TensorFlow - Mathematical Foundations

重要的是,要了解TengsorFlow所需的数学概念,然后再在TensorFlow建立基本应用。 数学被视为任何机器学习算法的核心。 在数学核心概念的帮助下,确定了特定机器学习算法的解决办法。

Vector

一系列数字是连续的或离散的,被定义为病媒。 机器学习算法处理固定长度的病媒,以更好地产生产出。

机器学习算法涉及多层面数据,因此病媒发挥着至关重要的作用。

病媒模型的地形分布如下:

Scalar

ar可以定义为单维媒介。 缩略语是这样,仅包括数量和方向。 粗略地说,我们只关心这一规模。

体质的例子包括儿童体重和身高的参数。

Matrix

矩阵可定义为多维阵列,以行文和栏目的形式排列。 矩阵的规模按行长和栏长加以界定。 下图显示了任何具体矩阵的代表性。

根据上述“m”行文和“n”栏,矩阵表的表述将指定为“m*n矩阵”,该矩阵表的长度也界定了。

Mathematical Computations

在本节中，我们将学习 TensorFlow 中不同的数学计算。

Addition of matrices

如果两个或两个以上矩阵的基质相同,则有可能添加。 添加意味着按照特定立场增加每个要素。

考虑以下例子,以了解如何增加矩阵——

(千美元)

Subtraction of matrices

谷物的减产方式与增加两个矩阵类似。 用户可以分出两个矩阵,只要其尺寸相同。

(千美元)

Multippcation of matrices

两种矩阵A m*n和B p*q可乘数,n 页: 1 由此产生的矩阵是:

C m*q

(美元)

(美元)

(美元)

C=egin{bmatrix}11& c 12}_c <21> & c<22> end{bmatrix}=egin{bmatrix}19 & 2243 & 50 end{bmatrix}

Transpose of matrix

矩阵A,m*n的转口一般由AT(transpose)n*m代表,通过将一栏矢量转换成行媒介获得。

支出:美元

Dot product of vectors

任何介质纳米的矢量都可以作为矩阵表示。

(美元)

两种病媒的原始产品是相应部件产品的总和,这些成分具有相同层面,可以表述为

美元 v 2^ Tvdisplay1} =sumepmits =1}^n iii

下面提到病媒特质产品的例子:

页: 1 v<2}v_1^Tv>=1 imes3+2 imes5-3 imes1=10$