向量

向量是由n個(gè)實(shí)數(shù)組成的一個(gè)n行1列（n*1）或一個(gè)1行n列（1*n）的有序數(shù)組；

點(diǎn)積

- 向量的點(diǎn)乘,也叫向量的內(nèi)積、數(shù)量積，對(duì)兩個(gè)向量執(zhí)行點(diǎn)乘運(yùn)算，就是對(duì)這兩個(gè)向量對(duì)應(yīng)位一一相乘之后求和的操作，點(diǎn)乘的結(jié)果是一個(gè)標(biāo)量。

點(diǎn)積幾何意義

- 點(diǎn)乘的幾何意義是可以用來(lái)表征或計(jì)算兩個(gè)向量之間的夾角，以及在b向量在a向量方向上的投影

叉乘

- 兩個(gè)向量的叉乘，又叫向量積、外積、叉積，叉乘的運(yùn)算結(jié)果是一個(gè)向量而不是一個(gè)標(biāo)量。并且兩個(gè)向量的叉積與這兩個(gè)向量組成的坐標(biāo)平面垂直。

叉乘的幾何意義

- 在3D圖像學(xué)中，叉乘的概念非常有用，可以通過(guò)兩個(gè)向量的叉乘，生成第三個(gè)垂直于a，b的法向量，從而構(gòu)建X、Y、Z坐標(biāo)系。

參考文檔

- https://blog.csdn.net/dcrmg/article/details/52416832? (向量點(diǎn)乘（內(nèi)積）和叉乘（外積、向量積）概念及幾何意義解讀)

矩陣

特征值和特征向量

-?由于矩陣可以看做是向量的集合,因此一個(gè)矩陣(m*n)可以看做是通過(guò)n個(gè)m維向量,形成的一個(gè)向量,因此可以轉(zhuǎn)換為通過(guò)特征向量構(gòu)建一個(gè)基本的m維坐標(biāo)系,通過(guò)特征值對(duì)這m維向量進(jìn)行伸縮 ,即歸一化 (normal)

svd分解 - 奇異值分解(Singular Value Decomposition，以下簡(jiǎn)稱SVD)

-?將任一矩陣(m*n) 拆解成三個(gè)矩陣 U , V ,R,其中U,V是正定矩陣(正定矩陣的逆矩陣=正定矩陣的轉(zhuǎn)置矩陣),通過(guò)svd分解,可以達(dá)到降維的效果,其中svd分解也是pca (主成分分析（Principal Component Analysis,簡(jiǎn)稱 PCA) 的前置條件?

?

參考文檔

- https://zhuanlan.zhihu.com/p/524126772? (從數(shù)學(xué)的角度淺談特征值和特征向量的求法)

- https://zhuanlan.zhihu.com/p/31386807 (四）矩陣的特征分解與奇異值分解(SVD))

- https://blog.csdn.net/OrdinaryMatthew/article/details/117948620 (PAC、SVD以及它們的聯(lián)系之充分?jǐn)?shù)學(xué)知識(shí)推導(dǎo))

機(jī)器學(xué)習(xí)的基本概念

張量

- n維矩陣的統(tǒng)稱

參考文檔

- https://zhuanlan.zhihu.com/p/48982978 (筆記 | 什么是張量（tensor）& 深度學(xué)習(xí))

激活函數(shù),損失函數(shù),動(dòng)量法的原理

參考文檔

- https://baijiahao.baidu.com/s?id=1574592152285995 (為了徹底理解深度學(xué)習(xí)，我們到底需要掌握哪些數(shù)學(xué)知識(shí)呢)

神經(jīng)網(wǎng)絡(luò)demo

參考文檔

- https://blog.csdn.net/happytofly/article/details/80121851 (如何用70行Java代碼實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)算法)

chatgpt基本概念

- https://www.cnblogs.com/gczr/p/14693829.html (一文徹底搞懂a(chǎn)ttention機(jī)制)

- https://www.cnblogs.com/gczr/p/16345902.html (深入理解softmax函數(shù))

- https://www.cnblogs.com/gczr/p/16376393.html (深入理解transformer)

- https://www.cnblogs.com/gczr/p/15213833.html (統(tǒng)計(jì)學(xué)中P值的理解)

chatpgt參數(shù)微調(diào) -demo

- https://www.cnblogs.com/zhangxianrong/p/14953162.html (NLP（二十六）：如何微調(diào) GPT-2 以生成文本)

論文

- https://zhuanlan.zhihu.com/p/619830415 ([論文筆記](méi) Segment Anything)

- Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism

- Segment Anything