06 2020 档案
摘要：Linux 中最常用 150 个命令汇总 示例： mv move a file to a new location： mv [filename] [dest-dir]
阅读全文
摘要：小明对某论文很感兴趣，每次有人引用该论文时，他都想收到Google scholar的邮件提醒，他该怎么办？ 1. 在Google scholar搜索该论文，点击被引用次数 2. 点击左下角的创建快讯(alert) 3. 填写邮件，并点击创建快讯 这样，小明就可以收到该论文被引用的提醒邮件了。
阅读全文
摘要：$\mathcal{G}$被称作核心张量，一般是满张量(full tensor)，即其非对角线元素一般也不为零。 Tucker分解又称高阶奇异值分解(High Order Sigular Value Decompsition, HOSVD)。
阅读全文
摘要：软阈值迭代算法（ISTA）和快速软阈值迭代算法（FISTA） 低秩矩阵填充|奇异值阈值算法 低秩稀疏矩阵恢复|ADM(IALM)算法
阅读全文
摘要：虽然我在矩阵微分系列中有介绍关于矩阵和向量的求导，但是不够系统，无意中发现一位同仁写的矩阵和向量的求导系列博客，写的很详细，相当不错，特此推荐： 机器学习中的矩阵向量求导(一) 求导定义与求导布局 机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法 机器学习中的矩阵向量求导(三) 矩阵向量求导之微
阅读全文
摘要：$\ell_{2,1}$-norm encourages the columns of matrix A to be zeros. For example， we have objective function：
阅读全文
摘要：tic k = 0; for ii = 1:100 k = k + ii; end disp(k); toc 运行结果：
阅读全文
摘要：reshape函数 reshape(X,M,N) or reshape(X,[M,N]) returns the M-by-N matrix whose elements are taken columnwise from X. An error results if X does not have
阅读全文
摘要：本文摘自张贤达的《矩阵分析与应用》第四章第3节、王书宁等人译的《凸优化》的第三章第1节和第4节
阅读全文
摘要：在上一篇博客中，我们介绍了次梯度，本篇博客，我们将用它来求解优化问题。 优化目标函数： $min \frac{1}{2} ||Ax-b||_2^2+\mu ||x||_1$ 已知$A, b$，设定一个$\mu$值，此优化问题表示用数据矩阵$A$的列向量的线性组合去拟合目标向量$b$，并且解向量$x$
阅读全文
摘要：本文摘自张贤达的《矩阵分析与应用》第四章第5节 示例： 上面左图的红线是函数$y=x^2$在点$x=0$的梯度方向，也是唯一的次梯度方向。上面右图的三条红线都是函数$y=|x|$在点$x=0$的次梯度方向。
阅读全文
摘要：方法一： import scipy as spy from scipy.sparse import csc_matrix m = 2 n = 3 A = spy.sparse.rand(m, n, density=0.5, format='csc', dtype=None).toarray() pr
阅读全文
摘要：np.ones(shape), np.zeros(shape), np.random.randint(low, high, shape)这里的shape必须用元组或列表形式，例如： np.reshape(shape), 这里的shape可以用元组形式，也可以直接写数字，例如： np.random.r
阅读全文
摘要：百度百科上对Lipschitz连续的介绍挺不错的：Lipschitz连续 此外，张贤达的《矩阵分析与应用》第四章第4节中也有对Lipschitz连续的介绍：
阅读全文
摘要：1 此条目内容摘自物理CPU、CPU核数、逻辑CPU、超线程 基本概念 物理CPU 物理CPU是插在主机上的真实的CPU硬件，在Linux下可以数不同的physical id 来确认主机的物理CPU个数。 核心数 物理CPU下一层概念是核心数，我们常常听到多核处理器，其中的核指的就是核心数。在Lin
阅读全文
摘要：从奇异值的角度看矩阵范数，会发现与向量范数有一一对应关系： （注：表中涉及到用奇异值表示Frobenius范数，其推导可参考这篇博客） 向量的L1范数是L0范数的松弛，并且在一定条件下是等价的。矩阵核范数是rank约束的松弛，并且在一定条件下是等价的。
阅读全文
摘要：定义：若$AA=A$，则称$A$为幂等矩阵。 1.幂等矩阵的特征值只取1和0两个数值 证明： 设$\lambda$是幂等矩阵$A$的特征值，$\bold{v}$是与$\lambda$对应的特征向量，则 $\lambda \bold{v}=A\bold{v}=A^2 \bold{v}=\lambda^
阅读全文
摘要：本文摘自张贤达的《矩阵分析与应用》第六章第2节
阅读全文
摘要：本文摘自本文摘自史加荣等人发表在计算机应用研究杂志的《低秩矩阵恢复算法综述》 优化问题式(10)被称为鲁棒主成分分析(Robust Principal Component Analysis).
阅读全文
摘要：假设$A$是$m*n$矩阵，可通过证明$Ax=0$和$A^TAx=0$这两个n元方程有相同解来证明$rank(A^TA)=rank(A)$。 (1) $Ax=0 \rightarrow A^TAx=0$，即方程$Ax=0$的解也是$A^TAx=0$的解； (2) $A^TAx=0 \rightarr
阅读全文
摘要：本文摘自史加荣等人发表在计算机应用研究杂志的《低秩矩阵恢复算法综述》
阅读全文
摘要：以下几个资料对范数和正则项的介绍比较好： 张贤达《矩阵分析与应用》第六章 Michael Nielsen的Neural Networks and Deep Learning，第三章第2节 机器学习中的范数规则化之（一）L0、L1与L2范数 机器学习中的范数规则化之（二）核范数与规则项参数选择 一文搞
阅读全文
摘要：在张贤达的《矩阵分析与应用》第四章第7节和Boyd等人的Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers的第2、3章，有对对偶上升法、增光拉格朗日
阅读全文
摘要：在王书宁译的Boyd著的《凸优化》的第五章有很好的对拉格朗日函数、拉格朗日对偶函数、KKT条件的介绍。
阅读全文
摘要：转：弹出App can’t be opened because Apple cannot check it for malicious software的解决方法 亲测有效。
阅读全文
摘要：本文摘自知乎为何矩阵特征值乘积等于矩阵行列式值？
阅读全文
摘要：本文摘自知乎为什么特征值之和会等于矩阵的迹？
阅读全文
摘要：本文摘自《矩阵分析与应用》张贤达
阅读全文
浙公网安备 33010602011771号