25 线性代数在深度学习中的作用

查看大图

神经网络的核心计算仍是大量矩阵乘法。理解 shape、权重和梯度，能让深度学习不再只是调库。

查看大图

我会逐层记录张量形状。层数一多，shape 记录比临时猜测可靠得多。

在前一篇中，我们探讨了线性代数在机器学习中的应用，尤其强调了其在数据预处理和模型构建中的重要性。今天，我们将深入讨论线性代数在深度学习中的作用，尤其是如何利用线性代数来理解和优化神经网络。

线性代数与神经网络

深度学习中的核心构建块是神经网络，而神经网络可以使用矩阵和向量的运算来表示。一个简单的前馈神经网络能够通过线性变换（例如矩阵乘法）和非线性激活函数（例如ReLU、Sigmoid等）来学习复杂的函数关系。

查看大图

读这篇时，可以把「线性代数与神经网络 -> 线性变换 -> 非线性激活 -> 反向传播」当成一条检查线：先把对象、步骤和证据对齐，再回到案例、代码或指标里复查。

线性变换

在一个典型的深度神经网络中，输入数据（通常是特征向量）会通过多个隐藏层。每一层都可以用线性变换（矩阵乘法）加偏置来表示，形式如下：

$$\mathbf{z} = \mathbf{W} \cdot \mathbf{x} + \mathbf{b}$$

其中，$\mathbf{z}$ 是下一层的输入，$\mathbf{W}$ 是权重矩阵，$\mathbf{x}$ 是当前层的输入，$\mathbf{b}$ 是偏置向量。

例如，考虑一个输入层有 3 个神经元，一个隐藏层有 2 个神经元的网络，我们可以表示为：

$$\begin{bmatrix} z_1 \\ z_2 \end{bmatrix} = \begin{bmatrix} w_{11} & w_{12} & w_{13} \\ w_{21} & w_{22} & w_{23} \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ x_3 \end{bmatrix} + \begin{bmatrix} b_1 \\ b_2 \end{bmatrix}$$

这一操作清晰地展示了输入与权重之间的关系。

非线性激活

在计算出线性变换的结果之后，通常会应用一个非线性激活函数，增强模型的表达能力。这一过程如下：

$$\mathbf{a} = f(\mathbf{z})$$

这里，$f$ 表示激活函数，例如 ReLU 或 Sigmoid。

反向传播

在深度学习中，训练神经网络通常使用反向传播算法来优化权重和偏置。反向传播需要计算损失函数相对于每个权重和偏置的梯度。这个过程涉及到大量的矩阵运算和向量运算，使用了线性代数中的导数和链式法则。

例如，设损失函数为 $L$，我们可以使用链式法则得到权重更新的公式：

$$\frac{\partial L}{\partial \mathbf{W}} = \frac{\partial L}{\partial \mathbf{a}} \cdot \frac{\partial \mathbf{a}}{\partial \mathbf{z}} \cdot \frac{\partial \mathbf{z}}{\partial \mathbf{W}}$$

这里的每个部分都可以用矩阵和向量的运算来表示。

案例分析

考虑一个简单的深度学习例子，我们要用一个三层神经网络来分类手写数字（例如 MNIST 数据集）。以下是一个基本实现的 Python 代码示例，使用 NumPy 库。

import numpy as np

# 激活函数
def sigmoid(z):
    return 1 / (1 + np.exp(-z))

# 前向传播
def forward(X, W1, b1, W2, b2):
    z1 = np.dot(X, W1) + b1
    a1 = sigmoid(z1)
    z2 = np.dot(a1, W2) + b2
    output = sigmoid(z2)
    return output

# 示例输入
np.random.seed(0)
X = np.random.rand(5, 3)  # 5 个样本，3 个特征的输入
W1 = np.random.rand(3, 4)  # 第一层权重 3->4
b1 = np.random.rand(4)      # 第一层偏置
W2 = np.random.rand(4, 1)  # 第二层权重 4->1
b2 = np.random.rand(1)      # 第二层偏置

output = forward(X, W1, b1, W2, b2)
print("Network output:\n", output)

在这个例子中，我们首先生成一些随机输入数据 $X$，然后通过指定的权重和偏置进行前向传播，最终得到网络的输出。通过调整 $W1$, $b1$, $W2$, $b2$，我们可以训练模型，以便它可以更好地分类手写数字。

查看大图

复习《线性代数在深度学习中的作用》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《线性代数在深度学习中的作用》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

小结

线性代数在深度学习中起着至关重要的作用，主要表现在：

查看大图

阅读《线性代数在深度学习中的作用》前，可以先用配图确认主线；读完后再检查哪些步骤能直接操作，哪些还需要补资料。

1. 数据表示：输入、权重和输出数据可以用向量和矩阵表示。
2. 计算效率：矩阵乘法大大减少了手动计算的复杂度，使得网络的规模可以扩展。
3. 反向传播：通过矩阵运算来高效计算梯度，从而优化神经网络的性能。

线性代数不仅提供了数学工具，还为我们提供了深刻的洞见，以理解复杂的深度学习模型。下一篇我们将深入探讨线性代数在状态空间模型中的应用，展现线性代数在动态系统中的重要性。