Welcome to bg51717's Wiki and Blog
矩阵奇异值分解SVD 矩阵奇异值分解SVD
定理陈述 对于任意 \(m \times n\) 的矩阵 \(A\),存在一个分解: \[ A = U \Sigma V^T \] 其中: r=rank(A)是矩阵A的秩 \(U\) 是一个 \(m \times m\) 的正交矩阵(即
拉格朗日乘数法解条件极值 拉格朗日乘数法解条件极值
介绍 求解最优化是一类十分常见且难以求解的问题,因此,考虑开一个博客系统性的介绍一下重要解法:拉格朗日乘数法(Lagrange Multiplier Method)。之后再扩展到广义的拉格朗日乘数法。 拉格朗日乘数法的重点是在一些列约束条件
信息熵 信息熵
信息熵的公式 计算信息熵的公式为: \[ H(x)=-\sum p(x_i)logp(x_i) \] 其中\(p(x_i)\)表示事件结果为\(x_i\)的概率 理解 信息熵表示对事件不确定性的一个度量,计算思路为“编码一个事件的最短平均编
矩阵偏分 矩阵偏分
在学习深度学习的过程中,很多次遇到了矩阵求导的问题,发现网上很多教程写的不是很好理解,记录自己的浅薄认知. (矩阵求导有分子转置(和分子行数一样)和分母转置(和分母行数一样)两种,两种结果互为转置。本篇介绍的不太一样,因为很多教程也是混杂