矩阵运算的重新理解

矩阵分块

对矩阵按列分块，再进行线性组合：

$$Ax=(\alpha_1,\alpha_2,\ldots,\alpha_n)\cdot \begin{bmatrix} x_1\\x_2\\\vdots\\x_n\end{bmatrix}=x_1\alpha_1+x_2\alpha_2+\cdots+x_n\alpha_n$$

所以当 $x=(1,0,\ldots,0)^T$ 以及其他某一位元素为1，其他元素为0的向量，左乘以某一矩阵 $A$ 时，矩阵向量乘法的结果在于对矩阵某一列的选择。

矩阵按行分块：

$$Ax=\begin{bmatrix}\beta_1^T\\\beta_2^T\\\vdots\\\beta_m^T\end{bmatrix}\cdot x=\begin{bmatrix}\beta_1^Tx\\\beta_2^Tx\\\vdots\\\beta_m^Tx\end{bmatrix}$$

或者按行分块的形式如下：

$$x^TA=\begin{bmatrix}x_1,x_2,\ldots,x_m\end{bmatrix}\begin{bmatrix}\beta_1^T\\\beta_2^T\\\vdots\\\beta_m^T\end{bmatrix}=x_1\beta_1^T+x_2\beta_2^T+\cdots+x_m\beta_m^T$$

注：矩阵右乘一个列向量，是对矩阵的列的线性组合，得一列；矩阵左乘一个行向量是对矩阵行的线性组合，得一行。

理解高斯消元

有了上文矩阵向量的乘法运算的从线性组合的观点的理解，我们将很容易进行下下式的计算：

$$[1,2,3]\cdot \begin{bmatrix}1,2,3\\4,5,6\\7,8,9\end{bmatrix}=1\cdot[1,2,3]+2\cdot[4,5,6]+3\cdot[7,8,9]$$

import numpy 

if __name__ == '__main__':

    A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
    x = np.array([1, 2, 3])

    m, n = A.shape
    b = np.zeros(n).astype(int)

    for i in range(m):
        b += x[i]*A[i]      
    print(b)
                # [30 36 42]
    print(x.dot)
                # [30 36 42]        

矩阵右乘一个列向量同理可得，不再赘述。