前言

回顧一下BLAS Level 1 2 3中的運算都有什么類型

• BLAS Level 1

  在BLAS Level 1中，進行的是向量-向量的操作。其中相關概念有

  • 向量類型: 實數(shù)域，復數(shù)域，共軛
  • 運算操作: 元素求和，向量相加，向量拷貝，點乘，二范數(shù)(歐幾里得范數(shù))，向量繞點旋轉，Givens旋轉，改進Givens旋轉，計算Givens旋轉參數(shù)，標量與向量的乘積，向量交換，查找最大最小值，復數(shù)域向量的絕對值

• BLAS Level 2

  在BLAS Level 2中，進行的是矩陣-向量的操作。其中相關概念有

  • 矩陣類型: 一般帶狀矩陣，一般矩陣，Hermitian帶狀矩陣，Hermitian矩陣，Hermitian壓縮矩陣，對稱帶狀矩陣，對稱壓縮矩陣，對稱矩陣，三角帶狀矩陣，三角壓縮矩陣，三角矩陣
  • 運算操作: 矩陣-向量乘積，一階更新，二階更新，解線性方程組

• BLAS Level 3

  在BLAS Level 3中，進行的是矩陣-矩陣的操作。其中相關概念有

  • 矩陣類型:一般矩陣，Hermitian矩陣，對稱矩陣，三角矩陣
  • 運算操作: 矩陣乘法，k階更新，2k階更新， 解方程

向量矩陣類型學習

向量

• 實數(shù)域
  

  x=[1?,?2?,?3.1?,?4]
  元素為實數(shù)的就叫實數(shù)域上的向量

• 復數(shù)域
  

  x=[?i,?2i,?3i,?4i]x=[4?i?,?3?2i?,?2?3i?,?1?4i]
  元素為復數(shù)的就叫復數(shù)域上的向量，第一個向量的實部為0，第二個向量的實部非0

• 共軛向量

  當兩個復數(shù)的實部相等，虛部互為相反數(shù)時，這兩個復數(shù)叫做互為共軛復數(shù)，實數(shù)的共軛復數(shù)就是本身

矩陣

• 一般矩陣
  

  A=???a11a21a31a12a22a32a13a23a33???

• 帶狀矩陣

  如果矩陣A=aij是一個n?n的矩陣，假設在對角邊界帶狀區(qū)域之外的所有元素都是0，其中邊界范圍由常數(shù)k1和k2決定，那么就有
  

  當j<(i?k1)或者j>(i+k2)的時候有aij=0
  這里面的k1稱為下帶寬(lower bandwidth)，k2稱為上帶寬(upper bandwidth)
  A=???a1100a12a2200a23a33???

• 三角帶狀矩陣

  當帶狀矩陣的k1=k2=1的時候，就是三角帶狀矩陣了
  

  A=????????????????B11B210??0B12B22B32???0B23B33B43????B34B44B540???B45B55B650??0B56B66????????????????
  ?

• Hermitian矩陣

  Hermitian矩陣(也稱為self-adjoint矩陣)，是一個復數(shù)方陣，與它自己的共軛轉置是相等的；也就是說第i行第j列的元素等于它的共軛轉置矩陣的第j行第i列，對于所有的索引i,j都有
  

  aij=ajiˉˉˉˉA=AHˉˉˉˉˉ
  一個實例就是
  A=???22?i42+i3?i4i1???

• 三角矩陣
  

  A=???????????a11a21a31?an1a22a32?an2????an,n?10an,n???????????
  稱為下三角矩陣(lower triangular matrix)或者左三角矩陣(left triangular matrix)。同理還有上三角矩陣就不說了。

• 對稱矩陣

  對稱矩陣就是一個轉置等于它自身的一個方陣
  

  A=AT
  例如
  A=???17374?53?56???

• 壓縮存儲

  在Cblas中提供了很多壓縮存儲，但是目前還沒分析透徹，有興趣可以看看英文文檔，其中提供了各種轉換壓縮存儲的主程序。主要包含的壓縮存儲有:

  • 帶狀壓縮存儲
  • 按列存儲時候Hermitian矩陣的上三角帶狀存儲；按行存儲時候Hermitian矩陣的下三角帶狀存儲
  • 對稱矩陣的上三角壓縮存儲；對稱矩陣的下三角壓縮存儲
  • 按列存儲時候上三角帶狀矩陣或者下三角帶狀矩陣的壓縮存儲；按行存儲的時候上三角帶狀矩陣或者下三角帶狀矩陣的壓縮存儲

向量矩陣操作學習

向量-向量

• Givens旋轉

  直接從維基百科上搬過來：

  == 矩陣表示 ==
  吉文斯旋轉表示為如下形式的[[矩陣]]
  

  G(i,j,θ)=?????????????????1?0?0?0?????0?c?s?0?????0??s?c?0?????0?0?0?1?????????????????
  這里的 c= cos(θ) 和 s = sin(θ) 出現(xiàn)在第 ”i” 行和第 ”j” 行與第 ”i” 列和第 ”j” 列的交叉點上。就是說，吉文斯旋轉矩陣的所有非零元定義如下：
  gkkgiigjjgijgji=1fork≠i,j=c=c=?s=s

  乘積 G(i,?j,?θ)?x 表示向量 x在 (i,j)平面中的逆時針旋轉 θ 弧度。

  Givens 旋轉在數(shù)值線性代數(shù)中主要的用途是在向量或矩陣中介入零。例如，這種效果可用于計算矩陣的 QR分解。超過Householder變換的一個好處是它們可以輕易的并行化，另一個好處是對于非常稀疏的矩陣計算量更小。

  == 穩(wěn)定計算 ==
  當一個吉文斯旋轉矩陣 G(i,j,θ)從左側乘另一個矩陣 A的時候，GA 只作用于A的第 i和 j 行。所以我們集中于下列問題。給出 a和 b，找到 c=cos(θ) 和 s=sin(θ) 使得
  

  [cs?sc][ab]=[r0]
  明確計算出 θ 是沒有必要的。我們轉而直接獲取 ”c”, ”s” 和 ”r”。一個明顯的解是
  rcs=a2+b2??????√=a/r=?b/r

矩陣-向量

• Hermitian矩陣或者其壓縮存儲形式

  • 一階更新
  A:=α?x?conjg(x′)+A

  其中x是一個n維向量

  • 二階更新
  A:=α?x?conjg(y′)+conjg(α)?y?conjg(x′)+A

  其中x,y都是n向量

• 對稱矩陣或者其壓縮存儲形式

  • 一階更新

  a:=α?x?x′+A

  ? 其中x為n維矩陣

  • 二階更新
    A:=α?x?y′+α?y?x′+A
    其中x,y都是n維矩陣

矩陣-矩陣

• Hermitian矩陣

  • k階更新
    C:=α?A?AH+β?C
    其中A是n?k維矩陣，C是n?n的Hermitian矩陣

  • 2k階更新
    

    C:=α?A?BH+conjg(α)?B?AH+β?C,
    其中A,B都是n?k的矩陣，C是n?n的Hermitian矩陣

• 對稱矩陣

  • k階更新
  C:=α?A?A′+β?C

  ? 其中A是n?k的矩陣，C是n?n的矩陣

  • 2k階更新
    C:=α?A?B′+α?B?A′+β?C
    其中A,B都是n?k的矩陣，C是n?n的矩陣

后續(xù)

目前感覺也就這么多內(nèi)容了。關于后面的稀疏矩陣計算相關內(nèi)容，等用到了再學習。后面著重實現(xiàn)以下最基本的全矩陣(full matrix)運算，也就是說不考慮矩陣是對稱的、Hermitian的或者帶狀什么的。主要包含向量-向量、矩陣-向量、矩陣-矩陣的乘法關系。

總結

以上是生活随笔為你收集整理的MKL学习——线性代数概念相关的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。