学习笔记DL001:数学符号、深度学习的概念

清醒疯子 发布于 4周前
无人欣赏。

数学符号。

数和数组。𝑎,标量(整数或实数)。𝒂,向量。𝑨,矩阵。𝗔,张量。𝑰𝑛,𝑛行𝑛列单位矩阵。𝑰,维度蕴含上下文单位矩阵。𝑒⁽ⁿ⁾,标准基向量[0,…,0,10,…,0],其中索引n处值为1。diag(𝒂),对象方阵,其中对象元素由𝒂给定。a,标量随机变量。𝐚,向量随机变量。𝐀,矩阵随机变量。

集合和图。𝔸,集合。ℝ,实数集。{0,1},包含0和1集合。{0,1,…,𝑛},包含0和𝑛之间所有整数的集合。[𝑎,𝑏],包含𝑎和𝑏的实数区间。(𝑎,𝑏],不包含𝑎但包含𝑏的实数区间。𝔸𝔹,差集,即其元素包含于𝔸但不包含于𝔹。𝒢,图。𝑃𝑎𝑔(𝑥𝑖),图𝒢中𝑥𝑖的父节点。

索引。𝑎𝑖,向量𝑎的第𝑖个元素,其中索引从1开始。𝑎₋𝑖,除了第𝑖个元素,𝑎的所有元素。𝐴𝑖,𝑗,矩阵𝐴的𝑖,𝑗元素。𝐴𝑖,:,矩阵𝐴的第𝑖行。𝐴:,𝑖,矩阵𝐴的第𝑖列。𝘼𝑖,𝑗,k,3维张量𝘼的(𝑖,𝑗,𝑘)元素。𝘼:,:,𝑖,3维张量𝘼的2维切片。a𝑖,随机向量𝑎的第𝑖个元素。

线性代数操作。𝐴⫟,矩阵𝐴的转置。𝐴⁺,𝐴的Moore-Penrose伪造。𝐴⨀𝐵,𝐴和𝐵的逐元素乘积(Hadamard乘积)。𝑑𝑒𝑡(𝐴),𝐴的行列式。

微积分。𝑑𝑦/𝑑𝑥,y关于x的导数。∂𝑦/∂𝑥,y关于x的偏导。∇𝑥𝑦,y关于x的梯度。∇𝑿𝑦,y关于𝑿的矩阵导数。∇𝐗𝑦,y关于𝐗求导后的张量。∂𝑓/∂𝑥,𝑓:ℝⁿ->ℝⁿⁿ的Jacobian矩阵𝑱∈ℝ⁽m*n⁾。∇⁽𝟸⁾₍x₎𝑓(x)or𝑯(𝑓)(x),𝑓在点𝑥处的Hessian矩阵。∫𝑓(𝑥)𝑑𝑥,𝑥整个域上的定积分。∫𝕤𝑓(𝑥)𝑑𝑥,集合𝕊上关于𝑥定积分。

概率和信息论。a⊥b,a和b相互独立的随机变量。a⊥b|c,给定c后条件独立。P(a),离散变量上的概率分布。p(a),连续变量(或变量类型未指定时)上的概率分布。a~P,具有分布P的随机变量a。Ex~p[𝑓(𝑥)]or𝔼𝑓(𝑥),𝑓(𝑥)关于P(𝑥)的期望。Var(𝑓(𝑥)),𝑓(𝑥)在分布P(𝑥)下的方差。Cov(𝑓(𝑥),𝑔(𝑥)),𝑓(𝑥)和𝑔(𝑥)在分布P(𝑥)下的协方差。𝐻(𝑥),随机变量𝑥的香浓熵。𝐷𝐾𝐿(𝑃||𝑄),𝑃和𝑄的𝐾𝐿散度。𝑁(𝑥;𝛍,∑),均值为𝛍,协方差为∑,𝑥上的高斯分布。𝑓:𝔸->𝔹,定义域为𝔸值域为𝔹的函数𝑓。𝑓∘𝑔,𝑓和𝑔的组合。𝑓(𝑥:θ),由θ参数化,关于𝑥的函数(有时为简化表示,忽略θ,记为𝑓(𝑥))。log𝑥,𝑥的自然对数。σ(𝑥),Logistic sigmoid,1/(1+exp(-𝑥))。𝜁(𝑥),Softplus,log(1+exp(𝑥))。||𝑥||p,𝑥的L⁽p⁾范数。||𝑥||,𝑥的L⁽2⁾范数。𝑥⁺,𝑥的正数部分,max(0,𝑥)。1condition,如果条件为真则为1,否则为0。用函数𝑓,参数是一个标量,应用到一个向量、矩阵或张量:𝑓(𝑥)、𝑓(𝑋)或𝑓(𝖷)。表示逐元素将𝑓应用于数组。𝑪=σ(𝗫),对于所有合法的i、j和k,𝗖i,j,k=σ(𝗫i,j,k)。

数据集和分布。𝑃data,数据生成分布。𝑃train,由训练集定义的经验分布。𝕏,训练样本的集合。𝑥⁽𝑖⁾,数据集的第𝑖个样本(输入)。𝒴⁽𝑖⁾或𝓨⁽𝑖⁾,监督学习中与𝑥⁽𝑖⁾关联的目标。𝑿,𝑚 x 𝑛的矩阵,行𝑿𝑖,:为输入样本𝑥⁽𝑖⁾。

古希腊时期,神话人物皮格马利翁(Pygmalion)、代达罗斯(Daedalus)和赫淮斯托斯(Hephaestus)传说发明家。加拉蒂亚(Galatea)、塔洛斯(Talos)和潘多拉(Pandora)人生生命(Ovid and Martin,2004;Sparkes,1996;Tandy,1997)。

人类第一次构思可编程计算机,思考变智能(离造出第一计算机一百年)(Lovelace,1842)。人工智能(artificial intelligence,AI)众多实际应用、活跃研究课题领域,蓬勃发展。智能软件自动处理常规劳动、理解语音图像、帮助医学论断、支持基础科学研究。

早期,计算机相对简单问题迅速解决,形式化数学规则描述问题。挑战,很难形式化描述任务,如人说话、图中脸。解决方案,计算机从经验学习,根据层次化概念体系理解世界。概念通过相对简单概念关系定义。计算从经验获取知识,避免人类给计算机形式化指定知识。层次化概念让计算机构建简单概念学习复杂概念。概念建立在彼此之上的图,一张深(多层次)图。AI深度学习(deep learning)。

参考资料: 《深度学习》

欢迎推荐上海机器学习工作机会,我的微信:qingxingfengzi

暂无回复
登录 或者 注册