深度学习算法背后的数学

深度学习算法背后的数学

Python软件基金会成员（Contibuting Member）Vihar Kurama简要介绍了深度

学习算法背后的数学。

深度学习（Deep Learning）是机器学习的子领域。而线性代数（linear algebra）是有关连续值的数学。许多计算机科学家在此方面经验不足（传统上计算机科学更偏重离散数学）。想要理解和使用许多机器学习算法，特别是深度学习算法，对线性代数的良好理解是不可或缺的。

为什么要学数学？

线性代数、概率论和微积分是确切地表达机器学习的“语言”。学习这些主题有助于形成对机器学习算法底层机制的深入理解，也有助于开发新的算法。

如果我们查看的尺度足够小，那么深度学习背后的一切都是数学。所以在开始深度学习之前，有必要理解基本的线性代数。

标量、向量、矩阵、张量；图片来源：hadrienj.github.io

深度学习背后的核心数据结构是标量（Scalar）、向量（Vector）、矩阵（Matrix）、张量（Tensor）。让我们通过编程，使用这些数据结构求解基本的线性代数问题。 标量

标量是单个数字，或者说，0阶（0th-order）张量。x ∈ ?表示x是一个属于实数集?的标量。

在深度学习中，有不同的数字集合。?表示正整数集（1,2,3,…）。?表示整数集，包括正数、负数和零。?表示有理数集（可以表达为两个整数之比的数）。

在Python中有几个内置的标量类型：int、float、complex、bytes、Unicode。Numpy又增加了二十多个新的标量类型。 import numpy as np np.ScalarType