参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 75 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解
1. 矩阵乘法 $C=AB$,其中 $c_{ij}=\sum_k a_{ik}b_{kj}$。
- 维度约束:A 为 $m\times n$、B 为 $n\times p$ → C 为 $m\times p$(内维必须相等)。
- 不满足交换律($AB\neq BA$),满足结合律、分配律。神经网络前向传播本质就是矩阵连乘。
2. 转置 $A^T$:$(A^T)_{ij}=a_{ji}$。性质:$(AB)^T=B^T A^T$。
3. 逆 $A^{-1}$ 满足 $AA^{-1}=I$。
- 存在条件:A 为方阵且满秩(可逆/非奇异)。
- 线性方程组 $Ax=b$ 的解为 $x=A^{-1}b$(实际计算多用 LU/QR 分解而非直接求逆)。
- 线性回归正规方程 $\hat w=(X^TX)^{-1}X^Ty$ 即用到伪逆思想。
4. 秩 rank(A):线性无关行/列的最大数目。
- rank 满(=min(行,列))↔ 可逆(方阵时);
- 秩反映数据「有效维度」,低秩常用于矩阵分解/降维/推荐系统(如 SVD、协同过滤)。
ML 用途:特征变换=矩阵乘;协方差矩阵对称;PCA 依赖特征值分解;梯度即雅可比/向量化矩阵运算。