【机器学习】Octave矩阵，向量的表示与基本操作

CS229中需要用到Octave来做，张量的存储是必备的知识点，记录一下备用：

% The ; denotes we are going back to a new row.
A = [1, 2, 3; 4, 5, 6; 7, 8, 9; 10, 11, 12]% Initialize a vector
v = [1;2;3] % Get the dimension of the matrix A where m = rows and n = columns
[m,n] = size(A)% You could also store it this way
dim_A = size(A)% Get the dimension of the vector v
dim_v = size(v)% Now let's index into the 2nd row 3rd column of matrix A
A_23 = A(2,3)

矩阵加/减/乘/除法

% Initialize matrix A and B
A = [1, 2, 4; 5, 3, 2]
B = [1, 3, 4; 1, 1, 1]% Initialize constant s
s = 2% See how element-wise addition works
add_AB = A + B % See how element-wise subtraction works
sub_AB = A - B% See how scalar multiplication works
mult_As = A * s% Divide A by s
div_As = A / s% What happens if we have a Matrix + scalar?
add_As = A + s

举个例子

代码：

house_sizes = [1,2104; 1,1416; 1,1534; 1, 852]
W = [-40; 0.25]
res = house_sizes * W
% 输出
res =486.00314.00343.50173.00

矩阵乘以矩阵

% 矩阵乘以矩阵
A = [1,3,2; 4,0,1]
B = [1,3; 0,1; 5,2]
C = A * B% 输出
C =11   109   14

再看一个具体的例子
我们需要经常想想的是：矩阵乘以向量，得出的还是向量，但维度变成矩阵的行数。

因此，在矩阵乘矩阵的场景下，右边的矩阵可以视作多个列向量的组合，所以得出的结果，也是多个列向量，且列向量的个数与右边矩阵的列向量个数一样，但是向量的维度则是左边矩阵的行数。

这个截图案例里，是把多个假设同时放在右边矩阵中，每个列向量是一个假设，得出的结果里，每个列向量是一个对应值。

% 矩阵乘矩阵案例
house_sizes = [1,2104; 1,1416; 1,1534; 1, 852]
hypotheses = [-40, 200, -150; 0.25, 0.1, 0.4]res = house_sizes * hypotheses% 输出
res =486.00   410.40   691.60314.00   341.60   416.40343.50   353.40   463.60173.00   285.20   190.80

用这些案例，可以从中体会到向量化的重要性，基于向量化，我们可以避免数据处理时的循环，从而加快运行效率。

单位矩阵

% 单位矩阵
I_2 = eye(2)
I_7 = eye(7)% 输出
% I_21   00   1% I_71   0   0   0   0   0   00   1   0   0   0   0   00   0   1   0   0   0   00   0   0   1   0   0   00   0   0   0   1   0   00   0   0   0   0   1   00   0   0   0   0   0   1

注意，矩阵的Octave表示，一行内的数据不一定非要用逗号隔开，可以用空格。

A = [3 4; 2 16]
A = [3,4; 2,16]

两种都是可以的。

矩阵的求逆

A = [3 4; 2 16]% 输出
reverse =0.400000  -0.100000-0.050000   0.075000% 检验
A * reverse
% 输出
ans =1.0000e+00   5.5511e-17-2.2204e-16   1.0000e+00

注意到，计算机里表示的浮点数0，是很小很小的数字，但不是绝对的精准的0.

矩阵的转置

% 矩阵转置
A = [1 2 0; 3 5 9]
A_T = transpose(A)% 输出
ans =1   32   50   9

END.

【机器学习】Octave矩阵，向量的表示与基本操作相关推荐

机器学习中矩阵向量求导
以下内容是根据刘建平的求导博客做的相关笔记一.导数的定义与布局 1. 相关说明 2.导数布局导数部分有分子布局和分母布局两种情况. 分子布局和分母布局相差一个转置. 标量对向量求导布局向量对向量 ...
机器学习中的矩阵向量求导(四) 矩阵向量求导链式法则
在机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法中,我们讨论了使用微分法来求解矩阵向量求导的方法.但是很多时候,求导的自变量和因变量直接有复杂的多层链式求导的关系,此时微分法使用起来也有些麻烦. ...
机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法
在机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法中,我们讨论了定义法求解矩阵向量求导的方法,但是这个方法对于比较复杂的求导式子,中间运算会很复杂,同时排列求导出的结果也很麻烦.因此我们需要其他的 ...
机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法
在机器学习中的矩阵向量求导(一) 求导定义与求导布局中,我们讨论了向量矩阵求导的9种定义与求导布局的概念.今天我们就讨论下其中的标量对向量求导,标量对矩阵求导, 以及向量对向量求导这三种场景的基本求解 ...
机器学习中的矩阵向量求导(一) 求导定义与求导布局
在之前写的上百篇机器学习博客中,不时会使用矩阵向量求导的方法来简化公式推演,但是并没有系统性的进行过讲解,因此让很多朋友迷惑矩阵向量求导的具体过程为什么会是这样的.这里准备用几篇博文来讨论下机器学习中 ...
3 Spark机器学习 spark MLlib 矩阵向量、矩阵运算Breeze库-1
机器学习里矩阵是必不可少的,无论Python.Java能做机器学习的语言,都会提供比较优质的矩阵库. spark mllib中提供的矩阵库是Breeze,可以简单看看Breeze库的情况. Scala ...
机器学习：矩阵、向量求导理解
文章目录前言 1. 向量与单变量求导 1.1 向量对单变量 1.2 单变量对向量求导 2. 矩阵与单变量求导 2.1 矩阵对单变量求导 2.2 单变量对矩阵求导 3. 向量对向量的求导 3.1 列向 ...
机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导
在矩阵向量求导前4篇文章中,我们主要讨论了标量对向量矩阵的求导,以及向量对向量的求导.本文我们就讨论下之前没有涉及到的矩阵对矩阵的求导,还有矩阵对向量,向量对矩阵求导这几种形式的求导方法. 本文所有求 ...
数学狂想曲（三）——统计杂谈, PID算法, 20世纪10大算法, 矩阵向量的积
http://antkillerfarm.github.io/ 统计杂谈统计模拟统计模拟是数理统计中非常有用的工具之一, 它是利用计算机产生某概率模型的随机数,再通过这些随机数来模拟真实模型. 这 ...
[机器学习-数学] 矩阵求导(分母布局与分子布局)，以及常用的矩阵求导公式
一, 矩阵求导 1,矩阵求导的本质矩阵A对矩阵B求导: 矩阵A中的每一个元素分别对矩阵B中的每个元素进行求导. A1×1A_{1\times1}A1×1, B1×1B_{1\times1}B1×1 ...