@[toc]

标量、向量、矩阵和张量

• 标量（scalar）：一个标量就是一个单独的数，它不同与线性代数中研究其他大部分对象（通常是多个数的数组）。我们用斜体表示标量。标量通常被赋予小写的变量名称，比如：$x$
• 向量（vector）： 一个向量是一列数。这些数都是有序排列的。通过次序中的索引，我们可以确定每个单独的数。通常我们赋予向量粗体的小写变量名称.比如：${\bf x}$
  $${\bf x}=\left[\begin{matrix}x_1 \\x_2 \\ \vdots \\x_n\end{matrix}\right]\tag{1}$$
• 矩阵（matrix）：矩阵是一个二维数组，其中的每一个元素由两个索引（而非一个）所确定。我们通常会赋予矩阵粗体的大写变量名称，比如：${\bf A}$
  $${\bf A}=\left[\begin{matrix}A_{1,1}&A_{1,2} \\A_{2,1}&A_{2,2}\end{matrix}\right]\tag{2}$$
• 张量（tensor）：在某种情况下，我们会讨论坐标超过两维的数组。一般的，一个数组中的元素分布在若干维坐标的规则网格中，我们称之为张量,使用${\sf A}$表示，张量${\sf A}$中坐标为$(x,y,z)$的元素记作$A_{x,y,z}$

Python代码实现

使用Python创建普通二维矩阵

import numpy as np

m = np.mat([[1,2,3],[4,5,6]])
print m

输出为：

[[1 2 3]
 [4 5 6]]

使用zeros创建一个$3\times 2$的0矩阵，还可以使用ones函数创建1矩阵

from  numpy import *
import numpy as np

m = np.mat(zeros((3,2)))
print m

输出为：

[[0. 0.]
 [0. 0.]
 [0. 0.]]

创建单位矩阵，单位矩阵部分有介绍

from numpy import *
import numpy as np

m = np.mat(eye(3,3,dtype=int))
print m

输出为：

[[1 0 0]
 [0 1 0]
 [0 0 1]]

转置

转置（transpose）是矩阵的重要操作之一。矩阵的转置是以对角线为轴的镜像，这条从左上角到右下角的对角线被称为主对角线（main diagonal），我们将矩阵${\bf A}$的转置表示为${\bf A^\tau}$，定义如下：
$$({\bf A^\tau}){i,j}=A{j,i}\tag{3}$$
标量可以看作只有一个元素的矩阵。因此，标量的转置等于它本身，$a=a^\tau$
$$A=\left[\begin{matrix}A_{1,1}&A_{1,2} \\A_{2,1}&A_{2,2} \\A_{3,1}&A_{3,2}\end{matrix}\right]\Rightarrow A^\tau=\left[\begin{matrix}A_{1,1}&A_{2,1}&A_{3,1} \\A_{1,2}&A_{2,2}&A_{3,2}\end{matrix}\right]\tag{4}$$

矩阵的转置也是一种运算,满足下述运算规律(假设运算都可行的):

1. $({\bf A}^\tau)^\tau={\bf A}$
2. $({\bf A}+{\bf B})^\tau={\bf A}^\tau+{\bf B}^\tau$
3. $(\lambda {\bf A})^\tau=\lambda {\bf A}^\tau$
4. $({\bf A}{\bf B})^\tau={\bf B}^\tau{\bf A}^\tau$

在深度学习中，我也使用一些不那么常规的符号。我们允许矩阵和向量相加，产生另一个矩阵：${\bf C}={\bf A}+{\bf a}$，其中$C_{i,j}=A_{i,j}+b_j$。换言之，向量${\bf a}$和矩阵${\bf A}$的每一行相加。这个简写方法使我们无需在加法操作前定义一个将向量${\bf b}$复制到每一行而生成的矩阵。这种隐式地复制向量${\bf b}$到很多位置的方式，称之为广播（broadcasting）

Python代码实现

矩阵的装置

# coding=utf-8
import numpy as np

m = np.mat([[1,2,3],[4,5,6]])
print '转置前:\n%s' % m
t = m.T
print '转置前:\n%s' % t

输出为：

转置前:
[[1 2 3]
 [4 5 6]]
转置前:
[[1 4]
 [2 5]
 [3 6]]

矩阵的运算

一. 矩阵的加法

定义: 设有两个$m\times n$矩阵${\bf A}=(a_{i,j})$和${\bf B}=(b_{i,j})$,那么矩阵${\bf A}$与${\bf B}$的和记作${\bf A}+{\bf B}$,规定为:
$${\bf A}+{\bf B}=\left[\begin{matrix}a_{1,1}+b_{1,1} & a_{1,2}+b_{1,2} & \cdots & a_{1,n}+b_{1,n} \\a_{2,1}+b_{2,1} & a_{2,2}+b_{2,2} & \cdots & a_{2,n}+b_{2,n} \\ \vdots & \vdots & \vdots & \vdots \\a_{m,1}+b_{m,1}&a_{m,2}+b_{m,2}&\cdots & a_{m,n}+b_{m,n}\end{matrix}\right]\tag{5}$$

注意:两个矩阵必须是同型的矩阵时,这两个矩阵才能进行加法运算
矩阵加法满足下列运算规律(设${\bf A},{\bf B},{\bf C}$都是$m \times n$矩阵):

1. ${\bf A}+{\bf B}={\bf B}+{\bf A}$
2. $({\bf A}+{\bf B})+{\bf C}={\bf A}+({\bf B}+{\bf C})$

Python代码实现

计算两个同型矩阵的加法

import numpy as np

m1 = np.mat([[1, 2, 3], [4, 5, 6]])
m2 = np.mat([[11, 12, 13], [14, 15, 16]])
print "m1 + m2 = \n%s " % (m1 + m2)

输出为：

m1 + m2 = 
[[12 14 16]
 [18 20 22]] 

二. 矩阵的乘法

数与矩阵相乘定义: 数$\lambda$与矩阵${\bf A}$的乘积记作$\lambda {\bf A}$或${\bf A} \lambda$,规定为:
$$\lambda {\bf A}={\bf A} \lambda=\left[\begin{matrix}\lambda a_{1,1}&\lambda a_{1,2}&\cdots & \lambda a_{1,n}\\lambda a_{2,1}&a_{2,2}&\cdots&\lambda a_{2,n}\\vdots&\vdots&\vdots&\vdots\\lambda a_{m,1}&\lambda a_{m,2}&\cdots & \lambda a_{m,n}\end{matrix}\right]\tag{6}$$

数乘矩阵满足下列运算规律(设${\bf A},{\bf B}$为$m \times n$矩阵,$\lambda,\mu$为数):

1. $(\lambda \mu){\bf A}=\lambda (\mu{\bf A})$
2. $(\lambda + \mu){\bf A}=\lambda {\bf A}+\mu {\bf A}$
3. $\lambda({\bf A}+{\bf B})=\lambda {\bf A}+\lambda {\bf A}$
   矩阵加法与数乘矩阵统称为矩阵的线性运算

矩阵与矩阵相乘定义: 设${\bf A}=(a_{i,j})$是一个$m \times s$矩阵,${\bf B}=(b_{i,j})$是一个$s \times n$矩阵,那么规定矩阵${\bf A}$与${\bf B}$的乘积是一个$m \times n$矩阵${\bf C}=(c_{i,j})$,记作:
$${\bf C}={\bf A}{\bf B}\tag{7}$$
计算如下:
$$\left[\begin{matrix}
a_{i,1} & a_{i,2} & \cdots & a_{i,s}
\end{matrix}\right]
\left[\begin{matrix}
b_{1,j} \
b_{2,j} \
\vdots \
b_{s,j}
\end{matrix}\right]=
a_{i,1}b_{1,j}+a_{i,2}b_{2,j}+\cdots+a_{i,k}b_{k,j}=
\sum_{k=1}^s a_{i,k}b_{k,j}=
c_{i,j}\tag{8}$$
例如:
$$
\left[\begin{matrix}
a_{1,1} & a_{1,2} & a_{1,3} \
a_{2,1} & a_{2,2} & a_{2,3} \
\end{matrix}\right]
\left[\begin{matrix}
b_{1,1} & b_{1,2} \
b_{2,1} & b_{2,2} \
b_{3,1} & b_{3,2} \
\end{matrix}\right]=
\left[\begin{matrix}
a_{1,1}b_{1,1}+a_{1,2}b_{2,1}+a_{1,3}b_{3,1} & a_{1,1}b_{1,2}+a_{1,2}b_{2,2}+a_{1,3}b_{3,2} \
a_{2,1}b_{1,1}+a_{2,2}b_{2,1}+a_{2,3}b_{3,1} & a_{2,1}b_{1,2}+a_{2,2}b_{2,2}+a_{2,3}b_{3,2}
\end{matrix}\right]\tag{9}
$$

矩阵不满足交换律,但在运算都可行的情况下满足结合律和分配律

1. $({\bf A}{\bf B}){\bf C}={\bf A}({\bf B}{\bf C})$
2. $\lambda ({\bf A}{\bf B})=(\lambda{\bf A}){\bf B}={\bf A}(\lambda{\bf B})$ (其中$\lambda$为数)
3. ${\bf A}({\bf B}+{\bf C})={\bf A}{\bf B}+{\bf A}{\bf C},({\bf B}+{\bf C}){\bf A}={\bf B}{\bf A}+{\bf C}{\bf A}$

Python代码实现

计算$2\times 3$矩阵与$3\times2$矩阵相乘

import numpy as np

m1 = np.mat([[1, 2, 3], [4, 5, 6]])
m2 = np.mat([[11, 12], [13, 14], [15, 16]])
print "m1 * m2 = \n%s " % (m1 * m2)

输出为：

m1 * m2 = 
[[ 82  88]
 [199 214]] 

单位矩阵和逆矩阵

单位矩阵(identity matrix) 就是对角线的元素都是1,而其他的所有元素都是0,如下:
$${\bf I}_3=\left[\begin{matrix}1 & 0 & 0 \\0 & 1 & 0 \\0 & 0 & 1\end{matrix}\right]\tag{10}$$

逆矩阵(matrix inversion)定义: 对于$n$阶矩阵${\bf A}$,如果有一个$n$阶矩阵,使得:'
$${\bf A}{\bf B}={\bf B}{\bf A}={\bf I}\tag{11}$$
则说明矩阵${\bf A}$是可逆的,并把矩阵${\bf B}$称为${\bf A}$的逆矩阵,而且矩阵是唯一的,记作${\bf A}^{-1}$
当$|{\bf A}|\not=0$,则矩阵${\bf A}$可逆,且
$${\bf A}^{-1}=\frac{1}{|{\bf A}|} {\bf A}^\ast\tag{12}$$
其中${\bf A}^\ast$称为矩阵的{\bf A}的伴随矩阵

Python代码实现

单位矩阵的计算

from numpy import *
import numpy as np

m = np.mat(eye(3,3,dtype=int))
print m

输出为：

[[1 0 0]
 [0 1 0]
 [0 0 1]]

计算$3\times3$矩阵的逆矩阵

# coding=utf-8
import numpy as np

m = np.mat([[2, 0, 0], [0, 4, 0], [0, 0, 8]])
I = m.I
print '矩阵：\n%s\n的逆矩阵为：\n%s' % (m, I)

输出为：

矩阵：
[[2 0 0]
 [0 4 0]
 [0 0 8]]
的逆矩阵为：
[[0.5   0.    0.   ]
 [0.    0.25  0.   ]
 [0.    0.    0.125]]

求$3\times3$方阵的行列式

# coding=utf-8
import numpy as np

m = np.mat([[2, 0, 0], [0, 4, 0], [0, 0, 8]])
d = np.linalg.det(m)
print d

输出为：

64.0

求$3\times3$方阵的伴随矩阵

import numpy as np

m = np.mat([[2, 0, 0], [0, 4, 0], [0, 0, 8]])
i = m.I
d = np.linalg.det(m)
a = i * d
print a

输出为：

[[32.  0.  0.]
 [ 0. 16.  0.]
 [ 0.  0.  8.]]

线性相关和生成子空间

线性组合(linear combination)
为了分析方程有多少个解,我们可以将${\bf A}$的列向量看作从原点(origin)(元素都是零的向量)出发的不同方向,确定有多少种方法可以到达向量${\bf b}$.在这个观点下,向量${\bf x}$中的每个元素都是表示我们应该沿着这些方向走多远,即$x_i$表示我们需要沿着第$i$个向量的方向走多远:
$${\bf Ax}=\sum_i x_i{\bf A}_{:,i}\tag{13}$$
生成子空间(span)
形式上,一组向量的线性组合,是指每个向量乘以对应标量系数之后的和,即:
$$\sum_i c_iv^{(i)}\tag{14}$$
一组向量的生产子空间是原始向量线性组合后所能抵达的点的集合

范数

范数(norm):在机器学习中,我们经常使用称为范数的函数来衡量向量的大小,形式上,$L^p$范数定义入下:
$$||{\bf x}||_p=\left(\sum_x |x_i|^p\right)^\frac{1}{p}\tag{15}$$
范数满足下列性质的任意函数:

• $f(x)=0\Rightarrow x = 0$
• $f(x+y) \leq f(x) + f(y)$(三角不定式(triangle inequality))
• $\forall\alpha \in {\Bbb R},f(\alpha{\bf x})=|\alpha|f({\bf x})$

当$p=2$时,$L^2$范数称为欧几里得范数(Euclidean norm).他表示从原点出发到向量${\bf x}$确定的点的欧几里得距离
当$p=\infty$时,$L^\infty$范数称为最大范数(max norm).这个范数表示向量中具有最大幅度的元素的绝对值:
$$||{\bf x}||_\infty = {\rm max}_i |x_i|$$

参考资料

1. lan Goodfellow,Yoshua Bengio,Aaron Courville.深度学习(中文版).赵申剑,黎彧君,符天凡,李凯,译.北京:人民邮电出版社
2. 同济大学数学系.工程数学-线性代数(第六版).北京:高等教育出版社