数学符号的标准写法 (机器学习方向)

摘要: 本贴讨论数学符号的标准写法, 列出 Latex 中使用的命令.

表 1. 矩阵相关符号
符号/操作意义Latex 命令
A \mathbf{A} A矩阵\mathbf{A}
A i \mathbf{A}_{i} Ai带下标的矩阵, 注意不是矩阵的元素 (entry)\mathbf{A}_{i}
A i j \mathbf{A}_{ij} Aij带双下标的矩阵矩阵\mathbf{A}_{ij}
A i j \mathbf{A}^{ij} Aij带双上标矩阵\mathbf{A}^{ij}
A n \mathbf{A}^n An矩阵的 n n n 次幂\mathbf{A}^n
A − 1 \mathbf{A}^{-1} A1矩阵的逆\mathbf{A}^{-1}
A + \mathbf{A}^+ A+矩阵的伪逆\mathbf{A}^+
A 1 / 2 \mathbf{A}^{1/2} A1/2矩阵的平方根, 不是逐元素计算\mathbf{A}^{1/2}
( A ) i j (\mathbf{A})_{ij} (A)ij矩阵的第 ( i , j ) (i, j) (i,j) 个元素(\mathbf{A})_{ij}
A i j A_{ij} Aij矩阵的第 ( i , j ) (i, j) (i,j) 个元素A_{ij}
[ A ] i j [\mathbf{A}]_{ij} [A]ij A \mathbf{A} A i i i 行和第 j j j 列删除后的子矩阵[\mathbf{A}]_{ij}
a \mathbf{a} a向量\mathbf{a}
a i \mathbf{a}_i ai向量\mathbf{a}_i
a i a_i ai向量的第 i i i 个元素a_i
a a a标量a
det ⁡ ( A ) \det(\mathbf{A}) det(A)行列式\det(\mathbf{A})
t r ( A ) \rm{tr}(\mathbf{A}) tr(A)\rm{tr}(\mathbf{A})
d i a g ( A ) \rm{diag}(\mathbf{A}) diag(A)对角矩阵\rm{diag}(\mathbf{A})
e i g ( A ) \rm{eig}(\mathbf{A}) eig(A)特征值\rm{eig}(\mathbf{A})
v e c ( A ) \rm{vec}(\mathbf{A}) vec(A)按列堆叠成列向量\rm{vec}(\mathbf{A})
∣ ∣ A ∣ ∣ ||\mathbf{A}|| ∣∣A∣∣范数, 需要写相应下标\|\mathbf{A}\|
A T \mathbf{A}^{\mathsf{T}} AT转置\mathbf{A}^{\mathsf{T}},不用 T, \mathrm{T}, 或者 \top
A − T \mathbf{A}^{-\mathsf{T}} AT ( A T ) − 1 (\mathbf{A}^{\mathsf{T}})^{-1} (AT)1
A ∗ \mathbf{A}^* A复共轭矩阵\mathbf{A}^*
A H \mathbf{A}^H AH转置复共轭矩阵\mathbf{A}^H
A ∘ B \mathbf{A} \circ \mathbf{B} ABHadmard (逐个元素) 乘积\mathbf{A} \circ \mathbf{B}
A ⊗ B \mathbf{A} \otimes \mathbf{B} ABKronecker 乘积\mathbf{A} \otimes \mathbf{B}
0 \mathbf{0} 0 0 0 0 矩阵\mathbf{0}
I \mathbf{I} I单位矩阵\mathbf{I}
E \mathbf{E} E单位矩阵\mathbf{E}
J i j \mathbf{J}^{ij} Jij单元素矩阵, ( i , j ) (i, j) (i,j) 位置为 1 1 1 而其它为 0 0 0\mathbf{J}^{ij}
Σ \mathbf{\Sigma} Σ正定矩阵\mathbf{\Sigma}
Λ \mathbf{\Lambda} Λ对角矩阵\mathbf{\Lambda}
表 2. 集合相关符号
符号意义主要 Latex 命令
A \mathbb{A} A集合\mathbb{A}
X \mathbb{X} X训练集\mathbb{X}
P \mathcal{P} P幂集\mathcal{P}
N \mathbb{N} N自然数集\mathbb{N}
R \mathbb{R} R实数集\mathbb{R}
{ 0 , 1 } \{0, 1\} {0,1}仅含两个元素 0 0 0 1 1 1 的集合\{0, 1\}
{ 0 , 1 , … , n } \{0, 1, \dots, n\} {0,1,,n} 0 0 0 n n n 的整数集合\{0, 1, \dots, n\}
[ a , b ] [a, b] [a,b] a a a b b b 实数闭区间[a, b]
( a , b ] (a, b] (a,b] a a a b b b 实数半开半闭区间(a, b]
A ∩ B \mathbb{A} \cap \mathbb{B} AB求交集\mathbb{A} \cap \mathbb{B}
A ∪ B \mathbb{A} \cup \mathbb{B} AB求并集\mathbb{A} \cup \mathbb{B}
A ∖ B \mathbb{A} \setminus \mathbb{B} AB集合减法\mathbb{A} \setminus \mathbb{B}
G = ( V , E ) \mathcal{G} = (\mathbb{V}, \mathbb{E}) G=(V,E)图, 由节点集合与边集合确定的二元组\mathcal{G} = (\mathbb{V}, \mathbb{E})
max ⁡ A \max \mathbb{A} maxA集合的最大元素\max \mathbb{A}
min ⁡ A \min \mathbb{A} minA集合的最小元素\min \mathbb{A}
表 3. 函数相关符号
符号意义主要 Latex 命令
f : A → A f: \mathbb{A} \to \mathbb{A} f:AA从定义域到值域的映射f: \mathbb{A} \to \mathbb{A}
sup ⁡ \sup sup函数的上确界\sup
inf ⁡ \inf inf函数的下确界\inf
f ∘ g f \circ g fg复合函数, 先计算 g g g 再计算 f f ff \circ g
f ( x ; θ ) f(x; \theta) f(x;θ) x x x 为变量 θ \theta θ 为参数的函数f(x; \theta)
f ( x ; θ ) f(\mathbf{x}; \mathbf{\theta}) f(x;θ)多个变量, 多个参数f(\mathbf{x}; \mathbf{\theta})
log ⁡ x \log x logx求对数\log x
exp ⁡ x \exp x expx求指数\exp x
σ ( x ) \sigma(x) σ(x)Logistic sigmoid: 1 1 + exp ⁡ ( − x ) \frac{1}{1 + \exp(-x)} 1+exp(x)1\sigma(x)
ζ ( x ) \zeta(x) ζ(x)Softplus: log ⁡ ( 1 + exp ⁡ ( x ) ) \log(1 + \exp(x)) log(1+exp(x))\zeta(x)
p ( x ) p(x) p(x)概率密度函数p(x)
x ∼ P x \sim P xP随机变量 a a a 服从分布 P P Pa \sim P
E x ∼ P f ( x ) \mathbb{E}_{x \sim P} f(x) ExPf(x)期望值\mathbb{E}_{x \sim P} f(x)
V a r ( f ( x ) ) \mathrm{Var}(f(x)) Var(f(x))方差, Latex 中用 rm 应该也行\mathrm{Var}(f(x))
C o v ( f ( x ) , g ( x ) ) \mathrm{Cov}(f(x), g(x)) Cov(f(x),g(x))协方差\mathrm{Cov}(f(x), g(x))
N ( x ; μ , σ ) \mathcal{N}(x; \mu, \sigma) N(x;μ,σ)均值为 μ \mu μ, 方差为 σ \sigma σ 的正态分布\mathcal{N}(x; \mu, \sigma)
d y d x \frac{\mathrm{d} y}{\mathrm{d} x} dxdy微分, CSDN 对 x x x y y y 的字体显示可能不正确, 所以后面都有 mathrm 而不是 rm\frac{\rm{d} y}{\mathrm{d} x}
∂ y ∂ x \frac{\partial y}{\partial x} xy偏微分\frac{\partial y}{\partial x}
∇ x y \nabla_x y xy y y y 相对于 x x x 的梯度\nabla_x y
∫ f ( x ) d x \int f(x) \mathrm{d}x f(x)dx不定积分\int f(x) \mathrm{d}x
∫ 0 1 f ( x ) d x \int_0^1 f(x) \mathrm{d}x 01f(x)dx定积分\int_0^1 f(x) \mathrm{d}x
∫ S f ( x ) d x \int_\mathbb{S} f(x) \mathrm{d}x Sf(x)dx指定区域 S \mathbb{S} S 的定积分\int_\mathbb{S} f(x) \mathrm{d}x
∬ f ( x ) d x \iint f(x) \mathrm{d}x f(x)dx二重积分\iint f(x) \mathrm{d}x

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/591355.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

分层图像金字塔变压器

文章来源:hierarchical-image-pyramid-transformers 2024 年 2 月 5 日 本文介绍了分层图像金字塔变换器 (HIPT),这是一种新颖的视觉变换器 (ViT) 架构,设计用于分析计算病理学中的十亿像素全幻灯片图像 (WSI)。 HIPT 利用 WSI 固有的层次结…

Git系列:如何为不同的Git仓库设置不同的配置项?

💝💝💝欢迎莅临我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:「stormsha的主页」…

毫米波雷达原理(含代码)(含ARS548 4D毫米波雷达数据demo和可视化视频)

毫米波雷达原理 1. 传统毫米波雷达1.1 雷达工作原理1.2 单目标距离估计1.3 单目标速度估计1.4 单目标角度估计1.5 多目标距离估计1.6 多目标速度估计1.7多目标角度估计1.7 总结 3. FMCW雷达数据处理算法4. 毫米波雷达的目标解析(含python代码)5. ARS548 4D毫米波雷达数据demo(含…

企业定制AI智能名片商城小程序:重塑营销场景,引领数字化营销新纪元

在数字化时代的浪潮中,多企业AI智能名片商城小程序以其独特的魅力和创新的功能,为消费者带来了前所未有的购物体验。它不仅是一个汇聚各类商品的购物平台,更是一个充满活力和创造力的社群生态。通过强化社群互动、鼓励用户生成内容以及引入积…

【RAG 博客】Haystack 中的 DiversityRanker 与 LostInMiddleRanker 用来增强 RAG pipelines

Blog:Enhancing RAG Pipelines in Haystack: Introducing DiversityRanker and LostInTheMiddleRanker ⭐⭐⭐⭐ 文章目录 Haystack 是什么1. DiversityRanker2. LostInTheMiddleRanker使用示例 这篇 blog 介绍了什么是 Haystack,以及如何在 Haystack 框…

加州大学欧文分校英语中级语法专项课程03:Tricky English Grammar 学习笔记

Tricky English Grammar Course Certificate Course Intro 本文是学习 https://www.coursera.org/learn/tricky-english-grammar?specializationintermediate-grammar 这门课的学习笔记 文章目录 Tricky English GrammarWeek 01: Nouns, Articles, and QuantifiersLearning …

WAAP动态安全解决方案

随着企业数字化进程不断加速,应用安全面临多重威胁,新型攻击方式层出不穷,常见的攻击形式包括Web应用攻击、DDoS攻击、API攻击、恶意爬虫攻击等。企业正面临严峻的安全防护挑战,需寻找一个可靠、全面的安全解决方案。在此情况下&a…

基于双层优化的电动汽车优化调度研究(附matlab程序)

基于双层优化的电动汽车优化调度研究 0.代码链接 基于双层优化的电动汽车优化调度研究(matlab程序)资源-CSDN文库 1.简述 关键词:双层优化 选址定容 输配协同 时空优化 参考文档:《考虑大规模电动汽车接入电网的双层优化调度策略_胡文平》…

【 书生·浦语大模型实战营】学习笔记(六):Lagent AgentLego 智能体应用搭建

🎉AI学习星球推荐: GoAI的学习社区 知识星球是一个致力于提供《机器学习 | 深度学习 | CV | NLP | 大模型 | 多模态 | AIGC 》各个最新AI方向综述、论文等成体系的学习资料,配有全面而有深度的专栏内容,包括不限于 前沿论文解读、…

Redis 实战之对象

Redis 实战 - 对象 对象的类型与编码类型编码和底层实现 字符串对象编码的转换字符串命令的实现 列表对象编码转换列表命令的实现 哈希对象编码转换哈希命令的实现 集合对象集合命令的实现 有序集合对象编码的转换有序集合命令的实现 类型检查与命令多态类型检查的实现多态命令…

嵌入式全栈开发学习笔记---C语言笔试复习大全7(编程题1~8)

目录 1、200~300之间能被3整除的数,5个一行输出; 2、求两个数的最大公约数、最小公倍数; 3、输入十个数,求出平均值; 4、通过编程实现,统计1~n有多少个9; 5、有1、2、3、4个数字&#xff0…

开源AI智能名片与B2B2C商城系统:打造私域流量的会员体系新篇章

在数字化浪潮的推动下,企业如何高效利用私域流量、构建强大的会员体系成为了市场竞争的关键。AI智能名片与B2B2C商城系统的结合,为企业提供了一个全新的解决方案。通过智能名片的个性化推荐和商城系统的精准营销,企业能够更有效地触达和沟通私…

ApiHug 官方站点

🤗 ApiHug {Postman|Swagger|Api...} 快↑ 准√ 省↓ GitHub - apihug/apihug.com: All abou the Apihug apihug.com: 有爱,有温度,有质量,有信任ApiHug - API design Copilot - IntelliJ IDEs Plugin | Marketplacehttps://…

计算机等级考试2级(Python)知识点整理

计算机等级考试2级(Python)知识点整理 1.基础知识点(记忆、理解) 第1讲Python概述 01. 源代码 02. 目标代码 03. 编译和解释 04. 程序的基本编写方法 第2讲 Python语言基础(一) 01. 用缩进表示代码…

tomcat打开乱码修改端口

将UTF-8改成GBK 如果端口冲突,需要修改tomcat的端口

AJ-Report开源数据大屏 verification;swagger-ui RCE漏洞复现

0x01 产品简介 AJ-Report是一个完全开源的BI平台,酷炫大屏展示,能随时随地掌控业务动态,让每个决策都有数据支撑。多数据源支持,内置mysql、elasticsearch、kudu等多种驱动,支持自定义数据集省去数据接口开发,支持17+种大屏组件,不会开发,照着设计稿也可以制作大屏。三…

高级数据结构与算法习题(9)

一、判断题 1、Let S be the set of activities in Activity Selection Problem. Then the earliest finish activity am​ must be included in all the maximum-size subset of mutually compatible activities of S. T F 解析:F。设S是活动选择问题中的一…

每日OJ题_贪心算法二⑤_力扣870. 优势洗牌(田忌赛马)

目录 力扣870. 优势洗牌(田忌赛马) 解析代码 力扣870. 优势洗牌(田忌赛马) 870. 优势洗牌 难度 中等 给定两个长度相等的数组 nums1 和 nums2,nums1 相对于 nums2 的优势可以用满足 nums1[i] > nums2[i] 的索引…

EDA(一)Verilog

EDA(一)Verilog Verilog是一种用于电子系统设计自动化(EDA)的硬件描述语言(HDL),主要用于设计和模拟电子系统,特别是在集成电路(IC)和印刷电路板(…

使用OpenCV绘制两幅图验证DSC和IoU以及BCELoss的计算程序

1.创作灵感 很多小伙伴在玩深度学习模型的时候,需要计算Groudtruth和predict图的dsc、IOU以及BCELoss。这两个关键的指标的程序有很多种写法,今天使用OpenCV绘制两张已知分布的图像,计算其dsc、IOU以及BCELoss。 2、图像如图所示 在一个100100的区域内,红色框范围为预测…
最新文章