欢迎大家来到IT世界,在知识的湖畔探索吧!
大数据文摘作品,转载请注明来源
编译 | 沈爱群,徐凌霄,Aileen
在学习深度学习的课程时,数学知识十分重要,而如果要挑选其中最相关的部分,“线性代数”首当其冲。
如果你也跟本文作者一样,正在探索深度学习又困于相关数学概念,那么一定要读下去,这是一篇介绍深度学习中最常用线性代数操作的新手指南。
什么是线性代数?
在深度学习中,线性代数是一个非常有用的数学工具,提供同时操作多组数值的方法。它提供多种可以放置数据的结构,如向量(vectors)和矩阵(matrices, 即spreadsheets)两种结构,并定义了一系列的加减乘除规则来操作这些结构。
为什么有用?
线性代数可以将各种复杂问题转化为简单、直观、高效的计算问题。下面这个Python例子展现了线性代数的高速与简洁。
# Multiply two arrays 将两个数组直接相乘
x = [1,2,3]
y = [2,3,4]
product = []
for i in range(len(x)):
product.append(x[i]*y[i])
# Linear algebra version 线性代数版操作
x = numpy.array([1,2,3])
y = numpy.array([2,3,4])
x * y
通过将数组初始化「numpy.array()」, 线性代数方法较数组相乘快了三倍。
它是怎样用于深度学习的?
神经网络(Neural networks)将权值(weights)存放于矩阵(matrices)中。线性代数使得矩阵操作快速而简单,特别是通过 GPU 进行运算。事实上,GPU 的设计便是受启发自向量和矩阵的运算。类似于用像素的多维数组(arrays of pixels)来表示图形图像,视频游戏通过大规模且持续的矩阵计算,带来了极具吸引力的游戏体验。GPU 是并行操作整个矩阵中的各个像素,而不是一个接一个地去处理单个像素。
向量
向量是关于数字或数据项的一维数组的表示。从几何学上看,向量将潜在变化的大小和方向存储到一个点。向量 [3, -2] 表示的是左移3个单位下移2个单位。我们将 具有多个维度的向量称为矩阵。
向量记法
应用中有多种表达向量的方式,下式是阅读中常见的几种表示。
几何学中的向量
向量通常用于代表从一个点出发的移动。它们用一个点存储了大小(magnitude)和方向(direction)的潜在变化。如向量 [-2,5] 表示左移2个单位并上移5个单位。 参考: http://mathinsight.org/vector_introduction.
v = [-2, 5]
一个向量可以应用于空间中的任何点。向量的方向等于向上5个单位和向左2个单位的斜线的斜率,它的大小等于该斜线的长度。
标量操作
标量操作涉及到一个向量和一个数。你可以通过对向量中的所有项进行加、减、乘操作,实现对一个向量的原地修改(in-place modification) 。
Scalar addition (标量相加)
元素操作Elementwise operations
在向量的元素操作中,如加减除,相应位置的值被组合生成了新的向量。向量 A中的第一个值与向量 B 中的第一个值相加,然后第二个值与第二个值配对,如此循环。这意味着,两个向量必须要有相同的维度才能进行元素操作。 *
Vector addition (向量相加)
y = np.array([1,2,3])
x = np.array([2,3,4])
y + x = [3, 5, 7]
y – x = [-1, -1, -1]
y / x = [.5, .67, .75]
*细节请参考下面关于numpy 中的 broadcasting 方法。
向量乘法
向量乘法有两种:点积(Dot product) 和 Hadamard乘积(Hadamard product)。
点积
两个向量的点积是一个标量。向量的点积和矩阵的乘法是深度学习中最重要的操作之一。
y = np.array([1,2,3])
x = np.array([2,3,4])
np.dot(y,x) = 20
Hadamard乘积
Hadamard 乘积是元素相乘,它的输出是一个向量。
y = np.array([1,2,3])
x = np.array([2,3,4])
y * x = [2, 6, 12]
向量场
如果我们对某点 (x,y) 应用了一个加法或乘法的向量函数,向量场表示了该点理论上可以移动多远。在空间中给定一个点,向量场显示了图中各个点的可能的变化力度(power)和方向(direction)。
向量场参考
上图这个向量场非常有趣,因为它随起点差异而向不同方向移动。原因是,该向量场背后的向量存储着如2x 或x² 这样的元素,而不是 -2 和 5这样的标量值。对于图中的每个点,我们将 x 轴的值带入 2x 或 x² 中,并绘制一个从开始点指向新位置的箭头。向量场对于机器学习技术的可视化非常有用,如绘制梯度下降(Gradient Descent)的方向。
矩阵
一个矩阵是数字或元素的矩形网格(如Excel表格),有着特别加、减、乘的运算规则。
矩阵维度
我们用m行n列( rows by columns)来描述矩阵的维度.
a = np.array([
[1,2,3],
[4,5,6]
])
a.shape == (2,3)
b = np.array([
[1,2,3]
])
b.shape == (1,3)
矩阵的标量运算 Matrix scalar operations
矩阵的标量运算与向量相同。只需将标量与矩阵中的每个元素进行加、减、乘、除等操作。
Matrix scalar addition (矩阵的标量相加)
a = np.array(
[[1,2],
[3,4]])
a + 1
[[2,3],
[4,5]]
矩阵的元素操作Matrix elementwise operations
为了实现两个矩阵的加、减、除操作,他们必须有着相同的维度。 * 我们对两个矩阵的对应元素值操作,组合生成新的矩阵。
a = np.array([
[1,2],
[3,4]
])
b = np.array([
[1,2],
[3,4]
])
a + b
[[2, 4],
[6, 8]]
a — b
[[0, 0],
[0, 0]]
Numpy 库的 broadcasting 方法*
这个方法不能不提,因为它在实践中被广泛使用。在 numpy中,矩阵的元素操作对矩阵维度的要求,通过一种叫做 broadcasting的机制实现。我们称两个矩阵相容(compatible),如果它们相互对应的维度(行对行,列对列)满足以下条件:
1. 对应的维度均相等, 或
2. 有一个维度的大小是1
a = np.array([
[1],
[2]
])
b = np.array([
[3,4],
[5,6]
])
c = np.array([
[1,2]
])
# Same no. of rows
# Different no. of columns
# but a has one column so this works
# 相同行数,不同列数,但 a 仅有一列,所以可行。
a * b
[[ 3, 4],
[10, 12]]
# Same no. of columns
# Different no. of rows
# but c has one row so this works
# 相同列数,不同行数,但 c 仅有一行,所以可行。
b * c
[[ 3, 8],
[5, 12]]
# Different no. of columns
# Different no. of rows
# but both a and c meet the
# size 1 requirement rule
# 不同列数、不同行数,但 a 和 c 都满足大小为1的规则。
a + c
[[2, 3],
[3, 4]]
在更高的维度上(3维,4维),情况会变得有点诡异,但现在我们不必担心。理解2维上的操作是一个好的开始。
矩阵的 Hadamard 乘积 Matrix Hadamard product
矩阵的Hadamard 乘积是一个元素运算,就像向量一样。对应位置的值相乘产生新的矩阵。
a = np.array(
[[2,3],
[2,3]])
b = np.array(
[[3,4],
[5,6]])
# Uses python’s multiply operator
# 使用 python 的乘法运算
a * b
[[ 6, 12],
[10, 18]]
在 numpy 中,只要矩阵和向量的维度满足 broadcasting的要求,你便可以对他们使用 Hadamard 乘积运算.
矩阵转置 Matrix transpose
神经网络经常需要处理不同大小的输入矩阵和权值矩阵,它们的维度常常不满足矩阵相乘的规则。矩阵转置提供了一种方法来“旋转”其中的一个矩阵,使其满足乘法操作的要求。转置一个矩阵分两个步骤:
1. 将矩阵顺时针旋转 90°
2. 反转每行元素的顺序(例如,[a b c] 变成 [c b a])。
以将矩阵 M 转置成 T为例:
a = np.array([
[1, 2],
[3, 4]])
a.T
[[1, 3],
[2, 4]]
矩阵的乘法 Matrix multiplication
矩阵的乘法定义了一系列关于矩阵相乘生成新矩阵的规则。
规则
不是所有的矩阵都可以进行乘法运算。并且,对于输出的结果矩阵也有维度要求。 参考.
1. 第一个矩阵的列数 必须等于第二个矩阵的行数
2.一个 M x N 矩阵和 N x K 矩阵的乘积结果是一个 M x K 矩阵. 新的矩阵取 第一个矩阵的行M 和 第二个矩阵的列K 。
步骤
矩阵的乘法依赖于点积与各个行列元素的组合。 以下图为例(取自 Khan学院的线性代数课程),矩阵 C中的每个元素都是矩阵 A 中的行与矩阵B中的列的点积。
参考
操作 a1 · b1 意味着我们对矩阵A的第一行(1, 7) 和矩阵B 的第一列 (3, 5) 做点积运算.
也可以换一种角度来看:
为什么矩阵乘法以这种方式工作?
矩阵的乘法很有用,但它的背后并没有什么特别的数学的定律。数学家们把它发明出来是因为它的规范简化了之前乏味的运算。这是一个人为的设计,但却非常有效。
用这些例子自我测试下
使用 numpy 做矩阵乘法
Numpy 使用函数 np.dot(A,B) 做向量和矩阵的乘法运算。它有一些其他有趣的特性和问题,所以我建议你在使用之前先阅读该说明文档 (https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html)。
a = np.array([
[1, 2]
])
a.shape == (1,2)
b = np.array([
[3, 4],
[5, 6]
])
b.shape == (2,2)
# Multiply
mm = np.dot(a,b)
mm == [13, 16]
mm.shape == (1,2)
更多教程
-
可汗学院——线性代数 (https://www.khanacademy.org/math/linear-algebra)
-
深度学习读本——数学部分:(http://www.deeplearningbook.org/contents/part_basics.html)
-
吴恩达的课程笔记:https://www.coursera.org/learn/machine-learning/resources/JXWWS
-
关于线性代数的解释:https://betterexplained.com/articles/linear-algebra-guide/
-
关于矩阵的解释:http://blog.stata.com/2011/03/03/understanding-matrices-intuitively-part-1/
-
线性代数概述:http://www.holehouse.org/mlclass/03_Linear_algebra_review.html
-
沉浸式数学——线性代数:http://immersivemath.com/ila/index.html
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/76473.html