深度学习特征分解、SVD 与 PCA —— 矩阵的“质因数分解“(六)
1. 定位导航本篇是第2章线性代数的终篇,覆盖三个最有力的矩阵分析工具:特征分解、奇异值分解(SVD)、主成分分析(PCA)。此外还包括三个辅助工具:Moore-Penrose 伪逆、迹运算、行列式。这些工具贯穿深度学习的方方面面——PCA 用于数据预处理和降维,SVD 用于模型压缩和推荐系统,特征分解是理解 Hessian 矩阵(优化理论的核心)的基础。2. 特征分解(Eigendecomposition)2.1 核心直觉:矩阵在做什么?整数 12 可以分解为 2×2×3,从中能看出 12 不能被 5 整除、12 的倍数一定能被 3 整除等性质。类似地,矩阵也可以被"分解"来揭示它在做什么。当一个方阵 A 乘以某个特殊向量 v 时,效果仅仅是把 v 缩放了一下,方向不变:Av=λv\mathbf{A}\mathbf{v} = \lambda \mathbf{v}
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2474826.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!