向量 | vector

• 

1.什么是向量？

向量主要有2个维度：大小、方向。

大小：箭头的长度表示大小

方向：箭头所指的方向表示方向

 2.向量的3种表达方式

1.代数表示

一般印刷用黑体的小写英文字母（a、b、c等）来表示，手写用在a、b、c等字母上加一箭头（→）表示，如

2.几何表示

向量可以用有向线段来表示。有向线段的长度表示向量的大小，向量的大小，也就是向量的长度。

3.坐标表示

在平面直角坐标系中，分别取与x轴、y轴方向相同的两个单位向量i，j作为一组基底。a为平面直角坐标系内的任意向量，以坐标原点O为起点P为终点作向量a。由平面向量基本定理可知，有且只有一对实数（x,y），使得a=xi+yj，因此把实数对(x,y)叫做向量a的坐标，记作a=(x,y)。这就是向量a的坐标表示。其中(x,y)就是点 P 的坐标。向量a称为点P的位置向量。

在空间直角坐标系中，分别取与x轴、y轴，z轴方向相同的3个单位向量i，j，k作为一组基底。若为该坐标系内的任意向量，以坐标原点O为起点作向量a。由空间基本定理知，有且只有一组实数(x,y,z)，使得a=ix+jy+kz，因此把实数对(x,y,z)叫做向量a的坐标，记作a=(x,y,z)。这就是向量a的坐标表示。其中(x,y,z)，就是点P的坐标。向量a称为点P的位置向量。

当然，对于多维的空间向量，可以通过类推得到。

向量的矩阵表示

3.标量、向量、矩阵、张量的关系

这4个概念是维度不断上升的，我们用点线面体的概念来比喻解释会更加容易理解：

• 点——标量(scalar)
• 线——向量(vector）
• 面——矩阵(matrix)
• 体——张量(tensor)

1.什么是标量

标量只有大小概念，没有方向的概念。通过一个具体的数值就能表达完整。

比如：重量、温度、长度、提及、时间、热量等都数据标量。

 2.什么是向量？这个就是这边文章本身自己

3.什么是矩阵？

矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，元素是实数的矩阵称为实矩阵，元素是复数的矩阵称为复矩阵。而行数与列数都等于n的矩阵称为n阶矩阵或n阶方阵。

由 m × n 个数aij排成的m行n列的数表称为m行n列的矩阵，简称m × n矩阵。记作：

4.什么是张量（tensor）

张量有很多种定义的方式，这里只讨论人工智能领域里的概念。

在人工智能领域，定义比较简单，TensorFlow是这么定义的：

“A tensor is a generalization of vectors and matrices to potentially higher dimensions.”

张量是多维数组，目的是把向量、矩阵推向更高的维度。