本文提纲

1. 什么是机器矩阵矩阵

2. 矩阵在现实应用场景

3. 矩阵表示

4. 矩阵运算

5. 理解矩阵乘法

一、 什么是学习学矩阵

一个 m × n 的矩阵是一个由 m 行 n 列元素排列成的矩形阵列。以下是运算一个由 6 个数字元素构成的 2 行 3 列的矩阵：

矩阵属于线性代数数学分支。线性代数是机器矩阵关于向量空间和线性映射的一个数学分支。它包括对线、学习学面和子空间的运算研究，同时也涉及到所有的机器矩阵向量空间的一般性质。表面上，学习学排成矩形的运算数字就是个矩阵。实际，机器矩阵矩阵是学习学有限维线性空间的线性变换的表示形式。它代表着空间到空间的运算映射。

二、机器矩阵 矩阵在现实应用场景

在程序中，学习学配合矩阵模拟真实数据，服务器托管运算并可以实现如下功能：二维图形变换、人脸变换、人脸识别、信息转换等。比如一张图片，简单的黑白图只有黑色和白色构成，是不是可以有 1 0 两个数值的二维矩阵来表示呢?自然，尤其在图像处理里面，图像信息是用二维矩阵数据。

矩阵分析，是一种方便的计算工具，可以以简单的形式表达复杂的信息。

三、 矩阵表达式

我们选择 Python 作为代码演示案例。利用的是 NumPy 库。什么是 NumPy?

NumPy 是一个基础科学的计算包，包含：

一个强大的N维数组对象 sophisticated (broadcasting) functions tools for integrating C/C++ and Fortran code 有用的线性代数、亿华云傅立叶转换和随机数生成函数

在代码中，导入 numpy 函数。

比如下面展示 1 × 2 和 2 × 2 的矩阵。调用 shape 方法，可获取矩阵的大小。同样，numpy 方便了我们很多操作。可以直接创建全 0 矩阵、全 1 矩阵和单元矩阵。代码 matrix_exp.py 如下：

# -*- coding: utf-8 -*- # 导入 numpy 函数，以 np 开头 import numpy as np if __name__ == __main__:     mat1 = np.array([1, 3])     mat1 = np.mat(mat1)  # 相当于 np.mat([1,3])， mat 函数将目标数据的类型转换为矩阵（matrix）     print mat1     # 1 行 2 列的矩阵（也称 1 * 2 矩阵）     # ==> [[1 3]]     print     mat2 = np.array([[1, 3], [3, 4]])     mat2 = np.mat(mat2)     print mat2     # 2 * 2 矩阵     # ==> [[1 3]     # ==>  [3 4]]     # 获取矩阵的大小     print mat1.shape     print mat2.shape     print     mat3 = np.zeros((2, 3))  # 2 * 3 的全 0 矩阵     mat4 = np.ones((3, 2))   # 3 * 2 的全 1 矩阵     mat5 = np.identity(3)    # 3 * 3 的单元矩阵     mat6 = np.eye(3, 3, 0)   # eye(N, M=None, k=0, dtype=float) 对角线是 1 其余值为 0 的矩阵, k 指定对角线的位置     print mat3     print mat4     print mat5     print mat6 

右键，Run 可得到下面结果：

[[1 3]] [[1 3]  [3 4]] (1, 2) (2, 2) [[ 0.  0.  0.]  [ 0.  0.  0.]] [[ 1.  1.]  [ 1.  1.]  [ 1.  1.]] [[ 1.  0.  0.]  [ 0.  1.  0.]  [ 0.  0.  1.]] [[ 1.  0.  0.]  [ 0.  1.  0.]  [ 0.  0.  1.]] 

如上注解详细解释了方法的使用。

「提示」代码共享在 GitHub：https://github.com/JeffLi1993/robot-mumu

四、 矩阵运算

矩阵运算包括了加减乘除、转置、逆矩阵、行列式、矩阵的幂、伴随矩阵等。云南idc服务商

矩阵加法、减法、数量乘法规则如下：(和向量的运算规则一样)

-A = (-1)A A - B = A + (-B) 2A + 3B = (2A)+ (3B)

比如下面展示下 矩阵与矩阵相乘、矩阵求逆、转置矩阵及每行或每列求和的运算。代码 matrix_op.py 如下：

# -*- coding: utf-8 -*- # 导入 numpy 函数，以 np 开头 import numpy as np if __name__ == __main__:     # 矩阵相乘     mat1 = np.mat([1, 3])     mat2 = np.mat([[3], [4]])     mat3 = mat1 * mat2     print mat3     # 1 * 2 矩阵乘以 2 * 1 矩阵，得到 1 * 1 矩阵     # ==> [[15]]     print     # 矩阵求逆     mat4 = np.mat([[1, 0, 1], [0, 2, 1], [1, 1, 1]])     mat5 = mat4.I  # I 对应 getI(self) ，返回可逆矩阵的逆     print mat5     # 矩阵的逆     # ==> [[-1. -1.  2.]     # ==>  [-1.  0.  1.]     # ==>  [ 2.  1. -2.]]     print     # 转置矩阵     mat6 = np.mat([[1, 1, 1], [0, 2, 1], [1, 1, 1]])     mat7 = mat6.T  # I 对应 getT(self) ，返回矩阵的转置矩阵     print mat7     # 矩阵的转置矩阵     # ==> [[1 0 1]     # ==>  [1 2 1]     # ==>  [1 1 1]]     print     # 矩阵每一列的和     sum1 = mat6.sum(axis=0)     print sum1     # 矩阵每一行的和     sum2 = mat6.sum(axis=1)     print sum2     # 矩阵所有行列的总和     sum3 = sum(mat6[1, :])     print sum3     print     # 矩阵与数组之间的转换     mat8 = np.mat([[1, 2, 3]])     arr1 = np.array(mat8)  # 矩阵转换成数组     print arr1     arr2 = [1, 2, 3]     mat9 = np.mat(arr2)  # 数组转换成矩阵     print mat9 

右键，Run 可得到下面结果：

[[15]]  [[-1. -1. 2.]  [-1. 0. 1.]  [ 2. 1. -2.]]  [[1 0 1]  [1 2 1]  [1 1 1]]  [[2 4 3]]  [[3]  [3]  [3]]  [[0 2 1]]  [[1 2 3]]  [[1 2 3]] 

五、 理解矩阵和向量乘法

从解多元方程组可以看出

【本文为专栏作者“李强强”的原创稿件，转载请通过联系作者获取授权】

戳这里，看该作者更多好文