2.1 线性代数_深入浅出AI算法：基础概览-QQ阅读女生青春网

上QQ阅读APP看本书，新人免费读10天

设备和账号都新为新人

2.1　线性代数

线性代数是数学的一门分支学科，研究的是线性空间中的函数问题。顾名思义，“线性”是指要研究的代数之间的关系是简单的一次关系，研究过程中没有复杂的数学运算（如平方和开方）；“代数”是指用符号代替数字，方便研究。

对于数学关系f(x+y)=f(x)+f(y)，线性代数不关心其中x和y的具体含义是什么，其研究的是拥有这种线性映射关系的函数f所具备的性质。

函数是指输入一个数，在经过某些计算后输出另一个数。随着研究的问题越来越复杂，有时需要输入多个数，然后经过运算输出多个数。从这个角度来说，线性代数解决的就是多输入或多输出的函数问题。

2.1.1　名词解释

在线性代数中，单个数称为标量，用中括号括起来的多个输入的数或多个输出的数（多个标量）称为向量和矩阵。标量、向量和矩阵是算法工程中经常用到的线性代数核心概念。下面从数学角度给出标量、向量和矩阵的概念，以便加深读者对线性代数基本概念的理解。

• 标量：表示一个简单的数，如29、31等。

• 向量：表示一组有序的标量，能够写成一行或一列的形式。

• 矩阵：表示一组有序的向量（一个或多个），可以用二维数组的形式表示。

下面来看一个例子。假设某家包子铺周一能卖出50个肉包，这里的“50”就是一个标量；如果这家包子铺某周每天卖出的包子数量依次是[50, 51, 52, 53, 52, 48, 45]，则“[50, 51, 52, 53, 52, 48, 45]”是一个向量；加上这周每天卖出的豆沙包、咸菜包的数量，组成如下数据形式，就是一个矩阵。

2.1.2　向量和矩阵

标量的概念比较简单，因此我们重点讲解向量和矩阵。向量和矩阵在算法工程中经常用到。例如，一条样本的所有特征值构成一个向量，一批样本的所有特征值构成一个矩阵。几乎所有的算法公式都可以写成向量或矩阵的形式，机器学习中的算法模型通常所说的批（batch）训练，其底层的计算逻辑就是利用向量和矩阵的运算。由此可见，掌握向量和矩阵的相关知识，对于算法“内力”的修炼至关重要。既然涉及运算，自然会有相应的运算法则，那么向量和矩阵的运算法则是怎么样的呢？

向量可以分为行向量和列向量，二者在本质上并无区别，只在进行运算时有差别。下面通过生活中的具体例子，逐一介绍与向量有关的运算法则。

某公司有n名员工，月工资用向量[a1, a2, …, an-1, an]表示，其中ai表示第i个员工的月工资数额。

情形一：公司业绩不错，公司老板决定给每位员工涨薪20%，可以用向量与标量之间的乘法来计算涨薪后的工资，如表2-1所示，其中k为原工资倍数，即1.2。

表2-1　员工涨薪情况（一）

具体计算方法用数学符号表示如下，得到的结果仍然是向量。向量与标量之间的除法类似，可以理解为向量与标量的倒数相乘。

情形二：公司业绩不错，根据员工完成业绩的不同，老板决定对不同的员工给出相应的工资涨幅。以绝对值涨幅为例（也可以是不同的比例涨幅），给第i位员工每月增加bi元工资，可以用行（列）向量与行（列）向量之间的加法来计算涨薪后的工资，如表2-2所示。

表2-2　员工涨薪情况（二）

具体计算方法用数学符号表示如下，计算结果仍然是向量。

向量与向量之间的减法与加法类似，计算结果仍然是向量。

情形三：老板在按照不同的涨幅比例给员工涨薪之后，想知道工资开支的总预算是多少，可以用行向量与列向量之间的乘法来计算。具体计算方法如下。

由此可知，行向量与列向量相乘的结果是一个标量。

根据行向量与列向量相乘的例子可知，使运算成立的一个隐含条件是，行向量的列数必须与列向量的行数相等，如例子中的向量长度均为n，这有助于理解后面的矩阵运算（向量是一种特殊的矩阵）。列向量的列数与行向量的行数都等于1。一个列向量与一个行向量相乘，即可得到一个矩阵，具体计算方法如下。

在机器学习中，向量通常用于表示特定维度空间中不同维度的特征值，因此又称为特征向量。例如，一个二维特征向量[1, 2]表示两个特征，第一个特征维度的值为1，第二个特征维度的值为2。既然是空间，那就存在距离的概念，即同一个特征空间中不同特征向量之间存在着某种关系，如相似的特征表现。假设有另一个二维特征向量[2, 4]，其在两个特征维度上的值分别为2和4，可以发现，这个二维特征向量和前面的二维特征向量，在各个维度上的特征值大小恰好相差一倍，这说明二者的特征表现相似，只是程度不同。当然，在实际算法工程中，特征向量之间的关系会有更复杂的度量方式，如相似度、相关系数等。

矩阵运算和向量运算的运算法则类似。标量与矩阵的加法、减法、乘法，只需将标量与向量的每一个值分别相加、相减、相乘，得到的结果仍是矩阵。以标量与矩阵的乘法为例，计算方法如下。