深度学习日记(二) 线性代数二
2017-10-30 16:59
134 查看
七:特征分解:
将矩阵分解为一组特征向量和特征值
从几何上理解特征值和特征向量:
特征值:运动的速度
特征向量:运动的方向
向量V在矩阵A的作用下,保持方向不变,进行比例为(lanmeta)的伸缩
特征向量(eigenvector) v,矩阵
A,特征值(标量)
λ。满足:
特征分解:
http://www.matongxue.com/madocs/228.html#/mado
以上链接为特征分解的人话讲解版
所有特征值都是正数的矩阵为正定
所有特征值都是非负数的矩阵为半正定
所有特征值都是负数的矩阵为负定
所有特征值都是非正数的矩阵为半负定
八:奇异值分解(SVD)
将矩阵分解为奇异向量和奇异值
奇异值分解将矩阵A分解为三个矩阵的乘积:
九:Moore-Penrose伪逆
BA=I 则B为A的左逆
解决非方阵没有逆矩阵的尴尬:
矩阵A的计算公式:
矩阵U,D和V是矩阵A奇异值分解后得到的矩阵。
对角矩阵D的伪逆是非零元素取倒数之后在转置得到的。
十:迹运算:
返回矩阵对角元素的和:
十一:
行列式det(A),是将一个方阵映射到实数的函数。
行列式等于特征值的乘积。
将矩阵分解为一组特征向量和特征值
从几何上理解特征值和特征向量:
特征值:运动的速度
特征向量:运动的方向
向量V在矩阵A的作用下,保持方向不变,进行比例为(lanmeta)的伸缩
特征向量(eigenvector) v,矩阵
A,特征值(标量)
λ。满足:
特征分解:
http://www.matongxue.com/madocs/228.html#/mado
以上链接为特征分解的人话讲解版
所有特征值都是正数的矩阵为正定
所有特征值都是非负数的矩阵为半正定
所有特征值都是负数的矩阵为负定
所有特征值都是非正数的矩阵为半负定
八:奇异值分解(SVD)
将矩阵分解为奇异向量和奇异值
奇异值分解将矩阵A分解为三个矩阵的乘积:
九:Moore-Penrose伪逆
BA=I 则B为A的左逆
解决非方阵没有逆矩阵的尴尬:
矩阵A的计算公式:
矩阵U,D和V是矩阵A奇异值分解后得到的矩阵。
对角矩阵D的伪逆是非零元素取倒数之后在转置得到的。
十:迹运算:
返回矩阵对角元素的和:
十一:
行列式det(A),是将一个方阵映射到实数的函数。
行列式等于特征值的乘积。
相关文章推荐
- 【学习日记】使用百度深度学习平台进行深度学习
- 【学习日记】人脸识别FaceNet之深度卷积网络NN2解读
- 【学习日记】吴恩达深度学习工程师微专业第一课:神经网络和深度学习
- 深度学习日记 1 - 线性代数
- 【深度学习:CNN】Dropout解析(2)
- 深度学习与计算机视觉系列(9)_串一串神经网络之动手实现小例子
- 深度学习十大顶级框架
- LINUX开发学习日记(第一部)(UNIX环境高级编程)
- c#学习日记-datagrid风格自定义设置
- java学习日记_80:集合框架之ArrayList
- 深度学习的三种硬件方案:ASIC,FPGA,GPU;你更看好?
- 深度学习几大难点
- 深度学习——历史及意义
- 【深度学习-CNN】训练样本不平衡对训练结果的影响
- 深度学习: Zero-shot Learning / One-shot Learning / Few-shot Learning
- live555学习之基本类介绍及计划任务深度探讨
- matlab 深度学习
- 深度学习 8. MatConvNet 相关函数解释说明,MatConvNet 代码理解(四)cnn_train.m 的注释
- 深度学习之卷积神经网络CNN及tensorflow代码实现示例
- 深度学习常见面试题(更新中)