张量、标量、向量和矩阵
张量、标量、向量和矩阵
https://github.com/bovem/publications/tree/master/Linear%20Algebra
张量是一个数据数组(数字、函数等),它以任意数量(0 或更大)的维度展开。维数称为张量秩。
秩 0 张量 没有维度(0)的张量。
A 是 0 维张量 秩 1 张量 仅在一维中展开的张量。
一维张量示例 秩 2 张量
二维张量 秩 3 张量
三维张量就像矩阵一个接一个地放置
如图所示,秩 3 张量具有立方体(或长方体状结构)。
如果张量的秩超过 3,则很难可视化。
视频给出的解释直观深刻
Dan Fleisch给出了张量的惊人解释
标量
标量是 0 秩张量。在物理学中,各种量表示为标量,例如:距离(500公里),温度(10ºC),速度(34公里/小时)等。
向量
秩 1 张量称为向量。物理量,如速度(10 m/s)、位移(向东 54 m)、电磁场 (1 V/m)。
标量和矢量的区别:
不需要其他信息(如方向)的量(如温度)表示为标量。然而,需要指定方向的量与其大小一起用向量(如电场)表示。
E 是向量或秩 1 张量
向量用粗体字母,如“E”或字母上方的箭头表示。
为了绘制一个向量,我们使用它的元素作为坐标的值(分别为x,y和z轴)。在这里,第一个元素(0.5)被当作x值,第二个元素(0.5)被当作y值,如果我们有三个元素,第三个就是z值。
矢量 E 在图形上绘制为蓝点
将向量绘制为点后,我们从原点 (0,0) 向它放置一个箭头。
向量只是具有一行(称为列向量)或一列(称为行向量)的矩阵。
矩阵
矩阵是秩 2 张量。我们之前已经看过矩阵。
秩大于 2 的张量简称为“张量”(秩大于 2 的张量没有特定名称)。
张量的概念将矩阵、向量和标量推广到一个屋檐下(它们都是张量,但秩不同)。
矩阵作为向量的乘积:
当两个向量相乘时,它们形成一个矩阵。
向量 X(3×1 阶)将与向量 Y(1×3 阶)相乘
结果是一个矩阵 Z(阶数为 3×3)
向量 X 和 Y 组合起来有 6 个元素,但它们的乘积本身就有 9 个元素。因此,一些矩阵可以分解为两个向量的乘积。
假设线性方程组如下:
3x-5y = 6 →(1)
x+y = 4 →(2)
3x+y = 0 →(3)
该系统在行图中的表示为:
行图片可以绘制在图上:
从图中我们可以看出,该系统没有一个唯一的解决方案.
为了从行图片中找到线性方程组的解,我们查看图形,看看所有线是否有任何一个交点,该点称为方程组解。
如果没有共同点,那么方程组就没有解(如上例所示)。
列图片
列图是为每个变量单独形成的系数矩阵。之后,变量与其系数矩阵(标量乘法)相乘并相加。
然后,它等同于常数矩阵。
取线性方程组(1)、(2)和(3),列图如下:
“x”和“y”是标量与其相应的系数矩阵相乘
图表上的列图片
为了在图上显示列图片,我们将单个系数矩阵视为向量,并将这些向量绘制在图上。
蓝色向量是X的系数矩阵,红色向量是Y的系数矩阵,绿色向量是常数矩阵
为了从列图片中找到方程组的解,我们将系数矩阵与不同的变量值(x 和 y)相乘并将它们相加(向量加法类似于矩阵加法)。
如果结果等于常数矩阵,则x和y的值称为线性方程组解。
对于此示例,正如我们在行图片中看到的那样,没有解决方案。因此,对于列图片中没有 x 和 y 的值,总和向量将等于常量矩阵(或向量)。
在寻找任何线性方程组的解时,我们可能会遇到以下三种情况之一 一个独特的解决方案 考虑一个线性方程组:
4x+y = 9→(4)
2x-y = 3→(5)
5x-3y = 7→(6)
将这些方程绘制为图表上的行图片和列图片:
(4)(5)和(6)的行图片
(4)(5)和(6)的列图片
为了验证解决方案 x= 2 和 y=1,我们从列图片中替换它们的值并计算。
因此,结果等于常量矩阵。因此,x=2 和 y=1 是方程组(4)(5)和(6)的一个唯一解。
无限多的解决方案 考虑一个线性方程组:
x+2y = 4→(7)
2x+4y = 8→(8)
将这些方程绘制为图表上的行图片和列图片:
两条线相互重叠
在这里,我们有解决方案,但它们的数量无限大,因为两条线几乎在每个点上相交。
似乎红色向量和绿色向量是蓝色向量的标量乘积
因此,x 和 y 可能有无限多的值,以便列图片返回常量矩阵。
没有解决方案
考虑一个线性方程组:
x+y = 4→(9)
x+y = 8→(10)
x-y = 0→(11)
将这些方程绘制为图表上的行图片和列图片:
所有三条线都没有交点
我们可以看到“x”和“y”的无解
通过行和列图片乘法
除了前面讨论的矩阵乘法方式之外,我们还可以通过另外两种方式进行乘法
上:行图片乘法
中:当一个矩阵的各个列与另一个矩阵的行(标量乘法)相乘时,结果矩阵相加。
下:假设我们必须将这两个矩阵相乘
第一个矩阵(1)的第 4 列乘以第二个矩阵的第 1 行,第一个矩阵(2)的第 5 列乘以第二个矩阵的第 2 行,依此类推
结果正是我们对正常乘法的预期!
其他资源 :
物理和工程学生张量简介 Joseph C. Kolecki,将在课堂精讲中分享
本文由 mdnice 多平台发布
张量、标量、向量和矩阵相关推荐
- 标量、向量、矩阵、张量及向量和矩阵范数简介
标量.向量.矩阵.张量之间的联系 标量(scalar) 一个标量表示一个单独的数,它不同于线性代数中研究的其他大部分对象(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. 向量 ...
- 深度学习-数学-第一篇-标量,向量,矩阵,张量
这记录一些我刚开始学习所用到的数学 基础从最基础的开始 小知识: 0 ∈ {0 1 {0 1}表示一个集合,里面有0,1两个元素.所以0属于这个集合,就用0 ∈ {0 1}表示了.∈代表属于. {0 ...
- 标量、向量和矩阵的求导法则
0. 前言 \quad\;\; 本文主要对标量对向量和矩阵以及向量对向量求导三种场景进行求解,标量对向量和矩阵求导以分母布局为默认布局,向量对向量求导以分子布局为默认布局,所有向量默认为列向量. 1. ...
- 向量大小和归一化(vector magnitude normalization)、向量范数(vector norm)、标量/向量/矩阵/张量
一.向量大小 首先一个向量的长度或者大小一般记为.上图中的平面向量的大小计算如下: 空间向量的大小计算如下: 维复向量的大小计算如下: 二.向量归一化 向量归一化即将向量的方向保持不变,大小归一化到1 ...
- 复数 标量/向量/矩阵 求导
Wirtinger derivative: 对复标量求导 Wirtinger derivative: 令 z=x+jyz=x+jyz=x+jy,则 f(z)f(z)f(z) 对 zzz 和 zzz 的 ...
- 数学基础(向量和矩阵)
原文地址:OpenGL 2d旋转坐标公式为:newx = x*cos(a) - y * sin(a) newy = x*sin(a) + y * cos(a) 推导这个公式主要用到了sin(a + ...
- python求向量函数的雅可比矩阵_在python Numpy中求向量和矩阵的范数实例
np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=np.linalg.norm(x, ord=None, ...
- 3D数学 向量和矩阵
向量和矩阵 坐标系 左手系.右手系 向量常用公式 向量的模(长度) 标准化向量 点积 叉积 矩阵常用性质 逆矩阵性质 正交矩阵 齐次空间 坐标空间变换推到过程 MVP矩阵 局部空间 世界空间 模型矩阵 ...
- python二维元素向量_详解python Numpy中求向量和矩阵的范数
在python Numpy中求向量和矩阵的范数实例 np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=n ...
最新文章
- 数据结构源码笔记(C语言):二叉平衡树的相关操作算法
- break 与continue 语句
- 自适应lasso_线性回归模型优化算法(Lasso)
- (第一篇)FFilmation Glossary 术语
- rsync + inotify
- kill所有java进程
- Appium安装使用总结
- 不小心把桌面进程结束了怎么办_微信不小心把天聊死怎么办?试试这3招,分分钟结束“尬聊”...
- 模仿mongodb采用xml+json实现小型数据库
- 基于visual Studio2013解决C语言竞赛题之1010计算
- 算法高级(9)-线程池的实现方式
- 光驱安装centos7系统过程_centos7可以ping通外网_可以ping通内网其他机器_但是其他机器就是ping不通centos7_太神奇了---linux工作笔记041
- 车辆抵押贷款风险分析
- vue从入门到进阶:Class 与 Style 绑定(四)
- python template languages_更换Django默认的模板引擎为jinja2的实现方法
- No realms have been configured! One or more realms must be present to execut
- 版本控制器之-git的简单用法
- 2017 苹果强制https
- (转)汇编bne的问题
- 【Python语言基础】——Python 数字
热门文章
- Windows下安装启动Kibana
- Excel VBA:按日期汇总计算输出结果(sumif)
- No.3 课程综述 | Flink 知其然,知其所以然
- Spring Security入门基础
- WordPress主题下载Sparkling个人简洁博客主题
- 欧乐-B全新人工智能牙刷比任何人都更加了解你的刷牙方式
- org.aspectj.weaver.ResolvedType$Array cannot be cast to org.aspectj.weaver.ReferenceType
- 解决现在无法停止‘通用卷’设备,请稍候再停止该设备的方法
- VulnHub narak
- zzulioj:1125