您当前所在位置：首页攻略使用 C# 入门深度学习：线性代数

使用 C# 入门深度学习：线性代数

更新：2024-11-14 09:45:46编辑：游戏资讯归类：攻略

教程名称：使用 C# 入门深度学习

作者：痴者工良

地址：

https://torch.whuanle.cn

线性代数

基础知识

标量、向量、矩阵

笔者只能给出大体的概念，至于数学上的具体定义，这里就不展开了。

标量(scalar)：只有大小没有方向的数值，例如体重、身高。

向量(vector)：既有大小也有方向的数值，可以用行或列来表示。

矩阵(matrix)：由多行多列的向量组成。

张量(Tensor)：在 Pytorch 中，torch.Tensor 类型数据结构就是张量，结构跟数组或矩阵相似。

Tensor：是PyTorch中的基本数据类型，可以理解为多维数组。 Tensor可以用来表示数据集、模型参数和模型输出等。
Scalar：是一个特殊类型的Tensor，只有一维。 Scalar用来表示标量值，如学习率、损失值等。
Vector：是一个特殊类型的Tensor，有一维或两维。 Vector用来表示向量值，如梯度、特征值等。
Matrix：是一个特殊类型的Tensor，有两维。 Matrix用来表示矩阵值，如权重矩阵、输出矩阵等。

比如说 1.0、2 这些都是标量，在各种编程语言中都以基础数据类型提供了支持，例如 C# 的基元类型。

下面将标量转换为 torch.Tensor 类型。

var x = torch.tensor(1.0);
var y = torch.tensor(2);

x.print_csharp();
y.print_csharp();

[], type = Float64, device = cpu, value = 1
[], type = Int32, device = cpu, value = 2

将数组转换为 torch.Tensor 类型：

var data = new int[ , ]{ {1, 2}, { 3, 4}};
var x_data = torch.tensor(data);

x_data.print_csharp();

由于上一章已经讲解了很多数组的创建方式，因此这里不再赘述。

Pytorch 的一些数学函数

Pytorch 通过 torch.Tensor 表示各种数据类型，torch.Tensor 提供超过 100 多种的张量操作，例如算术运算、线性代数、矩阵操作、采样等。

由于篇幅有限，这里就不单独给出，读者请自行参考以下资料：

https://pytorch.org/docs/stable/torch.html

https://pytorch.ac.cn/docs/stable/torch.html

线性代数

向量

向量的概念

在研究力学、物理学等工程应用领域中会碰到两类的量，一类完全由 数值的大小 决定，例如温度、时间、面积、体积、密度、质量等，称为数量或标量，另一类的量， 只知道数值的大小还不能完全确定所描述量 ，例如加速度、速度等，这些量除了大小还有方向，称为向量。

在平面坐标轴上有两点 $A(x_{1},y_{1})$ 、 $B(x_{2},y_{2})$ ，以 A 为起点、B 为终点的线段被称为被称为有向线段，其既有大小也有方向，使用 $\overrightarrow{AB} $ 表示，使用坐标表示为 $(x_{2}-x_{1},y_{2}-y_{1})$ ，如果不强调方向，也可以使用 $\alpha $ 等符号进行简记。

A、B 之间的距离称为向量的模，使用 | $\overrightarrow{AB} $ | 或 | $\overrightarrow{BA} $ | 或 | $\alpha $ | 表示。

平面中的向量，其距离公式是：

其实原理也很简单，根据勾股定理，AB 的平方等于两个直角边长平方之和，所以：

去平方就是：

如下图所示，其两点间的距离：

使用 C# 计算向量的模，结果如下

var A = torch.from_array(new[] { 1.0, 1.0 });
var B = torch.from_array(new[] { 4.0, 4.0 });
var a = B - A;

var norm = torch.norm(a);
norm.print_csharp();

[], type = Float64, device = cpu, value = 4.2426

注意，计算向量的模只能使用浮点型数据，不能使用 int、long 这些整型。

同理，对于三维空间中的两点 $A(x_{1},y_{1},z_{1})$ 、 $B(x_{2},y_{2},z_{2})$ ，距离公式是：

向量的加减乘除法

向量的加法很简单，坐标相加即可。

如图所示，平面中有三点 A(1,1)、B(3,5)、C(6,4)。

得到三个向量分别为：$\overrightarrow{AB} (2,4) $、$ \overrightarrow{BC} (3,-1) $、$ \overrightarrow{AC} (5,3) $

根据数学上向量的加法可知，$\overrightarrow{AB} $ + $\overrightarrow{BC} $ = $\overrightarrow{AC} $

var B = torch.from_array(new[] { 2.0, 4.0 });
var A = torch.from_array(new[] { 3.0, -1.0 });
var a = A + B;

a.print_csharp();

[2], type = Float64, device = cpu, value = double [] {5, 3}

同理，在 Pytorch 中，向量减法也是两个 torch.Tensor 类型相减即可。

推广到三维空间，计算方法也是一样的。

var B = torch.from_array(new[] { 2.0, 3.0, 4.0 });
var A = torch.from_array(new[] { 3.0, 4.0, 5.0 });
var a = B - A;

a.print_csharp();

[3], type = Float64, device = cpu, value = double [] {-1, -1, -1}

另外，向量乘以或除以一个标量，直接运算即可，如 $ \overrightarrow{AB} (2,4) $，则 $ 3 * \overrightarrow{AB} (2,4) $ = (6,12)。

向量的投影

如图所示， $\overrightarrow{AB} (2,4) $ 是平面上的向量，如果我们要计算向量在 x、y 上的投影是很简单的，例如在 x 轴上的投影是 2，因为 A 点的 x 坐标是 1，B 点的 x 坐标是 3，所以 3 - 1 = 2 为 $\overrightarrow{AB} (2,4) $ 在 x 轴上的投影，5 - 1 = 4 是在 y 轴上的投影。

在数学上使用 $Projx(u)$ 表示向量 u 在 x 上的投影，同理 $Projy(u)$ 是 u 在 y 上的投影。

如果使用三角函数，我们可以这样计算向量在各个轴上的投影。

AC、BC 长度是 4，根据勾股定理得出 AB 长度是 $4\sqrt{2} $，由于 $cos \frac{\pi }{2} = \frac{\sqrt{2}} {2}$ ，所以 $Projx(u) = 4$ 。

那么在平面中，我们已知向量的坐标，求向量与 x 、y 轴的夹角，可以这样求。

例如上图中 $\overrightarrow{AB} (4,4) $，x 和 y 都是 4，其中 $|v| = 4\sqrt{2}$ ，所以 $\cos \alpha = \frac{4}{4\sqrt{2}} = \frac{\sqrt{2}}{2}$

从 x、y 轴推广到平面中任意两个向量 $\alpha$ 、 $\beta$ ，求其夹角 $\varphi$ 的公式为：

继续按下图所示，计算 $\overrightarrow{AB}$ 、 $\overrightarrow{AC}$ 之间的夹角，很明显，我们按经验直接可以得出夹角 $\varphi$ 是 45° 。

但是如果我们要通过投影方式计算出来，则根据 $ \frac{\alpha \cdot \beta}{|\alpha|\cdot|\beta|} $ ，是 C# 计算如下。

var AB = torch.from_array(new[] { 4.0, 4.0 });
var AC = torch.from_array(new[] { 4.0, 0.0 });

// 点积
var dot = torch.dot(AB, AC);

// 求每个向量的模
var ab = torch.norm(AB);
var ac = torch.norm(AC);

// 求出 cosφ 的值
var cos = dot / (ab * ac);
cos.print_csharp();

// 使用 torch.acos 计算夹角 (以弧度为单位)
var theta = torch.acos(cos);

// 将弧度转换为角度
var theta_degrees = torch.rad2deg(theta);
theta_degrees.print_csharp();

[], type = Float64, device = cpu, value = 0.70711
[], type = Float64, device = cpu, value = 45

柯西-施瓦茨不等式

$a$ 、 $b$ 是两个向量，根据前面学到的投影和夹角知识，我们可以将以下公式进行转换。

由于 $-1 \le \cos \varphi \le 1$ ，所以：

这个就是柯西-施瓦茨不等式。

也就是说，当两个向量的夹角最小时，两个向量的方向相同(角度为0)，此时两个向量的乘积达到最大值，角度越大，乘积越小。在深度学习中，可以将两个向量的方向表示为相似程度，例如向量数据库检索文档时，可以算法计算出向量，然后根据相似程度查找最优的文档信息。

向量的点积

点积即向量的数量积，点积、数量积、内积，都是同一个东西。

两个向量的数量积是标量，即一个数值，而向量积是不同的东西，这里只说明数量积。

数量积称为两个向量的数乘，而向量积才是两个向量的乘法。

向量的数乘公式如下：

加上前面学习投影时列出的公式，如果可以知道向量的模和夹角，我们也可以这样求向量的点积：

例如 $\overrightarrow{AB} (2,4) $、$ \overrightarrow{BC} (3,-1) $ 两个向量，如下图所示。

计算其点积如下：

var B = torch.from_array(new[] { 2.0, 4.0 });
var A = torch.from_array(new[] { 3.0, -1.0 });

var dot = torch.dot(A, B);

dot.print_csharp();

[], type = Float64, device = cpu, value = 2

读者可以试试根据点积结果计算出 $\angle ABC$ 的角度。

向量积

在画坐标轴时，我们默认轴上每个点间距都是 1，此时 x、y、z 上的单位向量都是 1，如果一个向量的模是 1，那么这个向量就是单位向量，所以单位向量可以有无数个。

在数学中，我们往往会有很多未知数，此时我们使用 $i$ 、 $j$ 、 $k$ 分别表示与 x、y、z 轴上正向一致的三个单位向量， 在数学和物理中，单位向量通常用于表示方向而不关心其大小 。不理解这句话也没关系，忽略。

在不关心向量大小的情况下，我们使用单位向量可以这样表示两个向量：

在三维空间中， $i$ 、 $j$ 、 $k$ 分别表示三个轴方向的单位向量。

$i$ 表示沿 x 轴方向的单位向量。
$j$ 表示沿 y 轴方向的单位向量。
$k$ 表示沿 z 轴方向的单位向量。

这种方式表示 a 在 x 轴上有 $x_{1}$ 个单位，在 y 轴上有 $y_{1}$ 个单位，在 z 轴上有 $z_{1}$ 个单位。

一般来说，提供这种向量表示法，我们并不关心向量的大小，我们只关心其方向，如下图所示。

现在我们来求解一个问题，在空间中找到跟 $\overrightarrow{AB} $、$ \overrightarrow{BC} $ 同时垂直的向量，例如下图的 $\overrightarrow{AD} $，很明显，这样的向量不止一个，有无数个，所以我们这个时候要了解什么是法向量和单位向量。

法向量是一个与平面垂直的向量（这里不涉及曲面、曲线这些），要找出法向量也很简单，有两种方法，一种是坐标表示：

这样记起来有些困难，我们可以这样看，容易记得。

那么法向量 $n$ 的 $x = (y_{1}{z2} -z_{1}y_{2})$ ，y、z 轴同理，就不给出了，x、y、z 分别就是 i、j、k 前面的一块符号公式，所以法向量为：

任何一条下式满足的向量，都跟 $a$ 、 $b$ 组成的平面垂直。

例题如下。

求与 $a = 3i - 2j + 4k$ ， $b = i + j - 2k$ 都垂直的法向量。

首先提取 $a$ 在每个坐标轴上的分量 $(3,-2,4)$ ，b 的分量为 $(1,1,-2)$ 。

则：

所以法向量 $n(0,10,5)$ 。

这就是通过向量积求得与两个向量都垂直的法向量的方法。

你甚至可以使用 C# 手撸这个算法出来：

var A = torch.tensor(new double[] { 3.0, -2, 4 });

var B = torch.tensor(new double[] { 1.0, 1.0, -2.0 });
var cross = Cross(A, B);
cross.print();

static Tensor Cross(Tensor A, Tensor B)
{
    if (A.size(0) != 3 || B.size(0) != 3)
    {
        throw new ArgumentException("Both input tensors must be 3-dimensional.");
    }

    var a1 = A[0];
    var a2 = A[1];
    var a3 = A[2];
    var b1 = B[0];
    var b2 = B[1];
    var b3 = B[2];

    var i = a2 * b3 - a3 * b2;
    var j = a3 * b1 - a1 * b3;
    var k = a1 * b2 - a2 * b1;

    return torch.tensor(new double[] { i.ToDouble(), -j.ToDouble(), k.ToDouble() });
}

[3], type = Float64, device = cpu 0 -10 5

由于当前笔者所用的 C# 版本的 cross 函数不对劲，不能直接使用，所以我们也可以利用内核函数直接扩展一个接口出来。

public static class MyTorch
{
    [DllImport("LibTorchSharp")]
    public static extern IntPtr THSLinalg_cross(IntPtr input, IntPtr other, long dim);

    public static Tensor cross(Tensor input, Tensor other, long dim = -1)
    {
        var res = THSLinalg_cross(input.Handle, other.Handle, dim);
        if (res == IntPtr.Zero) { torch.CheckForErrors(); }
        return torch.Tensor.UnsafeCreateTensor(res);
    }
}

var A = torch.tensor(new double[] { 3.0, -2, 4 });

var B = torch.tensor(new double[] { 1.0, 1.0, -2.0 });

var cross = MyTorch.cross(A, B);
cross.print_csharp();

[3], type = Float64, device = cpu, value = double [] {0, 10, 5}

当前笔者所用版本 other 参数是 Scalar 而不是 Tensor，这里应该是个 bug，最新 main 分支已经修复，但是还没有发布。

另外，还有一种通过夹角求得法向量的方法，如果知道两个向量的夹角，也可以求向量积，公式如下：

一般来说，对于空间求解问题，我们往往是可以计算向量积的，然后通过向量积得出 $|a| \cdot |b| \sin\alpha$ 的结果，而不是通过 $|a| \cdot |b| \sin\alpha$ 求出 $a \times b$ 。

关于此条公式，这里暂时不深入。

直线和平面表示法

在本小节节中，我们将学习空间中的直线和平面的一些知识。

在空间中的平面，可以使用一般式方程表达：

其中 A、B、C 是法向量的坐标，即 $n = \{A,B,C\}$ 。

首先，空间中的直线有三种表示方法，分别是对称式方程、参数式方程、截距式方程。

直线的对称式方程

给定空间中的一点 $P_{0}(x_{0},y_{0},z_{0})$ 有一条直线 L 穿过 $p_{0}$ 点，以及和非零向量 $v=\{l,m,n\}$ 平行。

直线上任意一点和 $p_{0}$ 的向量都和 $v$ 平行， $\overrightarrow{P_{0}P} =\{x - x_{0},y - y_{0}, z - z_{0}\}$ ，所以其因为其对应的坐标成比例，所以其截距式方程为：

直线的参数式方程

因为：

所以：

这便是直线的参数式方程。

直线的一般式方程

空间中的直线可以看作是两个平面之间的交线，所以直线由两个平面的一般式方程给出：

这些公式在计算以下场景问题时很有帮助，不过本文不再赘述。

① 空间中任意一点到平面的距离。

② 直线和平面之间的夹角。

③ 平面之间的夹角。

矩阵

矩阵在在线性代数中具有很重要的地位，深度学习大量使用了矩阵的知识，所以读者需要好好掌握。

如下图所示，A 是一个矩阵，具有多行多列， $a_{11}、a_{12}、...、a_{1n}$ 是一个行， $a_{11}、a_{21}、...、a_{m1}$ 是一个列。

在 C# 中，矩阵属于二维数组，即 $m*n$ ，例如要创建一个 $3*3$ 的矩阵，可以这样表示：

var A = torch.tensor(new double[,]
{
    { 3.0, -2.0, 4.0 },
    { 3.0, -2.0, 4.0 },
    { 3.0, -2.0, 4.0 }
});

A.print_csharp();

使用 .T 将矩阵的行和列倒过来：

var A = torch.tensor(new double[,]
{
    { 3.0, -2.0, 4.0 }
});

A.T.print_csharp();

生成的是：

{
	{3.0},
	{-2.0},
	{4.0}
}

如图所示：

矩阵的加减

矩阵的加减法很简单，就是相同位置的数组加减。

var A = torch.tensor(new double[,]
{
    { 1.0, 2.0, 4.0 },
    { 1.0, 2.0, 4.0 },
    { 1.0, 2.0, 4.0 }
});

var B = torch.tensor(new double[,]
{
    { 1.0, 1.0, 2.0 },
    { 1.0, 1.0, 2.0 },
    { 1.0, 1.0, 2.0 }
});

(A+B).print_csharp();

结果是：

{ 
    {2, 3, 6}, 
    {2, 3, 6}, 
    {2, 3, 6}
}

如果直接将两个矩阵使用 Pytorch 相乘，则是每个位置的数值相乘，这种乘法称为 Hadamard 乘积：

var A = torch.tensor(new double[,]
{
    { 1.0, 2.0 }
});

var B = torch.tensor(new double[,]
{
    { 3.0, 4.0 }
});

// 或者 torch.mul(A, B)
(A * B).print_csharp();

[2x1], type = Float64, device = cpu, value = double [,] { {3}, {8}}

矩阵乘法

我们知道，向量内积可以写成 $x_{2}x_{1}+y_{2}y_{1}+z_{2}z_{1}$ ，如果使用矩阵，可以写成：

换成实际案例，则是：

使用 C# 计算结果：

var a = torch.tensor(new int[] { 1, 2, 3 });
var b = torch.tensor(new int[,] { { 4 }, { 5 }, { 6 } });

var c = torch.matmul(a,b);
c.print_csharp();

[1], type = Int32, device = cpu, value = int [] {32}

上面的矩阵乘法方式使用 **A ⊗ B ** 表示，对于两个多行多列的矩阵乘法，则比较复杂，下面单独使用一个小节讲解。

**A ⊗ B **

矩阵的乘法比较麻烦，在前面，我们看到一个只有行的矩阵和一个只有列的矩阵相乘，结果只有一个值，但是对于多行多列的两个矩阵相乘，矩阵每个位置等于 A 矩阵行和 B 矩阵列相乘之和。

比如下面是一个简单的 2*2 矩阵。

因为 $c_{11}$ 是第一行第一列，所以 $c_{11}$ 是 A 矩阵的第一行乘以 B 第一列的内积。

因为 $c_{12}$ 是第一行第二列，所以 $c_{12}$ 是 A 矩阵的第一行乘以 B 第二列的内积。

因为 $c_{21}$ 是第二行第一列，所以 $c_{21}$ 是 A 矩阵的第二行乘以 B 第一列的内积。

因为 $c_{22}$ 是第二行第二列，所以 $c_{22}$ 是 A 矩阵的第二行乘以 B 第二列的内积。

例题如下：

使用 C# 计算多行多列的矩阵：

var A = torch.tensor(new double[,]
{
    { 1.0, 2.0 },
    { 3.0, 4.0 }
});

var B = torch.tensor(new double[,]
{
     { 5.0 , 6.0 },
     { 7.0 , 8.0 }
});

torch.matmul(A, B).print_csharp();

{ {19, 22}, {43, 50}}

以上就是电脑114游戏给大家带来的关于使用 C# 入门深度学习：线性代数全部内容，更多攻略请关注电脑114游戏。

飞鸟快传安卓版火山哥哥鸡汤来咯

好玩游戏

气球塔防6 2025正版

气球塔防62025正版又名猴子塔防6，是气球塔防6的正式版。这款游戏是一款经典的战略塔防游戏，采用全新的3D引擎，打造精致细腻的游戏场景。其美术风格也是清新可爱，结合漫画式的图形和动感的游戏音效，相信能给你带来独一无二的游戏体验。《气球塔防6》游戏2024最新版作为一款基于前作的创新型益智塔防手游，依然遵循经典的操作方式。玩家只需要合理放置各种类型的猴子，保卫家园不受入侵，轻松击败所有怪物即可获胜。虽然整个过程很简单，但是很考验玩家的聪明和智慧。不同的关卡都有特殊的任务和技能等着玩家去一一探索。
牧羊人之心 2025正版

牧羊人之心2025正版是一款全新的怪物少女养成游戏。在游戏中，主角将变身为卡卢蒂亚大陆上的见习训练师帕克。为了成为首席驯兽师，他和同伴尼娜和MIO踏上了冒险之旅。遇到各种角色和怪物，经历丰富刺激的冒险故事，揭开意想不到的隐藏任务，甚至意外陷入一场大规模的阴谋。在战斗中，与同伴一起成长，向着成为最强大的训练者的目标前进。如果一个训练者想要拥有自己的怪物，就需要通过孵化怪物蛋来培养它们。然后训练者可以通过不断与怪物互动来提升自己的好感度。经过精心培育，驯兽师可以收获一只属于自己的独一无二的怪兽。来培养你自己的怪物吧，让我们一起踏上这次冒险之旅吧!
丢丢影院

丢丢影院这里有许多好看的精彩影源给到各位，超多不同类型的追剧神器和其他的最新影视剧集都会第一时间在这里为你们一键更新，对于许多用户朋友们来说，想看的所有影视内容这里都是有的
彩虹橙0.1折版

彩虹橙0.1折版是一款由经典单机彩虹岛改编而来的角色扮演手游，熟悉的BGM，熟悉的地图，让玩家在手机上重新开启彩虹世界的大冒险！玩家将以贝罗斯为起点，行至世界的中心艾丽娅斯，再到满满中国风的上京，除了挑战昔日强大的怪物首领，还可以重温昔日回忆。
面包店超市模拟器

多特游戏为你提供面包店超市模拟器下载。面包店超市模拟器是一款经营模拟游戏，引人入胜的3D收银员工作模拟游戏，让您扮演面包店店长，参与紧张刺激的超市经营挑战。在面包店超市模拟器中，您将身临其境地扮演一位杂货店和面包店的店主，体验经营这一业务带来的种种激情与挑战。