人工智能中的线性代数总结--简单篇

numpy库中的dot函数来计算矩阵和向量的点积

python 复制代码
def matrix_vector_dot_product(a, b):
    import numpy as np
    if (len(a[0]) != len(b)):
        return -1
    # 使用tolist()将结果转换为列表
    return np.dot(a, b).tolist()

原始方法

python 复制代码
def matrix_vector_dot_product(matrix, vector):
    if len(matrix[0]) != len(vector):
        return -1
    l = []
    for i in matrix:
        num = 0
        for j in range(len(i)):
            num += (i[j]*vector[j])
        l.append(num)
    return l

               

# 主程序
if __name__ == "__main__":
    # 输入矩阵和向量
    matrix_input = input()
    vector_input = input()

    # 处理输入
    import ast
    matrix = ast.literal_eval(matrix_input)
    vector = ast.literal_eval(vector_input)

    # 调用函数计算点积
    output = matrix_vector_dot_product(matrix, vector)
    
    # 输出结果
    print(output)

numpy库中给定的矩阵 A,其转置矩阵表示为 A^T

python 复制代码
def transpose_matrix(a: List[List[Union[int, float]]]) -> List[List[Union[int, float]]]:
    import numpy as np
    return np.array(a).T.tolist()

使用numpy库的reshape方法矩阵重塑

矩阵重塑是将一个矩阵转换为另一个形状的过程,前提是新形状的元素总数与原矩阵相同

python 复制代码
def reshape_matrix(a: List[List[Union[int, float]]], new_shape: Tuple[int, int]) -> List[List[Union[int, float]]]:
    import numpy as np
    if len(a) * len(a[0]) != new_shape[0] * new_shape[1]:
        return -1
    return np.array(a).reshape(new_shape).tolist()

使用numpy库的mean方法按行或列计算平均值

python 复制代码
def calculate_matrix_mean(matrix: List[List[Union[int, float]]], mode: str) -> List[float]:
    import numpy as np
    if mode == 'column':
        return np.mean(matrix, axis=0).tolist()
    elif mode == 'row':
        return np.mean(matrix, axis=1).tolist()
    else:
        raise ValueError("Mode must be 'row' or 'column'")

使用python的广播机制进行标量的矩阵乘法

python 复制代码
def scalar_multiply(matrix: List[List[Union[int, float]]], scalar: Union[int, float]) -> List[List[Union[int, float]]]:
   import numpy as np
   return (np.array(matrix) * scalar).tolist()

使用numpy库的cov方法计算协方差矩阵

协方差矩阵是一种描述两个随机变量之间关系的矩阵,其计算公式为:

python 复制代码
import numpy as np

def jia(vectors, a):
    return [i + a for i in vectors]

def dianji(a,b):
    if len(a) != len(b):
        return -1
    s = 0
    for j in range(len(a)):
        s += a[j] * b[j]
    return s

def cov(x,y):
    return dianji(jia(x, -sum(x)/len(x)),jia(y, -sum(y)/len(y))) / (len(x)-1)

def calculate_covariance_matrix(vectors):
    # 补全代码
    return [[cov(x,y) for x in vectors] for y in vectors]

# 主程序
if __name__ == "__main__":
    # 输入
    ndarrayA = input()

    # 处理输入
    import ast
    A = ast.literal_eval(ndarrayA)

    # 调用函数计算
    output = calculate_covariance_matrix(A)
    
    # 输出结果
    print(output)

原始方法

python 复制代码
import numpy as np

def calculate_covariance_matrix(vectors):
    n_features = len(vectors)
    n_observations = len(vectors[0])
    covariance_matrix = np.zeros([n_features, n_features])
 
    means = [sum(feature) / n_observations for feature in vectors]
 
    for i in range(n_features):
        for j in range(i, n_features):
            covariance = sum(
                (vectors[i][k] - means[i]) * (vectors[j][k] - means[j])
                for k in range(n_observations)
            ) / (n_observations - 1)
            covariance_matrix[i][j] = covariance_matrix[j][i] = covariance
 
    return covariance_matrix.tolist()
# 主程序
if __name__ == "__main__":
    # 输入
    ndarrayA = input()

    # 处理输入
    import ast
    A = ast.literal_eval(ndarrayA)

    # 调用函数计算
    output = calculate_covariance_matrix(A)
    
    # 输出结果
    print(output)

基向量变换矩阵

基向量变换矩阵(Basis Vector Transformation Matrix)是一种常用的矩阵,用于将基向量变换为另一个基向量。

python 复制代码
import numpy as np

def transform_basis(B, C):
    B = np.array(B)
    C = np.array(C)
    C = np.linalg.inv(C)
    P = B@C
    return P.tolist()


if __name__ == "__main__":
    B = np.array(eval(input()))
    C = np.array(eval(input()))
    print(transform_basis(B, C))

将向量转换为对角矩阵

python 复制代码
def make_diagonal(x):
    identity_matrix = np.identity(np.size(x))
    return (identity_matrix*x)

原始方法

python 复制代码
def make_diagonal(x):
    x = np.array(x)
    zeros = np.zeros((len(x),len(x)),dtype=np.float16)
    for i in range(len(x)):
        zeros[i,i]=x[i]
    return zeros
    
if __name__ == "__main__":
    x = np.array(eval(input()))
    print(make_diagonal(x))

实现压缩行稀疏矩阵(CSR)格式转换

压缩行稀疏矩阵(CSR)格式是一种特殊的矩阵存储格式,其特点是只存储非零元素的值、行号和列指针。本质上是一种三元组表示法。

输入

[[1, 0, 0], [2, 3, 0], [0, 4, 5]]

输出

**[1, 2, 3, 4, 5]

0, 0, 1, 1, 2

0, 1, 3, 5\]** ```python def compressed_row_sparse_matrix(dense_matrix): vals = [] col_idx = [] row_ptr=[0] for x in dense_matrix: for i,y in enumerate(x): if y!=0: vals.append(y) col_idx.append(i) row_ptr.append(len(vals)) return vals, col_idx, row_ptr if __name__ == "__main__": dense_matrix = eval(input()) vals, col_idx, row_ptr = compressed_row_sparse_matrix(dense_matrix) print(vals) print(col_idx) print(row_ptr) ``` ## 实现向量到直线的正交投影 ![](https://i-blog.csdnimg.cn/direct/92a8044116a6440392f7307073fcaed3.png) ```python def orthogonal_projection(v, L): import numpy as np v = np.array(v) L = np.array(L) a = (((v@L)/np.dot(L,L))*L) a = a.tolist() return a if __name__ == "__main__": v = eval(input()) L = eval(input()) print(orthogonal_projection(v, L)) ``` ## 实现压缩列稀疏矩阵 ```python def compressed_col_sparse_matrix(dense_matrix): from scipy.sparse import csc_matrix sparse = csc_matrix(dense_matrix) return sparse.data.tolist(), sparse.indices.tolist(), sparse.indptr.tolist() ``` 原始方法 ```python def compressed_col_sparse_matrix(dense_matrix): vals, row_idx, col_ptr = [],[],[0] import numpy as np dense_matrix = np.array(dense_matrix) dense_matrix = dense_matrix.T for i in dense_matrix: for j,x in enumerate(i): if x!=0: vals.append(x) row_idx.append(j) col_ptr.append(len(vals)) return vals, row_idx, col_ptr if __name__ == "__main__": dense_matrix = eval(input()) vals, row_idx, col_ptr = compressed_col_sparse_matrix(dense_matrix) print(vals) print(row_idx) print(col_ptr) ``` ## 计算向量之间的余弦相似度 ```python import numpy as np def cosine_similarity(v1, v2): # Implement your code here if v1.shape != v2.shape: raise ValueError("Arrays must have the same shape") if v1.size == 0: raise ValueError("Arrays cannot be empty") v1 = v1.flatten() v2 = v2.flatten() val= (v1@v2)/(np.sqrt(np.dot(v1,v1))*np.sqrt(np.dot(v2,v2))) return round(val, 3) if __name__ == "__main__": v1 = np.array(eval(input())) v2 = np.array(eval(input())) print(cosine_similarity(v1, v2)) ``` ## 泊松分布概率计算器 泊松分布是一种描述随机事件发生次数的概率分布,其计算公式为: ![](https://i-blog.csdnimg.cn/direct/4453cb8362e247e3ba27c185ababff86.png) ```python import math def poisson_probability(k, lam): # Your code here o=(math.exp(-lam))*(lam**k) u=math.factorial(k) val=o/u return round(val, 5) if __name__ == "__main__": k, lam = map(int, input().split()) print(poisson_probability(k, lam)) ```

相关推荐
chaofan9801 天前
如何用 Claude Code 搭建安全、可测、可自动化的 GitHub CI 流程?
运维·人工智能·ci/cd·ai·自动化·github·claude
moonsims1 天前
MR+无人机-增强态势感知、更高效的现场检查和增强
人工智能·无人机
补三补四1 天前
深度学习激活函数:从 Sigmoid 到 GELU 的演变历程
人工智能·深度学习
强盛小灵通专卖员1 天前
深度学习中Bootstrap详解
人工智能·深度学习·bootstrap·sci·sci期刊·小论文
一百天成为python专家1 天前
【项目】自然语言处理——情感分析 <上>
人工智能·rnn·自然语言处理·数据分析·lstm·pandas·easyui
新智元1 天前
独家!DeepSeek 最新模型上线,全新注意力机制基于北大 ACL 最佳论文
人工智能·openai
丁学文武1 天前
大模型原理与实践:第一章-NLP基础概念完整指南_第1部分-概念和发展历史
人工智能·自然语言处理·基础概念·大模型应用·发展历史
新智元1 天前
刚刚,Claude Sonnet 4.5 重磅发布,编程新王降临!
人工智能·openai
汽车仪器仪表相关领域1 天前
南华 NHXJ-02 汽车悬架检验台:技术特性与实操应用指南
人工智能·算法·汽车·安全性测试·稳定性测试·汽车检测·年检站
云澈ovo1 天前
量子计算预备役:AI辅助设计的下一代算力架构
人工智能·架构·量子计算