共计 1491 个字符，预计需要花费 4 分钟才能阅读完成。
我自己是此作者：https://yonggie.blog.csdn.net…
前言
数学中（教科书、大学课堂、数学相干的科普视频），一个矩阵的向量往往是竖着的，一列作为一个 vector，这一点 numpy 库也是这样默认的。
然而在机器学习以 torch 框架为例，一个有意义的向量或者说 embedding是横着的。
比拟
因为 numpy 库默认是一列是一个向量而 torch 等机器学习框架默认一行是一个向量，所以 torch.cov(X) 和numpy.cov(X.T)是相等的。
自行实现
torch 在较高版本中才有 torch.cov 函数，低版本的须要自行实现。
因为大部分博客都是数学格调的，在减掉均值后，大部分写 $XX^T$ 算协方差矩阵，这是默认以列为一个 vector，肯定要留神。
因为 torch 的一个向量是一个横行，所以自行实现其实是 $X^TX$
def torch_cov(input_vec:torch.tensor):
x = input_vec- torch.mean(input_vec,axis=0)
cov_matrix = torch.matmul(x.T, x) / (x.shape[0]-1)
return cov_matrix这样子能够和 numpy 的 cov 比拟一下：
vecs=torch.tensor([[1,2,3,4],[2,2,3,4]]).float()
vecs_np=vecs.numpy()
cov = np.cov(vecs_np.T)
# 显示
array([[0.5, 0. , 0. , 0.],
[0. , 0. , 0. , 0.],
[0. , 0. , 0. , 0.],
[0. , 0. , 0. , 0.]])
torch_cov(vecs)
# 显示
tensor([[0.5000, 0.0000, 0.0000, 0.0000],
[0.0000, 0.0000, 0.0000, 0.0000],
[0.0000, 0.0000, 0.0000, 0.0000],
[0.0000, 0.0000, 0.0000, 0.0000]])二者是一样的。
直面矩阵的数学解释
对于矩阵 \(M\)来说， 1 行为一个高维变量 \(x_i\) 该当示意成
$$
\left[\begin{matrix}
x_1\\ x_2\\ x_3\\
\end{matrix} \right]
$$
计算均值 \(\mu\)，该当是对 \(x_i\)求 \(\mu\)，$$\mu=\frac1N\sum_Nx_i$$ 所以 \(\mu\)也是一个高维（与 x 同维度）的向量。
\(M-\mu\)变换该当示意成
$$
X=\left[\begin{matrix}
x_1-\mu\\ x_2-\mu\\ x_3-\mu\\
\end{matrix} \right]=\left[\begin{matrix}
x_1’\\ x_2’\\ x_3’\\
\end{matrix} \right]
$$
咱们把变换后的 \(M\)写做 \(X\)，变换后的 \(x_i\)写作 \(x’_i\)。
协方差矩阵 \(\Sigma\)的意义是各个维度之间互相的方差，则该当是
$$
\frac13X^TX=\frac13\left[\begin{matrix}
x_1′, x_2′, x_3’\\
\end{matrix} \right]\left[\begin{matrix}
x_1’\\ x_2’\\ x_3’\\
\end{matrix} \right]=\Sigma
$$
直观解释是这个乘法 \(\Sigma\)最左上角的元素，恰好是 \(x’_i\)第 1 维对第 1 维的自我方差，此时能够确认是正确意义的协方差矩阵。
当然，算完之后还要乘变量个 \(\frac13\)或者 \(\frac1{3-1}\)。