Book4_Power-of-Matrix
Book4_Power-of-Matrix copied to clipboard
Visualize-ML
Book_4_《矩阵力量》 | 鸢尾花书：从加减乘除到机器学习；上架！
以下是OPENAI的回答，但我看你的书又好像不是这么一回事，在这里能补充下吗。 
矩阵乘法规则A@B=C这个图，C的结果乱了。 
Page 10 | Chapter 6 分块矩阵 | Book 4《矩阵力量》的图7展示矩阵的乘法第二视角：外积展开的时候，示意图 $a_i @ b^{(i)} = a_i b^{(i)} $，对于b行向量取的是m=3，也就是3列，最后的乘积示意图却是4列（意思表达出来了，但是图文不统一）您公开这样的书给大家，真的太厉害了
“细高的X显然不存在转置”，这里的“转置”应该是“矩阵的逆”吧？ 
CH
  公式符号不一致
因为X向单位向量v方向投影得到的标量投影，即X在span(v) 的坐标为 ”Z=Xv“，那么X向单位向量v方向投影得到的向量投影坐标不应该是”Z=Xvv“吗？为什么公式25中后一个单位向量v要使用转置的形式，即"Z=XvvT" ?
这个地方有两个小建议： 1. 公式 2.39 应该附带解释，因为向量内积的几何表示并不是很“理所当然”，要从 a1b1 + a2b2 直接得到 ||a||||b||cos_theta 并不是很“直观”，实际上我看到这个地方想了很久，为什么向量内积，也就是 a1b1 + a2b2 等于 ||a||||b||cos_theta 。后来才想明白，如果用 2.16 图去理解，以 b 作为坐标“基础”，那么 a 在垂直于 a 的轴上，大小为 0，因此那个轴的乘积为 0，所以两者的内积才等于 (||a||cos_theta) ||b|| ，也就是书中给的...
使用numpy.einsum()时，大家记住一个要点——输入中重复的索引代表元素相乘，输出中消去的索引意味着相加。 --- 前半句话这句话不对。输入中的任何索引都代表相乘，消失的索引表示相加。 ``` A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) C = np.einsum('ij,kl->il', A, B) ``` 比如这个，输入中没有任何重复索引，但结果仍然是相应元素的乘积。`C_{il} =\Sum_{jk} A_{ij} B_{kl}`。
