机器学习数学基础线性代数矩阵及向量计算

在进行机器学习编程过程中，需要用到一些线性代数的基础知识，以便简化程序的编写，并且可以利用GPU的矩阵运算能力，提高运算效率。本文不作过多的理论解释，只是基于具体的例子来介绍一下矩阵运算的数学基础知识，以便备用。

首先介绍一下什么是矩阵，如下列出了3个矩阵，分别是3行2列，2行3列，3行4列的矩阵

矩阵的加法及减法

两个矩阵的加法，简单描述就是用两个矩阵中相同位置的各个元素依次相加，继而得到一个新的矩阵。也因此，矩阵相加要求两个矩阵必须有相同的维度，比如下面两个矩阵就无法相加：

那么，知道了加法运算，减法就非常简单了，就是用两个矩阵中相同位置的各个元素依次相加即可。还是举个例子说明一下：

矩阵的乘法及除法

在了解矩阵之间的乘除法之前，我们先了解一下矩阵和标量（一个数字）的乘除法，先看一下乘法的例子：

非常简单，用矩阵的每个元素和标量相乘，即可得到相乘之后的新的矩阵。注意，矩阵和标量相乘，先后顺序无关，即：

除法与乘法类似，但是标量不能作为被除数，只可以用矩阵除以标量，例子如下：

接下来我们再来看一下矩阵与矩阵之间的乘法

矩阵与矩阵的乘法，对于矩阵的维度是有要求的，要求第一个矩阵的列数，必须等于第二个矩阵的行数，比如m×n的矩阵和n×t的矩阵相乘，则可以得到m×t的矩阵。由此也可以看出，矩阵之间的乘法是不服从乘法交换律的。那矩阵乘法是如何计算的呢，我们还是通过一个例子来看一下：

这是一个3×2的矩阵和一个2×1的矩阵相乘，因此会得到一个3×1的矩阵。运算的时候，第一个矩阵的第一行的每个元素，和第二个矩阵的第一例每个元素一次相乘后相加，作为结果矩阵的第一行的第一列。第一个矩阵的第二行的每个元素，和第二个矩阵的第一例每个元素一次相乘后相加，作为结果矩阵的第二行的第一列，依次类推。

而对于如下3×2的矩阵和 2×3的矩阵相乘，则会得到一个3×3的矩阵。可以理解为一个3×2的矩阵，分别和三个3×1的矩阵（第二个矩阵的三列）相乘，得到的三个3×1的矩阵分别作为结果矩阵的三列。

单位矩阵

对角线为1，而其他元素都为0的矩阵，就称作单位矩阵，单位矩阵一般可以用大写字母 I 表示。如下就是几个单位矩阵，分别是2×2维，3×3维，4×4维

单位矩阵的特性也很简单，就是与任何一个维度和单位矩阵相同的矩阵A相乘，其结果都还是等于这个矩阵A，这非常类似于标量数字1。

逆矩阵

有了单位矩阵的概念，我们还可以说说什么是逆矩阵。简单来说，如果矩阵A和矩阵B相乘，能够得到一个单位矩阵 I，那么就可以称B是A的逆矩阵，也可以说A是B的逆矩阵。

对于某些矩阵，不存在逆矩阵，比如元素全为0的矩阵，这种没有逆矩阵的矩阵，称为奇异矩阵，或者退化矩阵。

矩阵的转置

如果我们把一个矩阵A的行、列互换，即可得到A的转置矩阵。如下图所示：