1. 程式人生 > >我的人工智慧之旅——線性代數基礎

我的人工智慧之旅——線性代數基礎

1.矩陣

矩陣,matrix,為m行n列的資料陣列。例如下例,為4x3階矩陣。

2.方陣

mxn階矩陣的m=n時,稱為方陣,n階方陣。

3.單位矩陣

單位矩陣,是指對角線資料為1,其它資料為0的n階方陣。

4.逆矩陣

逆矩陣,matrix inverse。只有方陣才有逆矩陣。n階矩陣A的逆矩陣,必須滿足以下條件

其中I為n階單位矩陣。

不是所有的矩陣都有逆矩陣。對於沒有逆矩陣的矩陣,我們稱之為奇異矩陣(singular matrix),或退化矩陣(degenerate matrix)。

最簡單的零矩陣,就是最好的例子。下例為4階零矩陣。

5.轉置矩陣

mxn階矩陣A的轉置矩陣為nxm階矩陣B,則B中的元素需要滿足以下條件

矩陣A的轉置矩陣表示為

例如,

6.向量

向量,vector,可以看作nx1階矩陣,矩陣的每一列都可以看作是一個向量。若一個向量有n行,則稱為n維向量。例如下例,為3維向量。

7.矩陣運算

7.1加/減法

只有相同維度的矩陣才能相加/減,結果為,對應元素加減結果所組成的矩陣。如下例

7.2乘法

7.2.1矩陣與實數

矩陣與實數的乘除運算,較為簡單。結果為,對應元素乘除結果所組成的矩陣。如下例

7.2.2矩陣與向量

矩陣與向量的乘法,可以看作是簡單的矩陣間的乘法。但乘法雙方必須滿足一定的條件。即前者的列數,必須等於後者的行數。即必須為axb階矩陣和bxc階矩陣的運算,運算結果為axc階矩陣。因此,axb階矩陣與b維向量的乘法運算結果為,a維向量。

例如,2x3階矩陣A與3維向量B的乘法。結果為2維向量C。若i為C的行數,則

7.2.3矩陣與矩陣

有了矩陣與向量的乘法做基礎,矩陣與矩陣的乘法就相對容易理解了。

例如,2x3階矩陣A,乘以3x4階矩陣B,結果為2x4階矩陣C。

可以將矩陣B轉換為4個3維向量Bi組合,而結果C可以看作4個2維向量Ci的組合,i=1 to 4(i即為列號)。

7.2.4交換律

在實數運算中,交換律是指,

AXB=BXA

但矩陣乘法不遵循交換律。理由很簡單,比如4X3階矩陣A,乘以3X4階矩陣B,結果C為4X4階矩陣。

而3X4階矩陣B,乘以4X3階矩陣A,結果C為3X3階矩陣。因此,對於矩陣來說,不遵循交換律,即

AXB<>BXA

那麼nXn階矩陣的乘法呢,同樣不遵循。例如,

當然,交換律,在方陣且相乘雙方中一者為單位矩陣的情況下,成立。

7.2.5結合律

在實數運算中,結合律是指

AXBXC=(AXB)XC=AX(BXC)

矩陣乘法,同樣也遵循結合律。