- 综合排序
- 最热优先
- 最新优先
- 来自专栏一直在跳坑然后爬坑
向量空间相关概念总结-向量
n维向量： ? n维列向量 ? n维行向量 两个向量相等：大小相等，方向相同 ? 向量相等 向量的长度：就是起点与终点的距离，记作： ? 向量长度 向量的方向： 用向量和它坐标轴的夹角来表示，比如： ? 向量方向 向量平行：两个向量方向相同或相反就算平行 零向量：起点和终点是同一个点，零向量长度是0，注意，零向量与任何一个向量平行，他虽然长度为0，但是他却有无穷多的方向 基础运算 向量加法 当然，如果两个边共线了，那第三个边等于前两个边之和 向量数乘：就是一个向量乘以一个数。比如一个向量乘以k，几何意义就是这个向量放大了k倍，k如果是负数那方向就反过来了。 k如果是0的话那这个向量就变成零向量了。其实根据字面意思也好理解，就是k倍的某向量嘛，所以向量的各个维度都应该放大k倍，这样就好理解向量的代数表示了。
1.3K20发布于 2018-10-10 - 来自专栏用户画像
中断向量 中断向量表
2、中断向量：早期的微机系统中将由硬件产生的中断标识码（中断源的识别标志，可用来形成相应的中断服务程序的入口地址或存放中断服务程序的首地址）称为中断向量。 在某些计算机中，中断向量的位置存放一条跳转到中断服务程序入口地址的跳转指令。 3、中断向量地址：存储中断向量的存储单元地址。 存放：存放中断服务程序的入口地址，来存放中断向量（共256个），称这一片内存区为中断向量表。 当响应中断时，硬件自动执行相应中断向量处的跳转代码，然后跳转到具体的中断服务程序的入口地址。 综上所述：中断向量的地址一定是 中断服务程序的入口地址的地址，但中断向量不一定就是中断服务程序的入口地址。
3.1K40发布于 2018-08-27 - 来自专栏小小程序员——DATA
支持向量机 支持向量机概述
支持向量机概述 支持向量机 Support Vector MachineSVM ) 是一类按监督学习 ( supervisedlearning)方式对数据进行二元分类的广义线性分类器 (generalized linear classifier) ，其决策边界是对学习样本求解的最大边距超亚面 (maximum-margin hyperplane)与逻辑回归和神经网终相比，支持向量机，在学习复杂的非线性方程时提供了一种更为清晰 ，更加强大的方式 硬间隔、软间隔和非线性 SVM 假如数据是完全的线性可分的，那么学习到的模型可以称为硬间隔支持向量机。 算法思想 找到集合边缘上的若工数据 (称为支持向量 (Support Vector) )用这些点找出一个平面(称为决策面)，使得支持向量到该平面的距离最大 超平面方程： \mathbf{w} ，支持向量到超平面的距离为 d，其他点到超平面的距离大于 d 至此可以得到最大间隔超平面的上下两个超平面: d=|\mathbf{w} \cdot \mathbf{x} + b | /||w||
68411编辑于 2023-12-20 - 来自专栏AI机器学习与深度学习算法
简单理解向量对向量的求导
全文字数：1127字 阅读时间：8分钟 前言 本文引入向量对向量求导的问题，向量对向量求导的关键是最终求导向量的排列问题。 提出了向量对向量求导的具体流程，最后以本文开头的向量求导为例具体展示向量对向量求导的具体流程。 image.png image.png 不过为了方便我们在实践中应用，通常情况下即使y向量是列向量也按照行向量来进行求导。
3.6K10发布于 2020-05-22 - 来自专栏PaddlePaddle
【词向量】Hsigmoid加速词向量训练
本周推文目录如下： 周三：【词向量】Hsigmoid加速词向量训练 周四：【词向量】 噪声对比估计加速词向量训练 周五：【RNN语言模型】使用RNN语言模型生成文本 词向量用一个实向量表示词语，向量的每个维都表示文本的某种潜在语法或语义特征 这种表示方式比较简洁，但是当词表很大时，容易产生维度爆炸问题；而且任意两个词的向量是正交的，向量包含的信息有限。 为了避免或减轻one-hot表示的缺点，目前通常使用词向量来取代one-hot表示，词向量也就是word embedding，即使用一个低维稠密的实向量取代高维稀疏的one-hot向量。 网络输入为词在字典中的id，然后查询词向量词表获取词向量，接着拼接4个词的词向量，然后接入一个全连接隐层，最后是Hsigmoid层。详细网络结构见图2： ? 图2. 预测时输出一个宽度为[batch_size x 类别数目 - 1] 维度的矩阵（batch_size = 1时退化为一个向量）。矩阵行向量的每一维计算了一个输入向量属于一个内部结点的右孩子的概率。
1.3K80发布于 2018-03-15 - 来自专栏一直在跳坑然后爬坑
向量空间相关概念总结-向量空间
什么是向量空间 特点： ① 包含向量 比如向量组，而且向量组内部的向量维数相同 ② 包含向量的运动 向量的加法->生成新的向量 向量的数乘->向量伸缩 ③ 向量的运动依然在空间中 向量相加生成的新向量也在这个空间中 向量数乘伸缩完之后也在这个空间中 定义： 如果一个向量组，它对向量的加法和数乘两种运算封闭，那么就称它为向量空间。 是指在这个向量空间中的向量进行数乘和加减，结果依然在这个向量空间内，即： ? 特殊的东西： ① 仅包含零向量的向量空间称为0维向量空间 ② 向量空间必须包含0向量 ③ 最高次数大于等于零的多项式的全体也是一个向量空间，比如： ? 如何判断某个向量空间A是不是另一个向量空间B的子空间 ① 是不是包含原点，不包含原点的连向量空间都不是 ② A向量空间里的向量进行加法变换生成的新向量是否一定在B向量空间中 ③ A向量空间里的向量进行数乘变换后是否一定在
2.2K20发布于 2018-10-10 - 来自专栏老齐教室
向量空间
假设平面直角坐标系中两个向量： 如图所示，如果要将这两个向量相加，可以按照中学物理所学习的“平行四边形”法则，得到了向量，其端点坐标如图中所标示。 ? 显然，对于集合，所有的向量都遵循上述加法运算法则。 此外，如果用一个数值乘以某个向量，例如，则得到图1-2-3所示： ? 1-2-3 所得到的向量与原来的向量方向相同，但长度是原来的倍。 根据向量空间的加法和数量乘法运算法则，可以得到如下8条推论，它们都是某个向量空间中向量所遵循的运算法则。 以上表示向量的时候，写成了一列，这种称为列向量。此外，也可以写成一行，如，那样，称为行向量。有时为了书写方便，会把列向量写成，T表示转置。 在机器学习中，向量无处不在，可以说只要有计算，就离不开向量。为何？这是因为向量能够让提升运算速度。
1.5K10发布于 2020-05-14 - 来自专栏hotarugaliの技术分享
向量空间
向量空间（线性空间） 1.1 定义 1.1.1 向量空间 对于以向量为元素的集合 ，若对于向量集合 中的向量 和标量域 中的标量 ，以下两个闭合性和关于加法及乘法的 个定律均满足时 存在零向量 ，使得 ，恒有 ，称为零向量的存在性。 ，使得 ，称为负向量的存在性。 满足以上三个性质的实向量空间和复向量空间分别称为实内积向量空间和复内积向量空间。 2.2 性质 。（共轭对称性） 。（第一变元的线性性） 3. 内，则称向量空间 为完备向量空间。 内，则称赋范向量空间 为完备赋范向量空间。
1.6K20编辑于 2022-03-13 - 来自专栏生信喵实验柴
认识向量
Excel 中数据类型 数值类型 类型 说明 字符(charactor) 常常被引号包围 数值(numeric) 实数向量 复数(complex) 复数向量 逻辑(logical) 二元逻辑向量 # 显示所有内置数据集 data() #加载扩展包数据集 data(package = "MASS") data(package = "ggplot2") 四、向量 向量：vector，是 向量其实是用于存储数值型、字符型或逻辑型数据的一维数组。R 中的向量与解析几何或者物理学中有数值和方向的量不同，R 中的向量是一个集合，即可以是数值的集合也可以是字符串或者逻辑值的集合。 其余数据结构都由向量构成。 4.1 创建向量 用函数c来创建向量。c代表concatenate连接，也可以理解为收集collect，或者合并combine。 #R 内置向量 rivers euro plot(rivers) hist(rivers) names(euro) length(euro) a <- c(1,2,3) #字符型向量
80410编辑于 2022-10-25 - 来自专栏产品经理的人工智能学习库
向量（vector）
百度百科版本 在数学中，向量（也称为欧几里得向量、几何向量、矢量），指具有大小（magnitude）和方向的量。它可以形象化地表示为带箭头的线段。箭头所指：代表向量的方向；线段长度：代表向量的大小。 如果给定向量的起点（A）和终点（B），可将向量记作AB（并于顶上加→）。在空间直角坐标系中，也能把向量以数对形式表示，例如xOy平面中(2,3)是一向量。 标量通常被认为是实数，但是也存在标量乘以复数，有理数或通常任何字段的向量空间。向量加法和标量乘法的运算必须满足下面列出的某些要求，称为公理。 欧几里德向量是向量空间的一个例子。 向量空间中的向量不一定必须是箭头状对象，因为它们出现在上述示例中：向量被视为具有特定属性的抽象数学对象，在某些情况下可以将其视为箭头。 向量空间是线性代数的主题，并且通过它们的维度很好地表征，粗略地说，它指定了空间中独立方向的数量。无限维向量空间在数学分析中自然出现，作为函数空间，其向量是函数。
1.8K10发布于 2019-12-18 - 来自专栏全栈程序员必看
向量内积_向量的内积和外积公式
向量内积 一般指点积； 在数学中，数量积（dot product; scalar product，也称为点积）是接受在实数R上的两个 向量并返回一个实数值 标量的 二元运算。 [1] 两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为： a·b=a1b1+a2b2+……+anbn。 使用 矩阵乘法并把（纵列）向量当作n×1 矩阵，点积还可以写为： a·b=a^T*b，这里的a^T指示 矩阵a的 转置。 点乘的几何意义是可以用来表征或计算两个向量之间的夹角，以及在b向量在a向量方向上的投影，有公式： 推导过程如下，首先看一下向量组成： 定义向量： 根据三角形余弦定理有： 根据关系c=a-b （a、b、c均为向量）有： 即： 向量a，b的长度都是可以计算的已知量，从而有a和b间的夹角θ： 根据这个公式就可以计算向量a和向量b之间的夹角。
1.8K20编辑于 2022-11-09 - 来自专栏全栈程序员必看
向量函数的内积_向量的内积运算
而函数内积的定义为： 可能很多人会想为什么函数也可以有内积，为什么这样定义，它跟一般的向量内积又有什么联系呢？ 回顾一下两个向量的内积： 我们直到两个向量的内积可以看作是a向量投影到b向量，也可以看作是b向量投影到a向量；如果两个向量正交，那他们的内积就为零。 某种意义上，可见向量内积也可以看作是两者相似程度的度量。 回到函数的内积，若两个函数是离散的，即f[n],g[n],我们不就可以把该函数看作是一个在n维空间展开的向量 可见一个离散函数的内积下形式是跟一般向量内积的形式是一致的。
1.8K30编辑于 2022-09-27 - 来自专栏技术研究和应用
【向量检索研究系列】本地向量检索（上）
1 背景当广告推荐业务峰值QPS已经达到10万以上，向量检索QPS峰值就会就会达到30万以上，召回服务的向量检索P99时延和平均时延已经超出了能接受的正常范围，导致召回服务整体时延达到上限，很多请求超时以至于没有广告返回给上游服务 因此关于向量相关的检索和计算需要进行优化以缓解线上服务压力，助力业务发展。 但是在业务服务本身做向量检索会消耗比较多的CPU资源和内存资源，CPU资源是比较稀缺的，而且普通的向量检索效率比较低，时延比较长，如何减少资源消耗和加快向量检索效率成为了优化目标。 2.1 Gonum计算向量检索的过程是两个向量按照一定的相似度计算公式进行运算，比如做内积、余弦或欧式距离计算。 但实际上向量检索的流程还有前置的向量过滤（可选流程）和后置的检索结果排序，这两个方面也有进一步优化的空间，以及整体优化后的效果将在下一篇文章《向量检索研究系列：本地向量检索（下）》中进行详细介绍。
1.6K31编辑于 2022-09-13 - 来自专栏技术研究和应用
【向量检索研究系列】本地向量检索（下）
1 背景上一篇文章《向量检索研究系列：本地向量检索（上）》介绍了如何加快向量相似度计算，但是一般的向量检索流程还包括对计算结果进行排序，以及有必要的话，在计算相似度之前可以对向量库中的向量进行过滤筛选（ 2 过滤优化本地向量计算是先把向量加载内存再计算，经过SIMD优化，计算速度快了，但是否还能进一步减少待计算相似度的向量集呢？ 图片举个例子，一个用户向量本来要和向量集所有1000个向量进行相似度计算，是否可以在内存中通过对向量进行属性过滤，让用户向量只需要和向量集中500个向量进行相似度计算，这样可以加快总体的向量检索速度。 图片2.1 向量过滤把广告通过模型转成向量后，向量应该关联广告的一些基本信息，广告检索条件是基于这些广告属性的，检索的时候可以根据检索条件在向量关联的广告信息中进行向量的筛选过滤。 第二个Map存储向量信息，一级Key :“模型版本”，二级Key ：广告ID，值为广告向量。
2.3K31编辑于 2022-07-14 - 来自专栏光城(guangcity)
向量数据库原理之向量索引
向量索引 在前面的文章中讲解了milvus的源码安装——向量数据库milvus源码剖析之开篇，向量数据库通常具备以下特点： 向量索引：用来支持高效的搜索，快速定位与查询向量相关的数据集。 本节将会着重讲向量索引。众所周知，向量数据库的主要目的是提供一种快速有效的方法来存储和高效查询数据，使向量数据类型成为一等公民。两个向量之间的相似性可以通过距离度量来衡量，例如余弦距离或点积。 通常来说，向量索引方法可以按照数据结构与压缩级别来划分。 标量量化（SQ）通过将向量中的浮点数转换为整数来实现，这种方法通过对每个维度的最小值和最大值进行对称划分，将向量分割成多个区间。 向量由短码表示，这样可以通过这些码（称为再现值）有效地估算向量之间的距离。其中的压缩体现在：对每个子向量进行独立量化。每个子向量使用一个预先计算好的码本(质心集)，将子向量映射为一个短码。
1.5K10编辑于 2024-06-27 - 来自专栏全栈程序员必看
词向量：如何评价词向量的好坏
一、前言 词向量、词嵌入或者称为词的分布式表示，区别于以往的独热表示，已经成为自然语言任务中的一个重要工具，对于词向量并没有直接的方法可以评价其质量，下面介绍几种间接的方法。 二、评价方法 对于词向量的评价更多还是应该考虑对实际任务的收益，脱离的实际任务很难确定A模型就一定比B好，毕竟词向量方法更多是一种工具。 上述文件代表了词语之间的语义相关性，我们利用标注文件与训练出来的词向量相似度进行比较，如：词向量之间的cos距离等，确定损失函数，便可以得到一个评价指标。 3、文本分类任务 这个任务利用词向量构成文本向量，一般采用求和平均的方式，之后利用构成的文本向量进行文本分类，根据分类的准备率等指标衡量词向量的质量。 3、向量维度 向量维度太小难以表现出语义的复杂度，一般更大的维度的向量表现能力更强，综合之下，50维的向量可以胜任很多任务。
1.8K20编辑于 2022-09-06 - 来自专栏AI技术探索和应用
向量检索（RAG）之向量数据库研究
功能：将文档生成向量，存储向量及其元数据，检索向量。即将推出：多种数据类型，包括图像、音频、视频等。 对您的数据集运行语义搜索和向量操作。 协同清理、标记和标注您的数据集。 可视化 Weaviate 和 Pinecone 向量数据库。 功能：将文档生成向量，存储向量及其元数据，检索向量。即将推出：多种数据类型，包括图像、音频、视频等。 然后将查询图像转换为向量，并检索出相似的图像。 产品推荐：基于代表用户的向量，为电子商务生成产品推荐。 乘积量化是一种允许 Weaviate 的 HNSW 向量索引使用更少字节存储向量的技术。由于 HNSW 将向量存储在内存中，因此可以在给定的内存量上运行更大的数据集。
3.2K42编辑于 2025-03-05 - 来自专栏全栈程序员必看
MATLAB中向量_向量法表示字符串
Matlab中的向量和数组（超详细） ---- 文章目录 Matlab中的向量和数组（超详细） Matlab中的向量 介绍 创建向量 向量的大小 索引向量 数值索引 逻辑索引 中的向量是只有一行元素的数组，向量中的单个项通常称为元素。 可以通过以下两种方式中的任意一种访问向量中的元素: 使用数值向量和逻辑向量。 数值索引 通过在括号内输入零个或多个元素的索引值，可以单个或分组访问向量中的元素。 向量运算 算术运算 向量中的加减法运算 可以看见是对向量中每个元素进行加法运算，减法也一样 向量中的乘法、除法. 逻辑运算 向量的逻辑运算会产生的逻辑结果向量。
3.4K30编辑于 2022-11-17 - 来自专栏PaddlePaddle
【词向量】 噪声对比估计加速词向量训练
本周推文目录如下： 周三：【词向量】Hsigmoid加速词向量训练 周四：【词向量】 噪声对比估计加速词向量训练 周五：【RNN】使用RNN语言模型生成文本 词向量用一个实向量表示词语，向量的每个维都表示文本的某种潜在语法或语义特征 在词向量任务中，我们向大家展示如何使用Hierarchical-Sigmoid 和噪声对比估计（Noise Contrastive Estimation，NCE）来加速词向量的学习。 02 噪声对比估计加速词向量训练 |1. 为什么需要噪声对比估计 语言模型是许多自然语言处理任务的基础，也是获得词向量表示的一种有效方法。 词向量层：id 表示通过词向量层作用得到连续表示的词向量表示，能够更好地体现词与词之间的语义关系。训练完成之后，词语之间的语义相似度可以使用词向量之间的距离来表示，语义越相似，距离越近。 词向量拼接层：将词向量进行串联，并将词向量首尾相接形成一个长向量。这样可以方便后面全连接层的处理。 全连接隐层：将上一层获得的长向量输入到一层隐层的神经网络，输出特征向量。
2K70发布于 2018-03-15 - 来自专栏LCHub低代码社区
《向量数据库》向量数据库概念
向量数据库定义向量数据库就是用来存储，检索，分析向量的数据库。 向量数据库关键技术构建在大数据和分布式数据库技术基础上必定是shared-nothing架构高可用支持线性扩展向量索引技术向量索引发展，和各种技术的局限性(LSH,k-d tree, PQ， PQ Fast Scan)向量与结构化数据的结合硬件加速各种加速硬件的原理，特点FPGA/GPU/AI芯片加速图片向量数据库的应用从技术角度来讲，向量数据库主要解决2个问题，一个是高效的检索，另一个是高效的分析。 向量数据库与传统数据库的区别数据规模超过传统的关系型数据库传统的关系型数据库管理1亿条数据已经是拥有很大的业务流量，而在向量数据库需求中，一张表千亿数据是底线，并且原始的向量通常比较大，例如512个float 向量数据库代表Milvus
1.6K30编辑于 2023-06-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号