2.6 矩阵乘法重要特例

重要特例

$A_{mn}$ ， $B_{np}$ 两个矩阵相乘，当 $m,n,p$ 有的为 $1$ 时，是极其重要的特例，具有重要意义。

定义 列向量 列数为 $1$ 的矩阵，就是向量，记为 $\mathbf{v}$ 。

定义 行向量 行数为 $1$ 的矩阵，记为 ${\mathbf{v}}^{\mathbf{T}}$ ，$\mathbf{v}$ 是个列向量。

为了不引起混乱，本书统一规定向量就是列向量。向量看作矩阵时，用 $\left[\right]$ 围起数。行向量全部写为矩阵形式，数值排成一行，中间用空格隔开。列向量一般写为向量形式，用 $()$ 围起数，中间用 $，$ 隔开；写成矩阵形式时，数值排成一列。

例如，向量 $\mathbf{v}$ 是列向量 $\mathbf{v}=\left[\begin{array}{c}1\\ 2\\ 3\end{array}\right]=(1,2,3)$ ，行向量 ${\mathbf{v}}^{\mathbf{T}}=\left[123\right]$ 。行向量是列向量逆时针旋转90度，列向量是行向量顺时针旋转90度，所以 $({\mathbf{v}}^{\mathbf{T}}{)}^{\mathbf{T}}=\mathbf{v}$ ，一定要搞清楚行向量符号的意义和书写规范。

行向量是 $1$ 维空间中 $n$ 个向量，列向量是 $m$ 维空间中 $1$ 个向量，这是最本质的区别。写法只是形式上的。

行列向量都是矩阵，只要满足形状要求，就可以相乘。

1. $p=1$ 时，矩阵 $B$ 是列向量，矩阵相乘就是矩阵乘以向量， 记为 $A\mathbf{x}$ 。
2. $m=p=1$ 时，矩阵 $A$ 是行向量，矩阵 $B$ 是列向量，矩阵乘法就是矩阵 $A$ 的 $1$ 维空间中 $n$ 个向量的线性组合，例如 $A=\left[123\right]$ 和 $B=\left[\begin{array}{c}4\\ 5\\ 6\end{array}\right]$ ， $AB=\left[1\ast 4+2\ast 5+3\ast 6\right]=\left[32\right]=32$ ，$AB$ 是两个向量的内积！用行列向量记为 ${\mathbf{v}}^{\mathbf{T}}\mathbf{u}=(\mathbf{v},\mathbf{u})=(\mathbf{u},\mathbf{v})={\mathbf{u}}^{\mathbf{T}}\mathbf{v}$ 。内积写为矩阵相乘，可以参与矩阵运算，后面章节，内积都写成矩阵相乘。
3. $m=1$ 时，矩阵 $A$ 是行向量，假设 $n=p=2$ ， $A=\left[a_1{a}_2\right]$ ，$B=\left[\begin{array}{cc}{b}_{11}& b_{12}\\ b_{21}& b_{22}\end{array}\right]$ ，则 $AB=\left[a_1{a}_2\right]\left[\begin{array}{cc}{b}_{11}& b_{12}\\ b_{21}& b_{22}\end{array}\right]=\left[\begin{array}{cc}{a}_1{b}_{11}+a_2{b}_{21}& a_1{b}_{12}+a_2{b}_{22}\end{array}\right]$ 。矩阵 $A$ 的第 $i$ 个分量与矩阵 $B$ 的第 $i$ 行向量数乘得到行向量，然后得到的 $n$ 个行向量相加，即 $AB$ 是矩阵 $B$ 行向量的线性组合，组合系数是矩阵 $A$ ！注意矩阵 $A$ 是行向量，不是列向量。用行向量记为 ${\mathbf{v}}^{\mathbf{T}}B={\mathbf{u}}^{\mathbf{T}}$ ，结果是行向量。矩阵乘以向量是矩阵的列向量线性组合，行向量乘以矩阵是矩阵行向量的线性组合，对称的！可见矩阵的行向量也具有重要意义。
4. $n=1$ 时，矩阵 $A$ 是列向量，矩阵 $B$ 是行向量，乘积是矩阵，不是数，一定要与 $2$ 区分。例如 $A=\left[\begin{array}{c}4\\ 5\\ 6\end{array}\right]$ ， $B=\left[23\right]$ ， $AB=\left[\begin{array}{cc}4\ast 2& 4\ast 3\\ 5\ast 2& 5\ast 3\\ 6\ast 2& 6\ast 3\end{array}\right]$ 。用行列向量记为 $\mathbf{u}{\mathbf{v}}^{\mathbf{T}}$ ，称为外积，一般来说 $\mathbf{u}{\mathbf{v}}^{\mathbf{T}}\ne \mathbf{v}{\mathbf{u}}^{\mathbf{T}}$ 。外积与内积相对，内积是行向量乘以列向量，外积是列向量乘以行向量，内积 ${\mathbf{u}}^{\mathbf{T}}\mathbf{v}$ 的符号 $T$ 在内部，外积 $\mathbf{u}{\mathbf{v}}^{\mathbf{T}}$ 的符号 $T$ 在外部，这就是内积外积名称的由来。