机器学习必备知识NumPy线性代数详解
Posted ZSYL
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习必备知识NumPy线性代数详解相关的知识,希望对你有一定的参考价值。
NumPy 线性代数
前言
机器学习里面用到许多线性代数的知识,因此NumPy的线性代数相关操作,你一定要懂点儿哦!
NumPy 提供了线性代数函数库 linalg,该库包含了线性代数所需的所有功能,可以看看下面的说明:
函数 | 描述 |
---|---|
dot | 两个数组的点积,即元素对应相乘。 |
vdot | 两个向量的点积 |
inner | 两个数组的内积 |
matmul | 两个数组的矩阵积 |
determinant | 数组的行列式 |
solve | 求解线性矩阵方程 |
inv | 计算矩阵的乘法逆矩阵 |
numpy.dot()
numpy.dot():
- 对于两个一维的数组,计算的是这两个数组对应下标元素的乘积和(数学上称之为内积);
- 对于二维数组,计算的是两个数组的矩阵乘积;
- 对于多维数组,它的通用计算公式如下,即结果数组中的每个元素都是:数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和: dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。
numpy.dot(a, b, out=None)
参数说明:
- a : ndarray 数组
- b : ndarray 数组
- out : ndarray, 可选,用来保存dot()的计算结果
实例:
import numpy.matlib
import numpy as np
a = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
print(np.dot(a,b))
输出结果为:
[[37 40]
[85 92]]
计算式为:
[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]
二维数组之间即是线性代数中的矩阵相乘。
numpy.vdot()
numpy.vdot()
函数是两个向量的点积。 如果第一个参数是复数,那么它的共轭复数会用于计算。 如果参数是多维数组,它会被展开。
import numpy as np
a = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
# vdot 将数组展开计算内积
print (np.vdot(a,b))
输出结果为:
130
计算式为:
1*11 + 2*12 + 3*13 + 4*14 = 130
等同于:
# 若a,b为一维数组
a = np.array([1,2,3,4])
b = np.array([11,12,13,14])
np.dot(a,b) # 向量点积
130
numpy.inner()
numpy.inner()
函数返回一维数组的向量内积。对于更高的维度,它返回最后一个轴上的和的乘积。
import numpy as np
print (np.inner(np.array([1,2,3]),np.array([0,1,0])))
# 等价于 1*0+2*1+3*0
输出结果为:
2
多维数组实例
import numpy as np
a = np.array([[1,2], [3,4]])
print ('数组 a:')
print (a)
b = np.array([[11, 12], [13, 14]])
print ('数组 b:')
print (b)
print ('内积:')
print (np.inner(a,b))
输出结果为:
数组 a:
[[1 2]
[3 4]]
数组 b:
[[11 12]
[13 14]]
内积:
[[35 41]
[81 95]]
数组a的最后一轴即每一行与b数组每一行分别点积。
numpy.matmul
numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积,但如果任一参数的维数大于2,则将其视为存在于最后两个索引的矩阵的栈,并进行相应广播。
另一方面,如果任一参数是一维数组,则通过在其维度上附加 1 来将其提升为矩阵,并在乘法之后被去除。
对于二维数组,它就是矩阵乘法:
import numpy.matlib
import numpy as np
a = [[1,0],[0,1]]
b = [[4,1],[2,2]]
print (np.matmul(a,b))
输出结果为:
[[4 1]
[2 2]]
简单的矩阵乘法
二维和一维运算:
import numpy.matlib
import numpy as np
a = [[1,0],[0,1]]
b = [1,2]
print (np.matmul(a,b))
print (np.matmul(b,a))
输出结果为:
[1 2]
[1 2]
为什么会是这样子?(重头戏)
上面的过程等同于下面的操作(请注意b的维度变化):
a = [[1,0],[0,1]]
b = [[1],[2]]
print (np.matmul(a,b))
1、若进行a*b,a的shape:[2,2],b的shape[2,],是一维的数组,为了可以正常进行矩阵乘法,因此扩充b的维度为[2,1],即可计算。
[[1]
[2]]
输出[2,1],再降维处理:
a = [[1,0],[0,1]]
b = [[1],[2]]
print (np.matmul(a,b).flatten())
[1 2]
2、若进行b*a,a的shape:[2,2],b的shape[2,],是一维的数组,为了可以正常进行矩阵乘法,因此扩充b的维度为[1,2],即可计算。
a = [[1,0],[0,1]]
b = [[1,2]]
print (np.matmul(b,a))
[[1 2]]
再降维处理:
a = [[1,0],[0,1]]
b = [[1,2]]
print (np.matmul(b,a).flatten())
[1 2]
完美解释上面过程!请您细细品味。
维度大于二的数组 :
import numpy.matlib
import numpy as np
a = np.arange(8).reshape(2,2,2)
b = np.arange(4).reshape(2,2)
print(a)
print(b)
print (np.matmul(a,b))
a:
[[[0 1]
[2 3]]
[[4 5]
[6 7]]]
b:
[[0 1]
[2 3]]
np.matmul(a,b):
[[[ 2 3]
[ 6 11]]
[[10 19]
[14 27]]]
numpy.linalg.det()
numpy.linalg.det()
函数计算输入矩阵的行列式。
行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵,它是左上和右下元素的乘积与其他两个的乘积的差。
换句话说,对于矩阵[[a,b],[c,d]],行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。
import numpy as np
a = np.array([[1,2], [3,4]])
print (np.linalg.det(a))
输出结果为:
-2.0
import numpy as np
b = np.array([[6,1,1], [4, -2, 5], [2,8,7]])
print (b)
print (np.linalg.det(b))
print (6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2))
输出结果为:
[[ 6 1 1]
[ 4 -2 5]
[ 2 8 7]]
-306.0
-306
numpy.linalg.solve()
numpy.linalg.solve()
函数给出了矩阵形式的线性方程的解。
考虑以下线性方程:
x + y + z = 6
2y + 5z = -4
2x + 5y - z = 27
可以使用矩阵表示为:
如果矩阵成为A、X和B,方程变为:
A X = B AX = B AX=B
或
X = A − 1 B X = A^-1B X=A−1B
机器学习中的正规方程用得到!
numpy.linalg.inv()
numpy.linalg.inv()
函数计算矩阵的乘法逆矩阵。
逆矩阵(inverse matrix):设A是数域上的一个n阶矩阵,若在相同数域上存在另一个n阶矩阵B,使得: A B = B A = E AB=BA=E AB=BA=E,则我们称 B B B是 A A A的逆矩阵,而A则被称为可逆矩阵。
注:E为单位矩阵。
实例
import numpy as np
x = np.array([[1,2],[3,4]])
y = np.linalg.inv(x)
print (x)
print (y)
print (np.dot(x,y))
[[1 2]
[3 4]]
[[-2. 1. ]
[ 1.5 -0.5]]
[[1.00000000e+00 1.11022302e-16]
[0.00000000e+00 1.00000000e+00]]
现在创建一个矩阵A的逆矩阵:
import numpy as np
a = np.array([[1,1,1],[0,2,5],[2,5,-1]])
print ('数组 a:')
print (a)
ainv = np.linalg.inv(a)
print ('a 的逆:')
print (ainv)
print ('矩阵 b:')
b = np.array([[6],[-4],[27]])
print (b)
print ('计算:A^(-1)B:')
x = np.linalg.solve(a,b)
print (x)
# 这就是线性方向 x = 5, y = 3, z = -2 的解
数组 a:
[[ 1 1 1]
[ 0 2 5]
[ 2 5 -1]]
a 的逆:
[[ 1.28571429 -0.28571429 -0.14285714]
[-0.47619048 0.14285714 0.23809524]
[ 0.19047619 0.14285714 -0.0952381 ]]
矩阵 b:
[[ 6]
[-4]
[27]]
计算:A^(-1)B:
[[ 5.]
[ 3.]
[-2.]]
结果也可以使用以下函数获取:
x = np.dot(ainv,b)
array([[ 5.],
[ 3.],
[-2.]])
参考:RUNOOB.COM
加油!
感谢!
努力!
以上是关于机器学习必备知识NumPy线性代数详解的主要内容,如果未能解决你的问题,请参考以下文章