话说矩阵乘法...

最新推荐文章于 2022-12-08 22:21:33 发布

木木______

最新推荐文章于 2022-12-08 22:21:33 发布

阅读量311

点赞数

分类专栏：杂七杂八文章标签： python 矩阵计算

本文链接：https://blog.csdn.net/qq_33559972/article/details/75151922

版权

杂七杂八专栏收录该内容

6 篇文章 0 订阅

订阅专栏

点乘叉乘、内积外积，傻傻分不清楚啊有木有！矩阵和向量好像还不太一样啊有木有！！

这些概念很容易发生混淆，而且还有很多坑爹的别称。一方面向量操作主要是中学接触的，后面学了矩阵也就忘得差不多了；另一方面是我们没有很好地把知识联系起来，网上的资料也大多讲的比较片面。我参考了很多资料，大概做了一个整理。

本质上一样

首先可以明确的一点是：向量是特殊的矩阵。所以矩阵有的操作向量肯定有，本质上也一样。矩阵不过是行数多一点，它的操作也就是多个向量之间组合操作的结果集合。

我们这里讨论的乘法操作有这些，其他不靠谱的别名就不提了：
点乘dot product、内积inner product、外积outer product、元素积elementwise product
以及叉乘cross product——这怕是个假的操作
叉乘这个异端只是向量操作特有的一种说法，矩阵是不论叉乘的。对向量来说，叉乘就是求外积，点乘是求内积。

直观分辨四大乘法操作

点乘
这是我们印象最根深蒂固最最习以为常的矩阵乘法，像这样…
$[132435] ⎡ ⎣ ⎢ 123 ⎤ ⎦ ⎥ = [1 * 1 + 2 * 2 + 3 * 3 3 * 1 + 4 * 2 + 5 * 3] = [1426]$ $\begin{align}\begin{bmatrix}1 & 2 & 3\\ 3 & 4 & 5 \\ \end{bmatrix} \begin{bmatrix}1 \\ 2\\3 \\ \end{bmatrix} =\begin{bmatrix}1*1 + 2*2 + 3*3\\ 3*1 + 4*2 + 5*3 \\ \end{bmatrix} = \begin{bmatrix}14\\ 26 \\ \end{bmatrix}\end{align}$
内积
用一个公式可以交代清楚
$A \cdot B = A B T$ $A\cdot B = AB^T$
$[132435] \cdot [123] = [1 * 1 + 2 * 2 + 3 * 3 3 * 1 + 4 * 2 + 5 * 3] = [1426]$ $\begin{align}\begin{bmatrix}1 & 2 & 3\\ 3 & 4 & 5 \\ \end{bmatrix} \cdot\begin{bmatrix}1 & 2 & 3\\ \end{bmatrix} =\begin{bmatrix}1*1 + 2*2 + 3*3\\ 3*1 + 4*2 + 5*3 \\ \end{bmatrix} = \begin{bmatrix}14\\ 26 \\ \end{bmatrix}\end{align}$
外积
矩阵的大小扩张得很厉害，a1∗a2的矩阵和b1∗b2的矩阵的外积后大小为(a1∗a2)∗(b1∗b2)
$A \otimes B = ⎡ ⎣ ⎢ ⎢ ⎢ x 1 x 2 \dots x m \dots \dots \dots \dots x 1 n x 2 n \dots x m n ⎤ ⎦ ⎥ ⎥ ⎥ ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ y 1 y 2 \dots y p \dots \dots \dots \dots y 1 q y 2 q \dots x p q ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ x 1 y 1 \dots x 1 n y 1 x 2 y 1 \dots x m n y 1 \dots \dots \dots \dots \dots \dots x 1 y 1 q \dots x 1 n y 1 q x 2 y 1 q \dots x m n y 1 q x 1 y 2 \dots x 1 n y 2 x 2 y 2 \dots x m n y 2 \dots \dots \dots \dots \dots \dots x 1 y p q \dots x 1 n y p q x 2 y p q \dots x m n y p q ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥$ $\begin{array} \\ A \otimes B & = \begin{bmatrix} x_1 & \cdots & x_{1n} \\ x_2 & \cdots & x_{2n} \\ \cdots & \cdots & \cdots \\ x_m & \cdots & x_{mn} \end{bmatrix} \begin{bmatrix} y_1 & \cdots & y_{1q} \\ y_2 & \cdots & y_{2q} \\ \cdots & \cdots & \cdots \\ y_p & \cdots & x_{pq} \end{bmatrix} \\ & = \begin{bmatrix} x_1y_1 & \cdots & x_1y_{1q} & x_1y_{2} & \cdots & x_1y_{pq} \\ \cdots & \cdots & \cdots & \cdots & \cdots & \cdots \\ x_{1n}y_1 & \cdots & x_{1n}y_{1q} & x_{1n}y_{2} & \cdots & x_{1n}y_{pq} \\ x_2y_1 & \cdots & x_2y_{1q} & x_2y_{2} & \cdots & x_2y_{pq} \\ \cdots & \cdots & \cdots & \cdots & \cdots & \cdots \\ x_{mn}y_1 & \cdots & x_{mn}y_{1q} & x_{mn}y_{2} & \cdots & x_{mn}y_{pq} \end{bmatrix} \end{array}$
元素积
就是按元素一个个乘起来，有两种规则
$A \cdot B = [x 1 \dots x n] ⎡ ⎣ ⎢ y 1 \dots y m ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ x 1 y 1 \dots x 1 y m \dots \dots \dots x n y 1 \dots x n y m ⎤ ⎦ ⎥$ $\begin{array} \\ A \cdot B & = \begin{bmatrix} x_{1} & \cdots & x_{n} \\ \end{bmatrix} \begin{bmatrix} y_{1} \\ \cdots \\ y_{m} \\ \end{bmatrix} \\ & = \begin{bmatrix} x_{1}y_{1} & \cdots & x_{n}y_{1} \\ \cdots & \cdots & \cdots \\ x_{1}y_{m} & \cdots & x_{n}y_{m} \end{bmatrix}\end{array}$
$A \cdot B = ⎡ ⎣ ⎢ x 11 \dots x m 1 \dots \dots \dots x 1 n \dots x m n ⎤ ⎦ ⎥ ⎡ ⎣ ⎢ y 11 \dots y m 1 \dots \dots \dots y 1 n \dots x n ⎤ ⎦ ⎥ = ⎡ ⎣ ⎢ x 11 y 11 \dots x m 1 y m 1 \dots \dots \dots x 1 n y 1 n \dots x m n y n n ⎤ ⎦ ⎥$ $\begin{array} \\ A \cdot B & = \begin{bmatrix} x_{11} & \cdots & x_{1n} \\ \cdots & \cdots & \cdots \\ x_{m1} & \cdots & x_{mn} \end{bmatrix} \begin{bmatrix} y_{11} & \cdots & y_{1n} \\ \cdots & \cdots & \cdots \\ y_{m1} & \cdots & x_{n} \end{bmatrix} \\ & = \begin{bmatrix} x_{11}y_{11} & \cdots & x_{1n}y_{1n} \\ \cdots & \cdots & \cdots \\ x_{m1}y_{m1} & \cdots & x_{mn}y_{nn} \end{bmatrix} \end{array}$