_{m}\right)^{T} ,则向量的并矢记作:
也记作\overrightarrow{\mathbf{x}} \otimes \overrightarrow{\mathbf{y}}或者\overrightarrow{\mathbf{x}} \overrightarrow{\mathbf{y}}^{T}。
矩阵运算
给定两个矩阵\mathbf{A}=\left(a_{i, j}\right) \in \mathbb{R}^{m \times n}, \mathbf{B}=\left(b_{i, j}\right) \in \mathbb{R}^{m \times n} ,定义:
阿达马积(Hadamard product)(又称作逐元素积)
克罗内积(Kronnecker product)
偏导数
- 标量对标量的偏导数:\frac{\partial u}{\partial v} 。
- 标量对向量( n 维向量)的偏导数 : \frac{\partial u}{\partial \overrightarrow{\mathbf{v}}}=\left(\frac{\partial u}{\partial v_{1}}, \frac{\partial u}{\partial v_{2}}, \cdots, \frac{\partial u}{\partial v_{n}}\right)^{T}。
- 标量对矩阵( m \times n阶矩阵)的偏导数:
- 向量( m维向量)对标量的偏导数:\frac{\partial \overrightarrow{\mathbf{u}}}{\partial v}=\left(\frac{\partial u_{1}}{\partial v}, \frac{\partial u_{2}}{\partial v}, \cdots, \frac{\partial u_{m}}{\partial v}\right)^{T} 。
- 向量( m维向量)对向量 ( n维向量) 的偏导数(雅可比矩阵,行优先)如果为列优先,则为矩阵的转置。
- 矩阵( m \times n阶矩阵)对标量的偏导数
参考资料