说明

今天拿起一本矩阵的书又翻了翻，毕竟AI搞到最后还得是数学。

我是感觉自己高数始终有点学的迷迷糊糊的，就打算这一年慢慢把矩阵部分扫一遍，毕竟这快肯定是实打实有用的。其他高级部分就等我发财之后再说了，哈哈。

内容

今天看了点点矩阵乘法的基本概念，这个点我以前就一直在思考，因为并不仅仅是计算，而是为什么有这样的计算。我记得以前还看过一个国外的科普视频，大约讲了一个班级的学生出门玩坐公交啥的，然后用矩阵就可以方便的计算各种费用。

关键点是在于：矩阵这种格式究竟是为什么场景设计的？

先说个抽象点的。

我先画了个图，其实稍微有点不对（结果矩阵的第一个元素应该是第一行乘以第一列），不过大概想表达个意思：矩阵乘法应该想象成一个机关，或者说算子，或者说开关，都行。就是一个可以想象的，很具体的动作。

这里豆包稍微解读了一下，是这个意思。

我觉得可以这么想象，矩阵就像一个铡刀：

• 1 底座(矩阵1): m x n
• 2 直立的铡刀(矩阵2）: n x p

咔嚓一下，铡刀90度旋转切下来，这个过程中，对齐的部分积压为一个元素值。以下面的矩阵为例，A是基座，B要想象横过来，然后A的第一行[1,2,3]是紧贴B的最底下的一行[2,4,6]，这两个向量等长，意味着铡刀的长和基座是对齐的。B旋转下来时，[1,2,3]和[2,4,6]挤压(内积)，变成了28。旋转完成时，剩下的结果，就是一片新的"板材"。这样可以有一个比较形象的类比，比较好记。

再说个具体点的应用，这个应该也是MLR概念的一部分。

逻辑回归的公式，大概这样

我以前更习惯用β那套符号，b也就是β0。

逻辑回归有一个比较经典的问题：变量选择。假设我们生成了1000个x，那么选哪些才最好呢？

如果按照解析思维，就算什么重要性，相关性啥的，嗯，反正我不太想回忆那个。其实一个更简单的思路，就是–试试呗。

暴力破解不太可能，也不经济，1000个特征的组合数还是比较吓人的。

我随便跑了一些

所以暴力法一定不太对，那么用遗传算法就可以 x1-x1000，每个变量的选择都可以认为是0，1 Mask的；但是遗传算法也会产生很大的计算量，那么怎么加速呢？ 矩阵。

假设A矩阵是参数，B矩阵是变量选择。那么A矩阵应该是 n X 1000的矩阵，那么第一行就是w0，与某一组x挤压（内积）后就得到了一个y‘。

所以A矩阵的n行，代表了n种可能的参数。

我们把B矩阵横过来，此时的形状是p X 1000，那么p是什么呢？ p可以是遗传算法生成的种群。

假设我们可以对A的参数可能性进行优化（梯度），那么每一次计算都可以将多种可能性一次性计算出来，然后评估。C矩阵则是评估矩阵。

一种可能的情况是，我们先定住A，然后让B进行遗传进化；然后我们再定住B，让A进行迭代。每次计算完毕后，我们通过评估C来看结果是怎样的。

如果是1000X1000的矩阵，大约是4MB显存，我们完全可以扩大10倍，例如A矩阵是 1万 x 1千，B矩阵是 1千X1万，这两者的显存大约80MB。然后假设计算的瞬间显存会翻倍，那么是160MB峰值，C矩阵是1万X1万,大约是400MB。总共不到1个G的显存，所有的消费级显卡都可以很容易计算。

关于有多快，这个大模型很打官腔：

然后我追问了一下：

嗯，然后我实测了了一下，简单的结论是处理一次是秒级，大部分时间是损耗在从内存搬到显存上的。

3060TI，第一次计算 0.5秒

再次计算14.8毫秒。所以还是很符合理论估计的。

再用4060ti试一下：机器配置稍微好一点，0.3秒

第二次 13.7毫秒。所以4060ti在计算力上没啥提升，显存16G还是方便很多的。

然后是4090，机器是租用的额，cpu配置稍微弱了点，6核12线程的。

再算一次就厉害了。

未来的架构，有可能是直接写显存的(现在豆包的架构已经这么改了），所以这类型的计算，非常具有可行性。

假设我们在进行遗传算法，每次迭代大约1-2秒，这个速度已经很快了，应该可以在很短的时间，比如10分钟左右，找到一组合适解。这种方法最大的好处就是通用，不必将道理。设计好评估的方法就可以了，除了roc，auc之类的，可能同时考虑aic或者bic，不管怎么样，给到一套合理的评估方法就行了。这个本身也是模型验收必然要做的。