上海雍熙网站建设,网络营销方案策划案例,m8+wordpress主题,基于html做电商网站论文摘要#xff1a;TensorFlow数学基础包括向量、标量和矩阵等核心概念。向量是多维数组#xff0c;具有大小和方向#xff1b;标量是仅含大小的单维向量#xff1b;矩阵是按行列排列的多维数组。关键运算包括#xff1a;矩阵加法#xff08;同维矩阵对应元素相加#xff0…摘要TensorFlow数学基础包括向量、标量和矩阵等核心概念。向量是多维数组具有大小和方向标量是仅含大小的单维向量矩阵是按行列排列的多维数组。关键运算包括矩阵加法同维矩阵对应元素相加、矩阵减法类似加法、矩阵乘法需满足维度匹配条件、矩阵转置行列互换以及向量点积对应分量乘积之和。这些数学概念是构建TensorFlow机器学习算法的基础为数据表示和运算提供了理论支持。目录TensorFlow - 数学基础向量向量的表示向量空间标量矩阵数学运算矩阵加法矩阵减法矩阵乘法矩阵的转置向量的点积TensorFlow - 数学基础在 TensorFlow 中创建基础应用程序之前掌握其所需的数学概念至关重要。数学被视作所有机器学习算法的核心借助数学的核心概念才能为特定的机器学习算法制定解决方案。向量向量被定义为一组连续或离散的数字构成的数组。为了生成更优的输出结果机器学习算法会处理固定长度的向量。机器学习算法常处理多维数据因此向量发挥着关键作用。向量的表示图形表示大小与方向长度即大小向量模型的图形表示如下所示向量空间标量标量可被定义为一维向量这类量仅包含大小没有方向我们研究标量时也只关注其大小。标量的例子包括儿童的体重、身高等参数。矩阵矩阵被定义为按行和列排列的多维数组其尺寸由行数和列数确定。下图展示了任意指定矩阵的表示形式对于上述具有 m 行 n 列的矩阵其表示形式记为 m×n 矩阵该记法也同时定义了矩阵的维度。数学运算本节我们将学习 TensorFlow 中各类不同的数学运算。矩阵加法只有维度相同的两个或多个矩阵才能进行加法运算矩阵加法指的是将对应位置的元素分别相加。通过以下例子理解矩阵加法的运算规则示例矩阵减法矩阵减法的运算规则与加法类似只有维度相同的矩阵才能做减法运算。示例矩阵乘法对于两个矩阵 Am×n和 Bp×q仅当 n 等于 p 时才可进行乘法运算运算后得到的结果矩阵为 Cm×q。示例矩阵的转置m×n 阶矩阵 A 的转置矩阵通常记为 A^T转置后得到 n×m 阶矩阵其求解方式是将原矩阵的列向量转换为行向量。示例向量的点积任意 n 维向量都可表示为矩阵形式 v R^(n×1)。设 v1 [v11 v12・・・v1n]v2 [v21 v22・・・v2n]两个向量的点积是其对应维度分量的乘积之和表达式为通过以下例子理解向量点积的运算规则示例