标量、向量、矩阵、张量之间的联系
在深度学习中，大家肯定都知道这几个词：标量（Scalar），向量（Vector），矩阵（Matrix），张量（Tensor）。但是要是让我们具体说下他们，可能一下子找不出头绪。下面介绍一下他们之间的关系：
标量（scalar)
一个标量表示一个单独的数，它不同于线性代数中研究的其他大部分对象（通常是多个数的数组）。我们用斜体表示标量。标量通常被赋予小写的变量名称。如：a
向量（vector）
一个向量表示一组有序排列的数。通过次序中的索引，我们可以确定每个单独的数。通常我们赋予向量粗体的小写变量名称。当我们需要明确表示向量中的元素时，我们会将元素排列成一个方括号包围的纵柱：如 a.
矩阵（matrix）
矩阵是一个二维数组，其中每一个元素由两个索引所确定。一个有m行，n列，每个元素都属于 RR 的矩阵记作 A∈Rm×n. 通常使用大写变量名称，如A
张量（tensor）
超过两维的数组叫做张量。
在某些情况下，我们会讨论坐标超过两维的数组，一般的，一个数组中的元素分布在若干维坐标的规则网格中，我们称之为张量。我们使用字体 A 来表示张量“A”。张量A中坐标为(i,j,k) 的元素记作 Ai,j,k .
四者之间关系
标量是0阶张量，向量是一阶张量。
举例：
标量就是知道棍子的长度，但是你不会知道棍子指向哪儿。
向量就是不但知道棍子的长度，还知道棍子指向前面还是后面。
张量就是不但知道棍子的长度，也知道棍子指向前面还是后面，还能知道这棍子又向上/下和左/右偏转了多少。
向量和矩阵的范数归纳
向量的范数(norm)
向量的1范数：
向量的2范数：
向量的负无穷范数：
向量的正无穷范数：
向量的p范数：
矩阵的范数
当向量取不同范数时, 相应得到了不同的矩阵范数。
矩阵的1范数（列范数）：
矩阵的每一列上的元素绝对值先求和，再从中取个最大的,（列和最大）；
矩阵的2范数：
矩阵的无穷范数（行范数）：
矩阵的每一行上的元素绝对值先求和，再从中取个最大的，（行和最大）.
上述矩阵A的行范数先得到[6；16] ，再取最大的最终结果就是：16。
矩阵的核范数：
矩阵的奇异值（将矩阵svd分解）之和，这个范数可以用来低秩表示（因为最小化核范数，相当于最小化矩阵的秩——低秩）
矩阵的L0范数：
矩阵的非0元素的个数，通常用它来表示稀疏，L0范数越小0元素越多，也就越稀疏.
上述矩阵A 最终结果就是：6
矩阵的L1范数：
矩阵中的每个元素绝对值之和，它是L0范数的最优凸近似，因此它也可以表示稀疏.
上述矩阵AAA最终结果就是：22。
矩阵的F范数：
矩阵的各个元素平方之和再开平方根，它通常也叫做矩阵的L2范数，它的有点在它是一个凸函数，可以求导求解，易于计算.
上述矩阵A最终结果就是：10.0995。
矩阵的 p范数:
其他线性代数的标量学习
行列式：（数学上定义为一个函数）
转置（transpose）
注意：
向量可以看作只有一列的矩阵， 对应地，向量的转置结果可以看作只有一行的矩阵。
标量的转置等于自身。
矩阵运算
矩阵可以进行加法、乘法计算。
矩阵乘法（Matrix Product）
两个矩阵的标准乘积不是两个矩阵中对应元素的乘积。
向量的点积（dot Product）：（可以理解成矩阵乘积Matrix Product）
注意：
向量点积结果必然是一个实数，即一个一行一列的矩阵。
矩阵乘法分配律
矩阵乘积结合律
注意：矩阵乘积并不满足交换律，然而，两个向量的点积满足交换律
矩阵乘积的转置有着简单的形式
单位矩阵（identity matrix）
单位矩阵所有沿对角线的元素都是1， 而其它位置的所有元素都是0。
任意向量和单位矩阵相乘，都不会改变。
逆矩阵
endl;
