吴恩达深度学习复盘(6)神经网络的矢量化原理

矢量化基础是线性运算,这里先简单复习一下。线性基本运算基本没什么,大量使用的有点乘和叉乘。

基本例子

1. 矩阵的基本概念

  • 矩阵可以看作是一个块或者二维数组,这是对矩阵的一个在计算机计算的直观描述。

2. 向量的点积(内积)

  • 例子:以向量和向量为例

  • 计算过程

  • 总结:

对于向量和向量

假设

它们的点积的计算方式是,也就是将对应元素相乘后再把所有乘积相加。

  • 等价表示:

向量通常可以用列向量表示,通过取的转置(即将列向量变为行向量,记为),可以得到点积的另一种等价表示形式。

例如,若是一2x1的列向量,转置后是一个1×2的行向量。此时,为2×1列向量)的点积就等于乘以,即。这种表示方式在理解矩阵乘法时非常有用,因为它将向量的点积与矩阵乘法联系了起来。

3. 向量与矩阵的乘法

  • 设定向量和矩阵:

设向量

设矩阵W是一个的矩阵,

  • 计算乘积矩阵的元素:

这里,我们来计算

结果矩阵的第一个元素:用向量与矩阵W的第一列向量做点积,即

结果矩阵的第二个元素:用向量与矩阵W的第二列向量做点积,即

所以,

  • python点乘例子

    import numpy as np

    定义向量 A

    A = np.array([[2, 3, 4]])

    定义矩阵 W

    W = np.array([[5, 6],
    [7, 8],
    [9, 10]])

    计算向量与矩阵的乘积

    result = np.dot(A, W)

    print("向量与矩阵的乘积结果:", result)

4. 矩阵与矩阵的乘法

设矩阵,这是一个的矩阵;矩阵,这是一个的矩阵。

根据矩阵乘法的规则,因为A的列数(3列)等于B的行数(3行),所以A和B可以相乘,结果矩阵的行数等于A的行数(2行),列数等于B的列数(2列),即C是一个的矩阵。

接下来计算C中各个元素的值:

  • (C的第一行第一列元素): A的第一行元素与B的第一列元素对应相乘再相加,即
  • (C的第一行第二列元素): A的第一行元素与B的第二列元素对应相乘再相加,即
  • (C的第二行第一列元素): A的第二行元素与B的第一列元素对应相乘再相加,即
  • (C的第二行第二列元素): A的第二行元素与B的第二列元素对应相乘再相加,即

所以,矩阵

NumPy 库来验证:

复制代码
import numpy as np

A = np.array([[1, 2, 3],
              [4, 5, 6]])
B = np.array([[7, 8],
              [9, 10],
              [11, 12]])

C = np.dot(A, B)
print(C)

转向矩阵通用例子

设向量的列向量,矩阵W为的矩阵

根据向量与矩阵乘法规则(用向量转置后的行向量与矩阵相乘),得到的结果是一个的矩阵(行向量)。

计算过程如下:

=

=

  1. 笔者注:

无论是向量与矩阵相乘,还是矩阵与矩阵相乘,本质上都涉及到很多向量之间的点积运算,并且是按照一定的顺序来构建结果矩阵(如)的元素,一次计算一个元素。其实是规则的嵌套,函数的函数。

矢量化展开的原理和例子

1.简介

  • 以矩阵,说明其转置表示,即把的列变为行。在NumPy中,除了常规的转置理解方式外,还可以使用这样的函数来计算转置,该函数会将矩阵的列横向排列。

  • 给出矩阵,通过(np指NumPy库)这样的代码计算矩阵。python在一些代码中可能会看到这种写法,这也是计算矩阵乘法的另一种方式,使用np.dot更清晰。

2.矢量化原理

假设输入特征值为 [2, 17],我们将其看作矩阵 A 的转置 ,这是一个 1x2 的矩阵。

设权重矩阵 W 是一个 2x3 的矩阵,偏置矩阵 B 是一个 1x3 的矩阵,具体数值如下:

复制代码
A_T = [2, 17]
W = [[1, 2, 3],
     [4, 5, 6]]
B = [[10, 20, 30]]

计算

  • 计算
    • 的第一个元素:
    • 的第二个元素:
    • 的第三个元素:
    • 所以
  • 再加上偏置矩阵 B:
    • Z 的第一个元素:
    • Z 的第二个元素:
    • Z 的第三个元素:
    • 所以

应用激活函数 g

假设激活函数 g 是 sigmoid 函数,其公式为

所以最终的输出矩阵

3.代码例子

python 复制代码
import numpy as np

# 定义 sigmoid 激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 输入特征值矩阵 A 的转置
A_T = np.array([[2, 17]])

# 权重矩阵 W
W = np.array([[1, 2, 3],
              [4, 5, 6]])

# 偏置矩阵 B
B = np.array([[10, 20, 30]])

# 计算 Z = A^T W + B
Z = np.dot(A_T, W) + B

# 应用激活函数 g 得到输出矩阵 a
a = sigmoid(Z)

print("Z 的值:", Z)
print("a 的值:", a)    

4.矢量化实现的优势

只需要几行代码就能在神经网络中实现一个问题,并且能获得巨大的速度提升。原因是现代计算机擅长高效地实现矩阵乘法(如`np.dot`对应的操作),利用快速硬件可以非常有效地完成大规模矩阵乘法运算。

笔者注:用纯cpu集群训练理论是可以的,但是是不现实的。

相关推荐
XIE3921 小时前
Browser-use使用教程
python
酷爱码2 小时前
如何通过python连接hive,并对里面的表进行增删改查操作
开发语言·hive·python
星云ai2 小时前
矩阵运营:抢占市场与流量的利器
矩阵
蹦蹦跳跳真可爱5892 小时前
Python----深度学习(基于深度学习Pytroch簇分类,圆环分类,月牙分类)
人工智能·pytorch·python·深度学习·分类
MinggeQingchun5 小时前
Python - 爬虫-网页解析数据-库lxml(支持XPath)
爬虫·python·xpath·lxml
lixy5796 小时前
深度学习3.7 softmax回归的简洁实现
人工智能·深度学习·回归
Python自动化办公社区6 小时前
Python 3.14:探索新版本的魅力与革新
开发语言·python
weixin_贾7 小时前
最新AI-Python机器学习与深度学习技术在植被参数反演中的核心技术应用
python·机器学习·植被参数·遥感反演
张槊哲7 小时前
函数的定义与使用(python)
开发语言·python
船长@Quant7 小时前
文档构建:Sphinx全面使用指南 — 实战篇
python·markdown·sphinx·文档构建