向量的内积和外积

已于 2023-09-21 17:22:03 修改
阅读量8.8w 收藏 210
点赞数 47
分类专栏： 数学基础 文章标签： 线性代数 概率论
于 2019-07-19 10:40:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jgj123321/article/details/96474456
版权

本文参考：https://www.cnblogs.com/gxcdream/p/7597865.html

  • 一、向量的内积

  • 1.1向量内积的定义

向量内积（点乘/点积/数量积）：两个向量对应元素相乘之后求和：

a=[a_{1},a_{2},...a_{n}]

b=[b_{1},b_{2},...b_{n}]

 a\cdot b=a_{1}\cdot b_{1}+a_{2}\cdot b_{2}+...+a_{n}\cdot b_{n}

注意：点乘的结果是一个标量，而不是向量。

  • 1.2向量内积的性质
  1. (λa + μb)·c = λa·c + μb·c，对任意实数λ, μ成立（线性）
  2. cos∠(a,b) =a·b/(|a||b|)
  3. |a·b| ≤ |a||b|，等号只在a与b共线时成立
  • 1.3向量内积的几何意义
  1. 表征或计算两个向量之间的夹角
  2. b向量在a向量方向上的投影

公式a\cdot b=\left | a \right |\left | b \right |cos\theta推导过程如下，首先看一下向量组成：

根据余弦定理有：

c^{2}=a^{2}+b^{2}-2\left | a \right |\left | b \right |cos\theta

将c=a-b带入上式中得出：

(a-b)(a-b)=a^{2}+b^{2}-2a\cdot b=a^{2}+b^{2}-2\left | a \right |\left | b \right |cos\theta

因此可以得出：

a\cdot b=\left | a \right |\left | b \right |cos\theta

则：

\theta =arccos(\frac{a\cdot b}{\left | a \right |\left | b \right |})

进而可以判断两个向量的位置关系：

           a∙b>0：方向相同，夹角在0°到90°之间 
           a∙b=0： 正交，相互垂直 
           a∙b<0：方向相反，夹角在90°到180°之间

  • 二、向量的外积

  • 2.1向量外积的定义

向量外积（叉乘/叉积/向量积）：向量a与b的外积是一个向量，其方向正交于a与b，并且(a,b,a×b)构成右手系。其长度等于|a×b| = |a||b|sin∠(a,b)，为a、b构成的四边形的面积。

a和b的外积公式为：                                             

a=(x_{1},y_{1},z_{1})

b=(x_{2},y_{2},z_{2})

   a\times b=\begin{vmatrix} i & j & k\\ x_{1}& y_{1} & z_{1}\\ x_{2}& y_{2} & z_{2} \end{vmatrix}=(y_{1}z_{2}-y_{2}z_{1})i-(x_{1}z_{2}-x_{2} z_{1})j+(x_{1}y_{2}-x_{2} y_{1})k

还可写成：

a\times b=\begin{bmatrix} i & j& k\\ a_{1}& a_{2}& a_{3} \\ b_{1}& b_{2} & b_{3} \end{bmatrix}=\begin{bmatrix} a_{2} b_{3}-a_{3} b_{2}\\ a_{3} b_{1}-a_{1} b_{3}\\ a_{1} b_{2}-a_{2} b_{1} \end{bmatrix}=\begin{bmatrix} 0 & -a_{3}&a_{2} \\ a_{3}& 0& -a_{1}\\ -a_{2}& a_{1}& 0 \end{bmatrix}b=a^{\wedge }b

其中a^{\wedge }是反实对称矩阵，a、b的外积写成了矩阵与向量的乘法，即线性运算。

  • 2.2向量外积的性质
  1. a × b = -b × a. （反称性）
  2. (λa + μb) × c = λ(a ×c) + μ(b ×c). （线性）

机器学习理论基础｜线性代数中的向量内积和外积概念及几何意义
06-04 2325
线性代数主要包含向量、向量空间（或称线性空间）以及向量的线性变换和有限维的线性方程组。本篇文章主要介绍线性代数部分中的向量和向量空间。 本篇内容主要是对线性代数中向量点积和外积补充,同时说明一下向量的四则运算，如果对向量和向量空间相关含义有所遗忘的话可以回顾：1、算法工程师的数学基础｜线性代数中的向量和向量空间 数学中的运算包括：加减乘除，同样向量的运算也包括这几项，需要注意的是，保证向量的维...
python 求向量间内积 和外积
rourouwanzi1992的博客
05-09 6407
#内积可以描述向量间的投影关系，大小为 |a| |b|cos⟨a, b⟩： python 向量内积求向量长度： import numpy as np a=np.asarray([1,1,1]) print(np.sqrt(a.dot(a))) print(np.linalg.norm(a)) python 求向量外积 #外积的方向垂直于这两个向量，大小为 |a| |b|sin ⟨a, b⟩，是两个向量张成的四边形的 #有向面积。对于外积，我们引入了 ∧ 符号，把 a 写成一个矩阵。事实上是一个反对称矩阵
向量的内积与外积
tomatotian的博客
11-12 4744
向量的内积与外积 向量的内积 已知两个非零向量a、b，那么|a||b|cosθ（θ是a与b的夹角）叫做a与b的数量积或内积。记作a·b。两个向量的数量积等于它们对应坐标的乘积的和。即：若a=(x1,y1),b=(x2,y2)，则a·b=x1·x2+y1·y2 设a、b为非零向量，则 ①设e是单位向量，且e与a的夹角为θ，则e·a=a·e=|a||e|cosθ ②a⊥b=a·b=0 ③当a与b同向时...
向量内积与外积
u010311328的博客
09-19 5244
1、对于二维向量：A=（x1，y1），B=（x2，y2），A与B的内积（数量积）为：x1x2+y1y2。对于三维向量：A=（x1，y1，z1），B=（x2，y2，z2），A与B的内积（数量积）为：x1x2+y1y2+z1*z2。2、而对于外积，其计算公式为：a向量×b向量=|a向量|*|b向量|*sinα，其中，α是向量a与向量b的夹角。外积的结果是一个向量，其方向垂直于原来的两个向量所在的平面，模长等于这两个向量构成的平行四边形的面积。向量相乘有两种方式，即内积（数量积）和外积（叉积）。
向量内积（点乘）和外积（叉乘）
保持分享欲
03-09 2173
向量 P 在 Q上的投影可以看作 P 的线性变换
三维刚体运动
四脚猫的博客
04-04 471
三维刚体运动点和向量，坐标系坐标系的欧式变化四元数 点和向量，坐标系 首先说说向量是什么，它是线性空间的一个元素，可以想象从原点指向某处的一个箭头，不要把向量和坐标混淆。谈论向量a⃗\vec aa在一个线性基（e⃗1,e⃗2,e⃗3\vec e_1,\vec e_2,\vec e_3e1​,e2​,e3​）的坐标 (1)a⃗=[e⃗1e⃗2e⃗3][a1a2a3] \vec a = \left[ ...
python定义向量内积_向量内积（点乘）和外积（叉乘）概念及几何意义
weixin_39633252的博客
12-05 3451
向量的内积(点乘)定义概括地说，向量的内积(点乘/数量积)。对两个向量执行点乘运算，就是对这两个向量对应位一一相乘之后求和的操作，如下所示，对于向量a和向量b： a和b的点积公式为：这里要求一维向量a和向量b的行列数相同。注意：点乘的结果是一个标量(数量而不是向量)定义：两个向量a与b的内积为 a·b = |a||b|cos∠(a, b)，特别地，0·a =a·0 = 0；若a，b是非零向量，则a...
向量内积的坐标表示PPT课件.pptx
10-07
"向量内积的坐标表示PPT课件.pptx" 本资源是关于向量内积的坐标表示的PPT课件，内容涉及向量的基本概念、向量内...向量内积的坐标表示式是向量运算的基础，掌握了向量内积的坐标表示式可以更好地理解和应用向量运算。
【数学】 4、向量的内积、外积、模长
呆呆的猫的博客
11-07 6184
向量的内积、外积、模长
向量代数：向量的内积和外积
热门推荐
hunterzone的专栏
11-18 1万+
一. 内积 定义：两个向量a与b的内积
向量的内积，外积
qq_55342245的博客
09-26 2462
向量 高中时的向量长这样：a⃗=(2,−3)、n⃗=(2,−3,−1)\vec{a}=(2,-3)、\vec{n}=(2,-3,-1)a=(2,−3)、n=(2,−3,−1) 在线性代数中，一个三维向量可以用3×13\times 13×1矩阵表示，如：V=[2−3−1]或VT=[2 −3 −1]V=\left[ \begin{matrix} 2 \\ -3 \\ -1 \end{matrix} \right] 或 V^T=\left[ \begin{matrix} 2 \ -
向量的内积（点乘）与外积（叉乘）
解忧小屋
02-08 7304
向量的内积（点乘）与外积（叉乘） 向量的内积=点乘 向量的外积=叉乘 向量的内积（点乘） 内积的几何意义： 用来表征或计算两个向量之间的夹角 在b向量在a向量方向上的投影。 向量的外积（叉乘） 两个向量的外积，又叫向量积、叉乘等。外积的运算结果是一个向量。并且两个向量的叉积与这两个向量组成的坐标平面垂直（右手定理） 叉乘的几何意义： 向量a和向量b的叉乘结果是一个向量，更为熟知的叫法是法向量，该向量垂直于a和b向量构成的平面。 ...
向量之间的内积和外积
weixin_44586881的博客
02-02 3779
内积又叫点乘，是向量之间最最最常见的一个运算，也就是对应位置相乘再求和，与向量之间进行矩阵乘的规则相同。它的计算逻辑与笛卡尔积非常相似，只不过笛卡尔积将结果又排成了一排而已。
向量内积
最新发布
03-27
<think>好的，我现在需要回答用户关于向量内积的计算方法和实现的问题。首先，我得回顾一下向量内积的基本概念，确保自己理解正确。向量内积，也就是点积，是两个向量对应元素相乘后求和的结果，数学上表示为$\mathbf{a} \cdot \mathbf{b} = \sum_{i=1}^{n} a_i b_i$。用户可能想知道如何在不同的编程语言中实现这个计算，比如Python、Java或者使用CUDA进行并行计算。 接下来，我需要查阅用户提供的参考文献，看看哪些信息可以引用。引用[1]提到了向量内积的几何意义、Python实现和应用，还有求解向量夹角的方法。引用[2]、[4]和[5]讨论了CUDA和Python的实现方法，特别是并行计算的部分。引用[3]则对比了内积和外积的区别，可能对解释概念有帮助。 用户的问题主要关注计算方法和实现，所以应该分步骤讲解。首先，数学上的定义，然后手动计算的例子，接着用Python代码示例，再介绍其他语言如Java或CUDA的实现，最后可能提到优化方法，比如并行计算。需要确保每个步骤都清晰，并且代码示例正确无误。 需要注意的是，用户提到系统级指令要求行内数学表达式用$...$，独立公式用$$...$$，并且生成相关问题。因此，在回答中要正确应用LaTeX格式，并在最后添加相关问题。 在写代码示例时，要确保语法正确。例如，Python中使用列表推导式或者NumPy库来计算，而CUDA部分可能需要更详细的并行处理步骤。引用文献中的方法可以作为参考，比如引用[2]和[4]提到的CUDA实现，分散归约和低线程归约等方法，但用户可能需要更简洁的示例，所以可能需要简化这些内容，或者给出一个基本实现思路。 另外，引用[1]和[5]都提到了Python实现，可以整合这两个来源的信息，给出两种方法：手动计算和使用NumPy库。同时，要提到内积的应用，比如夹角计算，这样用户能理解其实际用途。 最后，生成的相关问题需要围绕向量内积的扩展内容，比如几何意义、应用场景、与其他运算的区别、优化方法等，确保问题能够引导用户进一步学习。 现在需要组织这些思路，确保回答结构清晰，分步骤讲解，引用正确，并且满足格式要求。可能的结构如下： 1. 向量内积的定义（数学表达式） 2. 手动计算示例 3. Python实现（基础方法和NumPy） 4. CUDA并行实现简介 5. 应用举例（如夹角计算） 6. 相关问题 检查每个部分是否有对应的引用支持，例如Python实现引用[1]和[5]，CUDA引用[2][4]，应用引用[1]。同时，确保所有数学公式正确使用LaTeX格式，行内公式用$，独立公式用$$并单独成段。 最后，确认回答使用中文，语言自然，没有使用Markdown格式，代码块正确标注，并且末尾添加了相关问题。</think>### 向量内积的计算方法与实现 #### 1. 向量内积的定义 向量内积（点积）是两个向量对应元素相乘后求和的结果。数学定义为： $$ \mathbf{a} \cdot \mathbf{b} = \sum_{i=1}^{n} a_i b_i $$ 几何意义为：$\mathbf{a} \cdot \mathbf{b} = \|\mathbf{a}\| \|\mathbf{b}\| \cos\theta$，其中$\theta$为两向量夹角[^1]。 #### 2. 手动计算示例 假设$\mathbf{a} = [1, 2, 3]$，$\mathbf{b} = [4, 5, 6]$，则内积为： $$ 1 \times 4 + 2 \times 5 + 3 \times 6 = 4 + 10 + 18 = 32 $$ #### 3. Python实现 **基础方法**（手动循环）： ```python def dot_product(a, b): return sum(x * y for x, y in zip(a, b)) a = [1, 2, 3] b = [4, 5, 6] print(dot_product(a, b)) # 输出32 ``` **NumPy优化方法**： ```python import numpy as np a_np = np.array([1, 2, 3]) b_np = np.array([4, 5, 6]) print(np.dot(a_np, b_np)) # 输出32 ``` NumPy利用底层优化实现高效计算[^1][^5]。 #### 4. CUDA并行实现 在GPU上，可以通过并行计算加速内积： 1. **分块计算**：将向量分块，每个线程计算局部乘积。 2. **归约求和**：使用共享内存对局部结果求和[^2][^4]。 ```cuda // 简化代码示例（关键逻辑） __global__ void dot_product_kernel(float *a, float *b, float *result, int n) { __shared__ float temp[256]; int tid = threadIdx.x; int index = blockIdx.x * blockDim.x + tid; temp[tid] = (index < n) ? a[index] * b[index] : 0; __syncthreads(); // 归约求和 for (int stride = blockDim.x / 2; stride > 0; stride >>= 1) { if (tid < stride) temp[tid] += temp[tid + stride]; __syncthreads(); } if (tid == 0) atomicAdd(result, temp[0]); } ``` #### 5. 应用示例：向量夹角计算 利用内积计算两向量夹角： $$ \cos\theta = \frac{\mathbf{a} \cdot \mathbf{b}}{\|\mathbf{a}\| \|\mathbf{b}\|} $$ Python实现： ```python import math def vector_angle(a, b): dot = np.dot(a, b) norm_a = np.linalg.norm(a) norm_b = np.linalg.norm(b) return math.degrees(math.acos(dot / (norm_a * norm_b))) a = np.array([1, 0]) b = np.array([0, 1]) print(vector_angle(a, b)) # 输出90.0度 ``` 此方法常用于几何分析和机器学习中的相似性度量[^5]。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

进击的路飞桑

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值