协方差矩阵在torch和numpy中的比较，自行实现torch协方差矩阵

这篇具有很好参考价值的文章主要介绍了协方差矩阵在torch和numpy中的比较，自行实现torch协方差矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前言

数学中（教科书、大学课堂、数学相关的科普视频），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。
但是在机器学习以torch框架为例，一个有意义的向量或者说embedding是横着的。

比较

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，低版本的需要自行实现。
因为大部分博客都是数学风格的，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，一定要注意。
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

这样子可以和numpy的cov比较一下：

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 $x_i$ 应当表示成
$\left[ \begin{matrix} x_1\\ x_2\\ x_3\\ \end{matrix} \right]$
计算均值 $\mu$ ，应当是对 $x_i$ 求 $\mu$ ， $\mu=\frac1N\sum_Nx_i$ 所以 $\mu$ 也是一个高维（与x同维度）的向量。
$M-\mu$ 变换应当表示成
$X=\left[ \begin{matrix} x_1-\mu\\ x_2-\mu\\ x_3-\mu\\ \end{matrix} \right]=\left[ \begin{matrix} x_1'\\ x_2'\\ x_3'\\ \end{matrix} \right]$
我们把变换后的 $M$ 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相互的方差，则应当是
$\frac13X^TX=\frac13\left[ \begin{matrix} x_1', x_2', x_3'\\ \end{matrix} \right]\left[ \begin{matrix} x_1'\\ x_2'\\ x_3'\\ \end{matrix} \right]=\Sigma$
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，此时可以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 $\frac1{3-1}$ 。文章来源地址https://www.toymoban.com/news/detail-400485.html