【机器学习】向量化计算 -- 机器学习路上必经路
🤵♂️ 个人主页: @计算机魔术师
👨💻 作者简介:CSDN内容合伙人,全栈领域优质创作者。
🌐 推荐一款找工作神器网站: 牛客网🎉🎉|笔试题库|面试经验|实习招聘内推
还没账户的小伙伴 速速点击链接跳转牛客网登录注册 开始刷爆题库,速速通关面试吧🙋♂️
该文章收录专栏
✨— 机器学习 —✨
@toc
@[toc](【机器学习】向量化计算 —机器学习路上必经路)
一、求解矩阵
在求解矩阵中,往往有很多很好的,经过高度优化的线性代数库,如octave,matlib,python numpy, c++,java.
我们使用这些线性代数库,可以短短几行实现 所要的效果。
阅读本文内容(需要一点点线性代数的知识)
二、例一
例如 求公式:
我们可以通过循环每一个值来求 每一个
所对应的结果,但此时循环的时间复杂度为
, 我们可以把
看为
维的列向量,
作为
维的列向量,则原公式即为求两个向量的内积
来求得方程,这样在numpy中仅仅需要一行代码。如下图(演示代码为octave(matlib开源版)
)
c++实现
三、例二
- 再看一个复杂一点的例子:
(对梯度下降还不了解建议先食用文章:机器学习】浅谈正规方程法&梯度下降)
在梯度下降(Gradient descent)同步更新参数
我们可以通过循环
得到每个参数更新,但我们是否能用例子一的方法 简化呢,
如图:
我们将所求式子变为 向量之间的运行,
(其中:
=
,
是一个实数,
是特征维度的列向量)
此时参数 也能同步更新,符合要求
四、写在最后
在面对,数据为百万级别,千万级别,或者特征为百万级别,特征级别,向量化计算对提高运算效率非常高效,比
for
循环要好用得多,这在机器学习中是非常常见的,一定要掌握
- 点赞
- 收藏
- 关注作者
评论(0)