일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- GAN
- Pix2Pix
- 최린컴퓨터구조
- WGAN
- mocov3
- conjugate pseudo label paper
- CGAN
- tent paper
- CoMatch
- Entropy Minimization
- mme paper
- ConMatch
- semi supervised learnin 가정
- shrinkmatch paper
- 컴퓨터구조
- 백준 알고리즘
- cifar100-c
- dann paper
- Pseudo Label
- adamatch paper
- shrinkmatch
- SSL
- CycleGAN
- Meta Pseudo Labels
- dcgan
- UnderstandingDeepLearning
- remixmatch paper
- BYOL
- 딥러닝손실함수
- simclrv2
Archives
- Today
- Total
Hello Computer Vision
행렬(Matrix)에서 Rank의미 본문
Rank란?
위키피디아에 나온 정의를 읽어보면은, 열들에 의해 생성된 벡터 공간의차원이라고 한다. 또 다른 말로는 행렬에서 선형독립인 벡터의 개수라고도 한다.
행렬에서 Rank를 계산할 때는 Row, Column 따로 따로 계산할 필요 없이 한쪽만 계산하면 행렬의 Rank라고 말할 수 있다.
Full Rank란?
해당 행렬이 가질 수있는 최대 가능한 Rank 값이다. 따라서 행과 열의 각각의 Rank는 서로 같은 값을 가지므로, 작은 한쪽의 사이즈가 Full Rank가 된다.
예시
해당 행렬에서는 세번째 열은 첫번째 열과 두번째 열의 선형관계로 나올 수 있으니 Rank = 2라고 할 수 있다.
References
https://m.blog.naver.com/sw4r/221416614473
'선형대수' 카테고리의 다른 글
딥러닝에서의 Hessian 기하하적 의미 (0) | 2024.04.28 |
---|---|
특이값 분해(Singular Vector Decomposition) 공부해보기 (1) | 2023.04.16 |
평면의 방정식, 법선 벡터 그리고 외적 (0) | 2023.04.06 |
고유값, 고유벡터(eigen value, eigen vector)에 대한 이해 (0) | 2023.01.05 |
벡터의 평행 정리하기 (1) | 2023.01.04 |