神经网络的数学构建块
数学在任何机器学习算法中都至关重要,它包含数学的各种核心概念,以便以特定方式设计正确的算法。
下面提到数学主题对机器学习和数据科学的重要性 −
![机器学习](https://www.w3ccoo.com/pytorch/images/machine_learning.jpg)
现在,让我们关注机器学习的主要数学概念,这从自然语言处理的角度来看很重要 −
矢量图
矢量被认为是连续或离散的数字数组,由矢量组成的空间称为矢量空间。 矢量的空间维度可以是有限的或无限的,但已经观察到机器学习和数据科学问题处理固定长度的矢量。
矢量表示如下所示 −
temp = torch.FloatTensor([23,24,24.5,26,27.2,23.0]) temp.size() Output - torch.Size([6])
在机器学习中,我们处理多维数据。 因此向量变得非常重要,并被视为任何预测问题陈述的输入特征。
标量
标量被称为零维,仅包含一个值。 对于 PyTorch,它不包含零维的特殊张量; 因此声明如下 −
x = torch.rand(10) x.size() Output - torch.Size([10])
矩阵
大多数结构化数据通常以表格或特定矩阵的形式表示。 我们将使用名为波士顿房价的数据集,该数据集可在 Python scikit-learn 机器学习库中轻松获得。
boston_tensor = torch.from_numpy(boston.data) boston_tensor.size() Output: torch.Size([506, 13]) boston_tensor[:2] Output: Columns 0 to 7 0.0063 18.0000 2.3100 0.0000 0.5380 6.5750 65.2000 4.0900 0.0273 0.0000 7.0700 0.0000 0.4690 6.4210 78.9000 4.9671 Columns 8 to 12 1.0000 296.0000 15.3000 396.9000 4.9800 2.0000 242.0000 17.8000 396.9000 9.1400