【089】深度学习读书笔记：P29证明迹Tr(AB)=Tr(BA)

2024-06-06 19:49:45

已知m行n列矩阵A，n行m列矩阵B。Tr表示迹运算。求证 Tr(AB)=Tr(BA) 。

证明：
令 A_x,y 表示矩阵A的第x行y列元素。令C=AB。 D=BA。C是m阶方阵。D是n阶方阵。我们可以分别对A、B做如下表示：

因为迹运算只计算矩阵对角线的和，我们可以只关心方阵C的对角线。

C_1,1 = A_1,1B_1,1 + A_1,2B_2,1 + ··· + A_1,nB_n,1

C_2,2 = A_2,1B_1,2 + A_2,2B_2,2 + ··· + A_2,nB_n,2

…

C_m,m = A_m,1B_1,m + A_m,2B_2,m + ··· + A_m,nB_>n,m

根据上面的等式，用 C_j,j 表示 m 阶方阵 AB 的第 j 行 j 列元素，我们可以得到一个规律：

因为迹运算只计算矩阵对角线的和，我们可以只关心 n 阶方阵 D 的对角线。
D_1,1 = B_1,1A_1,1 + B_1,2A_2,1 + ··· + B_1,mA_m,1

D_2,2 = B_2,1A_1,2 + B_2,2A_2,2 + ··· + B_2,mA_m,2

…

D_n,n = B_n,1A_1,n + B_n,2A_2,n + ··· + B_n,mA_m,n

设n阶方阵BA 的第r行r列元素是D_r,r 。

因为在不引起混淆的前提下，求和标号是任意的。我们可以令 j=k ， i = r

所以 Tr(AB) = Tr(BA)

我们可以得到更一般的结论。多个矩阵相乘得到的方阵的迹，和将这些矩阵中的最后一个挪到前面之后相乘的迹是相同的。当然，我们要考虑挪动矩阵后矩阵乘积依然定义良好。下面是求证的过程：

在保证挪动矩阵后矩阵乘积仍然定义良好的情况下，用F⁽ⁱ⁾表示第i个相乘的矩阵，求证

证明：

【089】深度学习读书笔记：P29证明迹Tr(AB)=Tr(BA)相关推荐

深度学习读书笔记之RBM（限制波尔兹曼机）
深度学习读书笔记之RBM 声明: 1)看到其他博客如@zouxy09都有个声明,老衲也抄袭一下这个东西 2)该博文是整理自网上很大牛和机器学习专家所无私奉献的资料的.具体引用的资料请看参考文献.具体的 ...
深度学习读书笔记之AE（自动编码）
深度学习读书笔记之AE 声明: 1)该博文是整理自网上很大牛和机器学习专家所无私奉献的资料的.具体引用的资料请看参考文献.具体的版本声明也参考原文献. 2)本文仅供学术交流,非商用.所以每一部分具体的 ...
吴恩达深度学习——读书笔记
神经网络和深度学习深度学习概述深度学习(Deep Learning)是更复杂的神经网络(Neural Network). 这是一个基本的神经网络模型结构.在训练的过程中,只要有足够的输入x和输出y ...
深度学习读书笔记之RBM
/*************************** * * 转自:http://blog.csdn.net/mytestmy/article/details/9150213 * ******* ...
AI圣经-深度学习-读书笔记（四）-数值计算
数值计算机器学习算法通常需要大量的数值计算,这通常是指通过迭代过程更新解的估计值来解决数学问题的算法,而不是通过解析过程推导出公式来提供正确解的方法.常见的操作包括优化和线性方程组的求解. 对上溢和 ...
AI圣经-深度学习-读书笔记（七）-深度学习中的正则化
深度学习中的正则化 0 简介机器学习中的一个核心问题是设计不仅在训练数据上表现好,而且能在新输入上泛化好的算法.采用显式减少测试误差(可能会增加训练误差)的策略称为正则化. 在深度学习的背景下,大多 ...
AI圣经-深度学习-读书笔记（一）-引言
引言机器学习:AI系统需要具备自己***获取自己获取知识的能力***,即从原始数据中提取模式的能力. 许多人工智能任务都可以通过以下方式解决:先提取一个合适的特征集,然后将这几个特征提供给简单的机器 ...
[1天搞懂深度学习] 读书笔记 lecture I:Introduction of deep learning
- 通常机器学习,目的是,找到一个函数,针对任何输入:语音,图片,文字,都能够自动输出正确的结果. - 而我们可以弄一个函数集合,这个集合针对同一个猫的图片的输入,可能有多种输出,比如猫,狗,猴子等, ...
大数据架构详解从数据获取到深度学习读书笔记
我们将大数据按处理时间的跨度要求可以分为以下几类: 1 基于实时数据流的数据处理(streaming Data processing),通常的是假跨度在数百毫秒到数秒之间 2 基于历史数据的交互式查询 ...

最新文章

热门文章