开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

与复数相关的点积

是指在复数领域中两个复数之间进行的一种运算。点积也称为内积、数量积或标量积。

在复数领域中，点积的定义是将两个复数的实部和虚部分别相乘，并将结果相加。具体地，设复数𝑎 = 𝑎_1 + 𝑎_2𝑖和复数𝑏 = 𝑏_1 + 𝑏_2𝑖，则它们的点积𝑎·𝑏的计算如下：

𝑎·𝑏 = (𝑎_1 + 𝑎_2𝑖) · (𝑏_1 + 𝑏_2𝑖) = 𝑎_1·𝑏_1 + 𝑎_1·𝑏_2𝑖 + 𝑎_2𝑖·𝑏_1 + 𝑎_2𝑖·𝑏_2𝑖 = 𝑎_1·𝑏_1 + (𝑎_1·𝑏_2 + 𝑎_2·𝑏_1)𝑖 + (−𝑎_2·𝑏_2)

在点积的计算中，实部和虚部分别相乘得到的结果是标量，而虚部和虚部相乘得到的结果为负数。

与复数相关的点积在数学和信号处理领域中具有广泛的应用，如复数向量的相似度计算、复数信号的相关性分析等。在计算机图形学中，点积在计算光照效果、投影变换等方面也有应用。

腾讯云提供了弹性伸缩服务（Auto Scaling），用于帮助用户根据业务负载自动调整云服务器的数量，从而提高资源利用率和应用性能。详细信息请查看：https://cloud.tencent.com/product/as

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

四元数Quaternion的基本运算

在前面一篇文章中我们介绍了欧拉角死锁问题的一些产生背景，还有基于四元数的求解方案。四元数这个概念虽然重要，但是很少会在通识教育课程中涉及到，更多的是一些图形学或者是工程学当中才会进行讲解。本文主要是面向四元数，相比上一篇文章更加详细的介绍和总结一下四元数的一些运算法则，还有基于四元数的插值法。

01

※【python自学】7个Python生态系统核心库，你值得拥有

无论你是想快速入手Python，还是想成为数据分析大神或者机器学习大佬，亦或者对Python代码进行优化，本文的python库都能为你提供一些帮助。

01

FHOG传统hog特征提取。FHOG

关于HOG特征（梯度统计直方图）简单介绍一下，首先是对原图进行灰度化（hog统计的是梯度信息，色彩几乎没有贡献），再进行gamma压缩和归一化（减轻光照影响）。然后进行统计，首先是统计每个cell（代码里用的是4_4）里的梯度（包括大小和方向，大小用来加权方向）统计直方图，再把几个cell合并成一个block，作为这个block的hog的特征，并对这个特征进行归一化处理，可以进一步减轻光照影响。合并成block的时候有两种方式，一种overlap一种non-overlap的，就是分块之间是否有重叠，各有优缺点，没有重叠速度快，但是可能由于连续的图像没有分到一个block里降低特征的描述能力，有重叠的就可以很好的解决这个问题，但是会带来运算开支加大。如图，是一个11_9的图像，我们把橙色的3_3当作一个cell，统计其中的梯度方向并用幅值加权，假设我们分为9个方向，这样的话每个cell中可以得到9个特征，蓝色（2_2个cell）作为一个block，则每个block就会得到4_9=36个特征，这些特征是按照顺序串联起来的（保证空间特征），如果是overlap的话（边界不够一个block的舍弃），那么行方向可以有2个block，列方向也是有2个block，这样就会得到2_2_36=144维的一个特征，可以发现特征的维度还是很大的。

06

【数学家】通俗易懂的傅立叶级数理解

我们知道泰勒展开式就是把函数分解成1，x,x^2,x^3....幂级数（指数）的和。

04

transformer面试题的简单回答

此文章为我在实验室带的实习生李潜所写，个人看了写得不错，要吐槽的请留下正确解答和建设性意见。

01

从零复现Llama3代码库爆火，大神Kapathy一键三连，GitHub狂揽2k+

让大神Andrej Karpathy一键三连❤️（点赞+转发+评论），一个教你从头开始实现Llama3的代码库爆火。

01

NumPy之:ndarray中的函数

在NumPy中，多维数组除了基本的算数运算之外，还内置了一些非常有用的函数，可以加快我们的科学计算的速度。

04

NumPy之:ndarray中的函数

在NumPy中，多维数组除了基本的算数运算之外，还内置了一些非常有用的函数，可以加快我们的科学计算的速度。

01

NumPy之:ndarray中的函数

在NumPy中，多维数组除了基本的算数运算之外，还内置了一些非常有用的函数，可以加快我们的科学计算的速度。

02

numpy总结

numpy的功能: 提供数组的矢量化操作，所谓矢量化就是不用循环就能将运算符应用到数组中的每个元素中。提供数学函数应用到每个数组中元素提供线性代数，随机数生成，傅里叶变换等数学模块 numpy数组操作 numpy.array([],dttype=)生成ndarry数组,dttype指定存储数据类型 numpy.zeros((3,4))生成指定元素0的3行4列矩阵。 numpy.reshape((2,2))转换数组阵维数为2行2列 numpy.ara

02

从DTFT到DFS，从DFS到DFT，从DFT到FFT，从一维到二维

因为要移植CSK得写快速傅里叶变换的算法，还是二维的，以前在pc平台上只需调用库就可以了，只是有点印象原信号和变换之后代表的是什么，但是对于离散傅里叶变换的来龙去脉忘得已经差不多了，最近要用到，于是重新来学习一遍，翻出了自己大三当时录的吴镇扬老师讲的数字信号处理的视频，DFT-FFT这里老师讲了有10讲之多，但每讲都不是很长，20分钟左右，这里记录一下学习的过程，前面的推导有点多，简书又打不了公式，mathtype的直接复制也不过来，截图又太麻烦，也为了自己再推导一遍，手写了前面一部分的内容。图片形式传上来。简单说几句：DTFT有了之后为什么还要搞出来一个DFT呢，其根本原因就是因为DTFT的频域是连续的，无法用计算机进行处理。根据我们之前得到的的傅里叶变换的规律：

04

常用的相似度度量总结：余弦相似度，点积，L1，L2

相似性度量在机器学习中起着至关重要的作用。这些度量以数学方式量化对象、数据点或向量之间的相似性。理解向量空间中的相似性概念并采用适当的度量是解决广泛的现实世界问题的基础。本文将介绍几种常用的用来计算两个向量在嵌入空间中的接近程度的相似性度量。

03

Numpy 使用教程--Numpy 数学函数及代数运算

如果你使用 Python 语言进行科学计算，那么一定会接触到 Numpy。Numpy 是支持 Python 语言的数值计算扩充库，其拥有强大的高维度数组处理与矩阵运算能力。除此之外，Numpy 还内建了大量的函数，方便你快速构建数学模型。

02

【转】Numpy 数学函数及代数运算

如果你使用 Python 语言进行科学计算，那么一定会接触到 Numpy。Numpy 是支持 Python 语言的数值计算扩充库，其拥有强大的高维度数组处理与矩阵运算能力。除此之外，Numpy 还内建了大量的函数，方便你快速构建数学模型。

02

ICLR 2019 | 与胶囊网络异曲同工：Bengio等提出四元数循环神经网络

由于具备学习高度复杂的输入到输出映射的能力，在过去的几年里，深度神经网络（DNN）在多个领域取得了广泛的成功。在各种基于 DNN 的模型中，循环神经网络（RNN）非常适合处理序列数据，它在每个时间步上创建一个向量，用来编码输入向量之间的隐藏关系。深度 RNN 近来被用来获取语音单元序列（Ravanelli et al., 2018a）或文本词序列（Conneau et al., 2018）的隐藏表征，在许多语音识别任务中取得了当前最佳性能（Graves et al., 2013a;b; Amodei et al., 2016; Povey et al., 2016; Chiu et al., 2018）。然而，最近的许多基于多维输入特征的任务（如图像的像素、声学特征或 3D 模型的方向）需要同时表征不同实体之间的外部依赖关系和组成每个实体的特征之间的内部关系。而且，基于 RNN 的算法通常需要大量参数才能表征隐藏空间中的序列数据。

02

机器学习数学基础：点积和欧几里得空间

容易验证，这个内积的形式也符合内积的公理，所以就构成了一个内积空间。这个内积空间，也就是我们常说的欧几里得空间（简称：欧氏空间，Euclidean space）。

02

Python：numpy总结(4)

31、chr函数，获取指定的字符例子： #获取指定的字符for i in range(65,70): print str(chr(i)) 结果： A BCDE 32、random.shuffle 例子： ll=range(9)#返回列表print ll #shuffle函数随机打乱列表中的元素顺序print random.shuffle(ll) print ll 结果： [0, 1, 2, 3, 4, 5, 6, 7, 8] None [8, 5, 1, 4, 2,

09

图解Transformer——注意力计算原理

注意力模块（Attention module）存在于每个Encoder及Decoder中。放大编码器的注意力：

01

Python-Numpy多维数组 -- 矩阵库、线性代数、绘图库Matplotlib

NumPy 包包含一个 Matrix库numpy.matlib。此模块的函数返回矩阵而不是返回ndarray对象。

03

信号时域和频域相关原理

看到一篇有关于信号相关、卷积的文章，感觉写的很好，借鉴一下，记录一下信号相关性的知识。

01

向量的点乘和叉乘[通俗易懂]

在数学中，数量积（dot product; scalar product，也称为点积）是接受在实数R上的两个向量并返回一个实数值标量的二元运算。它是欧几里得空间的标准内积。

01

独家 | Transformer的可视化理解——深入本质探索其优良表现的原因（附链接）

作者：Ketan Doshi 翻译：欧阳锦校对：和中华本文约3800字，建议阅读10分钟本文通过可视化的方式清晰地展示了Transformer的工作本质，并从本质中探索了它具有优良表现的原因。

03

解密Kernel：为什么适用任何机器学习算法？

本文探讨的不是关于深度学习方面的，但可能也会涉及一点儿，主要是因为 Kernel（内核）的强大。Kernel 一般来说适用于任何机器学习算法，你可能会问为什么，我将在文中回答这个问题。

03

线代矩阵问题

Python中含有丰富的库提供我们使用，学习数学分支线性代数时，矩阵问题是核心问题。Numpy库通常用于python中执行数值计算，并且对于矩阵操作做了特殊的优化，numpy库通过向量化避免许多for循环来更有效地执行矩阵操作。本文针对矩阵的部分问题使用numpy得到解决。

03

Python|线代矩阵问题

Python中含有丰富的库提供我们使用，学习数学分支线性代数时，矩阵问题是核心问题。Numpy库通常用于python中执行数值计算，并且对于矩阵操作做了特殊的优化，numpy库通过向量化避免许多for循环来更有效地执行矩阵操作。本文针对矩阵的部分问题使用numpy得到解决。

03

向量空间相关概念总结-点积

余玄定理这是一个高中知识，证明过程直接百度百科吧，直接发结论：夹角如果是90°的时候就是勾股定理了向量中的余玄定理：定理向量的长度上面余玄定理中坐标点好说，一般都是已知量，那向量的长

02

深度剖析Transformer核心思想 "Attention Is All You Need"

在这篇博文中，我将讨论本世纪最具革命性的论文“Attention Is All You Need”。首先，我将介绍自注意力机制，然后转向 Transformer 的架构细节。注意力模型使用 2 个 RNN 和一个注意力机制来为编码器的隐藏状态分配权重。在《Attention is all you need》这篇论文中，作者去掉了所有的 RNN。他们引入了一种不使用递归的新架构，而是完全依赖于自注意力机制。先解释一下什么是self-attention机制

02

Unity 点乘和叉乘的原理和使用

Unity当中经常会用到向量的运算来计算目标的方位，朝向，角度等相关数据，下面咱们来通过实例学习下Unity当中最常用的点乘和叉乘的使用。

01

傅里叶变换理论与应用

$$ \begin{array}{l} \int_{-l}^{l} \cos \frac{n \pi x}{l} \cos \frac{m \pi x}{l} \mathrm{~d} x &=&\frac{1}{2} \int_{-l}^{l} \cos \frac{(n+m) \pi x}{l}+\cos \frac{(n-m) \pi x}{l} \mathrm{~d} x \\ &=&\left.\left(\frac{l}{2(n+m) \pi} \sin \frac{(n+m) \pi x}{l}+\frac{l}{2(n-m) \pi} \sin \frac{(n-m) \pi x}{l}\right)\right|_{-l} ^{l} \\&=&0 \end{array} $$

08

支持向量机入门简介

我们会通过分享有用的图书馆和资源而不是用复杂的数学知识来带你入门 SVM 。

09

双塔模型没效果了？请加大加粗！

很多研究表明，双塔在一个域表现不错，在其他域表现不好了。一个广泛被认同的观点就是双塔仅仅用了最后一层的点积算分，这限制了模型的召回能力。这篇论文<Large Dual Encoders Are Generalizable Retrievers>就否认了这个观点，通过扩展双塔的网络，就能提升模型对各个召回任务的效果，特别是那些跨域的。实验结果表明，该论文提出的Generalizable T5-based dense Retrievers(GTR)在BEIR数据集上显著优于现存的一些召回模型。

04

详解Python中的算术乘法、数组乘法与矩阵乘法

（2）列表、元组、字符串这几种类型的对象与整数之间的乘法，表示对列表、元组或字符串进行重复，返回新列表、元组、字符串。

03

第4章-变换-4.3-四元数

尽管四元数早在1843年就由William Rowan Hamilton爵士发明，作为复数的扩展，但直到1985年Shoemake[1633]才将它们引入计算机图形领域

07

向量内积_向量的内积和外积公式

在数学中，数量积（dot product; scalar product，也称为点积）是接受在实数R上的两个向量并返回一个实数值标量的二元运算。它是欧几里得空间的标准内积。 [1]

02

原创 | 一文读懂Transformer

作者：陈之炎本文约3500字，建议阅读7分钟Transformer 是第一个完全依赖于自注意力机制来计算其输入和输出的表示的转换模型。主流的序列到序列模型是基于编码器-解码器的循环或卷积神经网络，注意力机制的提出，优化了编解码器的性能，从而使得网络性能达到最优。利用注意力机制构建出新的网络架构Transformer, 完胜了循环或卷积神经网络。Transformer 是第一个完全依赖于自注意力机制来计算其输入和输出的表示的转换模型。Transformer可以并行训练，训练时间更短。 1 Transfor

01

Transformer 模型：入门详解（1）

众所周知，transformer 架构是自然语言处理 (NLP) 领域的一项突破。它克服了 seq-to-seq 模型（如 RNN 等）无法捕获文本中的长期依赖性的局限性。事实证明，transformer 架构是 BERT、GPT 和 T5 及其变体等革命性架构的基石。正如许多人所说，NLP 正处于黄金时代，可以说 transformer 模型是一切的起点。

01

图深度学习入门教程（一）——基础类型

主要是基于图深度学习的入门内容。讲述最基本的基础知识，其中包括深度学习、数学、图神经网络等相关内容。该教程由代码医生工作室出版的全部书籍混编节选而成。偏重完整的知识体系和学习指南。在实践方面不会涉及太多基础内容 (实践和经验方面的内容，请参看原书)。

03

点积与叉积

如果a和b都是单位向量，那么点积的结果就是其夹角的cos值。

02

前沿 | MIT开发神经网络专用芯片：能耗降低95%，适合移动端设备

选自MIT News 作者：Larry Hardesty 机器之心编译参与：路雪、刘晓坤近日，MIT 研究人员开发了一种专用芯片，可以提高神经网络计算的速度，比之前的芯片速度提升三到七倍，同时将能耗降低 93% - 96%。这使得在智能手机本地运行神经网络，甚至在家用电器上嵌入神经网络变成可能。相关论文已投中 ISSCC。人工智能系统近期的进展，如语音或人脸识别都受到神经网络的支持，简单信息处理器深度互联，通过分析大量训练数据来学习执行任务。但是神经网络规模很大，计算能耗高，因此它们不适合用于手持

07

我的机器学习线性代数篇观点向量矩阵行列式矩阵的初等变换向量组线性方程组特征值和特征向量几个特殊矩阵QR 分解（正交三角分解）奇异值分解向量的导数

前言：线代知识点多，有点抽象，写的时候尽量把这些知识点串起来，如果不行，那就两串。其包含的几大对象为：向量，行列式，矩阵，方程组。观点核心问题是求多元方程组的解，核心知识：内积、秩、矩阵求逆，应用：求解线性回归、最小二乘法用QR分解，奇异值分解SVD，主成分分析（PCA）运用可对角化矩阵向量基础向量：是指具有n个互相独立的性质(维度)的对象的表示，向量常使用字母+箭头的形式进行表示，也可以使用几何坐标来表示向量。单位向量：向量的模、模为一的向量为单位向量内积又叫数量积

04

线性回归模型中的正规方程推导

本文对吴恩达老师的机器学习教程中的正规方程做一个详细的推导，推导过程中将涉及矩阵和偏导数方面的知识，比如矩阵乘法，转值，向量点积，以及矩阵（或向量）微积分等。

04

向量数据库｜一文全面了解向量数据库的基本概念、原理、算法、选型

向量数据库的原理和实现，包括向量数据库的基本概念、相似性搜索算法、相似性测量算法、过滤算法和向量数据库的选型等等。向量数据库是崭新的领域，目前大部分向量数据库公司的估值乘着 AI 和 GPT 的东风从而飞速的增长，但是在实际的业务场景中，目前向量数据库的应用场景还比较少，抛开浮躁的外衣，向量数据库的应用场景还需要开发者们和业务专家们去挖掘。

后BERT时代：15个预训练模型对比分析与关键点探索（附链接）

在之前写过的《NLP的游戏规则从此改写？从word2vec, ELMo到BERT》一文中，介绍了从word2vec到ELMo再到BERT的发展路径。而在BERT出现之后的这大半年的时间里，模型预训练的方法又被Google、Facebook、微软、百度、OpenAI等极少数几个玩得起游戏的核心玩家反复迭代了若干版，一次次的刷新我们这些吃瓜群众的案板上的瓜。

03

Python：numpy的总结(1)

1、multiply 例子： x1=[1,2,3];x2=[4,5,6] print multiply(x1,x2) 输出： [ 4 10 18] multiply函数得到的结果是对应位置上面的元素进行相乘。 2、std 标准方差 ,var 方差例子： b=[1,3,5,6] print var(b) print power(std(b),2) ll=[[1,2,3,4,5,6],[3,4,5,6,7,8]] print var(ll[0]) print var(ll,0)#第二个参数为0，表示按列求

04

线性代数学习笔记(几何版)

线性代数学习请移步https://www.bilibili.com/video/av6731067

03

从头开始了解Transformer

编者按：自2017年提出以来，Transformer在众多自然语言处理问题中取得了非常好的效果。它不但训练速度更快，而且更适合建模长距离依赖关系，因此大有取代循环或卷积神经网络，一统自然语言处理的深度模型江湖之势。我们（赛尔公众号）曾于去年底翻译了哈佛大学Alexander Rush教授撰写的《Transformer注解及PyTorch实现》一文，并获得了广泛关注。近期，来自荷兰阿姆斯特丹大学的Peter Bloem博士发表博文，从零基础开始，深入浅出的介绍了Transformer模型，并配以PyTorch的代码实现。我非常喜欢其中对Self-attention（Transformer的核心组件）工作基本原理进行解释的例子。此外，该文还介绍了最新的Transformer-XL、Sparse Transformer等模型，以及基于Transformer的BERT和GPT-2等预训练模型。我们将其翻译为中文，希望能帮助各位对Transformer感兴趣，并想了解其最新进展的读者。

03

NLP这两年：15个预训练模型对比分析与剖析

在之前写过的《NLP的游戏规则从此改写？从word2vec, ELMo到BERT》一文中，介绍了从word2vec到ELMo再到BERT的发展路径。而在BERT出现之后的这大半年的时间里，模型预训练的方法又被Google、Facebook、微软、百度、OpenAI等极少数几个玩得起游戏的核心玩家反复迭代了若干版，一次次的刷新我们这些吃瓜群众的案板上的瓜。

01

后BERT时代：15个预训练模型对比分析与关键点探究

在小夕之前写过的《NLP的游戏规则从此改写？从word2vec, ELMo到BERT》一文中，介绍了从word2vec到ELMo再到BERT的发展路径。而在BERT出现之后的这大半年的时间里，模型预训练的方法又被Google、Facebook、微软、百度、OpenAI等极少数几个玩得起游戏的核心玩家反复迭代了若干版，一次次的刷新我们这些吃瓜群众的案板上的瓜。

04

在 Netflix 评论中做情感分析的深度学习模型

在这篇文章中，我将介绍情感分析的主题和怎样实现一个可以识别和分类Netflix评论中人的感情的深度学习模型。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭