线性代数-程序员的线性代数-向量的內积（3.3-3.6）

背景

本节很重要，点积涉及到了卷积神经网络基础。

划重点

3.3 两个向量相乘（內积）

• 对应元素相乘，再想加
• 內积结果是一个数
  
• 通过勾股定理可以证明，并且得到如下的几何意义（如下也是向量內积的结果）
  
  

3.4 两个向量相乘（內积）

• 另外一个理解，向量的点乘是一个向量先投影到另外一个向量，然后再做乘机
  
• 向量点乘，可以理解为先投影到特征空间，然后再做乘机（这里可以发散到卷积神经网络，卷积可以理解为移动的內积）

3.5 实战向量的点积

import math

class Vector:
    def __init__(self, lst):
        self._values = list(lst)

    def __repr__(self):
        return "Vector({})".format(self._values)

    def __str__(self):
        return "({})".format(', '.join(str(item) for item in self._values))

    def __len__(self):
        '''长度'''
        return len(self._values)

    def __getitem__(self, index):
        '''获取索引元素'''
        return self._values[index]

    def __add__(self, other):
        assert len(self) == len(other), '长度需要想等'
        return Vector([a + b for a, b in zip(self, other)])

    def __iter__(self):
        '''增加迭代器'''
        return self._values.__iter__()

    def __sub__(self, other):
        assert len(self) == len(other), '长度需要相等'
        return Vector([a - b for a, b in zip(self, other)])

    def __mul__(self, other):
        return Vector([other * e for e in self])

    def __rmul__(self, other):
        return self * other

    def __pos__(self):
        return 1 * self

    def __neg__(self):
        return -1 * self

    def __truediv__(self, other):
        '''self / other'''
        return 1 / other * self

    @classmethod
    def zero(cls, dim):
        return cls([0] * dim)

    def norm(self):
        return math.sqrt(sum(e ** 2 for e in self))

    def normalize(self):
        if self.norm() < 1e-8:
            raise ZeroDivisionError("分母不能为0")
        return Vector(self._values) / self.norm()

    def dot(self, another):
        assert len(self) == len(another), "维度必须相同"
        return sum(a * b for a, b in zip(self, another))


if __name__ == '__main__':
    print(Vector([5, 1]).dot(Vector([4, 2])))

3.6 点积应用

• 点积 == 0，向量垂直，点积 > 0，为锐角， 点积 < 0为钝角
  
• 推荐系统中，向量夹角越小，说明物品更加相似

评价

dot点积很重要。。。以后我将出一个卷积的博客