Paras vastaus
Käsitteellisesti se on sama. Vain vektori.
Sen takana oleva tietorakenne on erilainen. Harvaisuus tarkoittaa, että se ei sisällä nimenomaisesti kutakin koordinaattia. Selitän.
Harkitse mainosulotteista vektoria u \ I: ssä! R ^ d, u = (u\_1, …, u\_d).
Joskus tiedät, että vektorilla on paljon u\_i = 0 -arvoa. Sitten haluat ehkä välttää muistin tuhlaamisen, tallentaa arvot, jotka eivät ole 0, ja harkita sitten muita arvoja nollana. Tämä on erittäin hyödyllinen, kun one-hot käytetään.
Tavallisesti harvaa vektoria edustaa kaksoisosio (id, arvo) , kuten: u\_i = arvot [j] jos id [j] = i; u\_i = 0 muuten (jos i ei ole id)
Kehityksen näkökulmasta harvennus vektori tiheästä vektorista on kuin tekevä:
sparse\_vec = {“id”: [], “values”: []}
d = len(dense\_vec)
for i in range(0, d):
if d[i] != 0:
sparse\_vec["id"].append(i)
sparse\_vec["values"].append(d[i])
Ja esimerkiksi tiheä vektori (1, 2, 0, 0, 5, 0, 9, 0, 0) nimellä {(0,1,4,6), (1, 2, 5, 9)}
pltrdy
Vastaus
Vektori viittaa mikä tahansa fyysinen määrä, jolla on suuruus ja suunta. Tämän lisäksi sen tulisi noudattaa vektorin lisäyslakia.
Esimerkki: voima, nopeus, siirtymä, momenttimomentti, kiihtyvyys, sähköistetty jne.
Paikkavektori on myös vektori joka paikantaa hiukkasen sijainnin viitekehyksen alkuperään nähden. Sitä merkitään \ vec {r} = x \ hat {i} + y \ hat {j} + z \ hat {k}.
Missä \ hat {i}, \, \ hat { j} ja \ hat {k} ovat yksikkövektori x-, \, y- ja z-akselilla. Ja (x, \, y, \, z) ovat hiukkasen sijaintikoordinaatit w.r.t refrenssikehyksen alkuperä.