两个列向量相乘怎么计算_机器学习 线性代数基础 | 1.4 矩阵乘向量的新视角：变换基底...

我们即将步入这一章的尾声，在本章前面的三个小节中，我们学习了矩阵和向量的表示方法以及加法、乘法等基本运算的规则，并能够熟练利用Python语言工具正确的对其进行描述和表示。但是显然我们不能仅仅满足于此，那么在这一小节里，我们一起回过头来静静的思考这样一个问题：矩阵A和列向量x的乘法运算Ax有没有其他更深层次的几何含义呢？

我们知道，向量需要选定一组具体的基底来进行坐标表示，在这一小节里，我们试图去寻找矩阵向量乘法和基底之间的关联关系，从而挖掘其中的深刻内涵。最终，我们将向读者揭示出这样一个重要事实，即：矩阵与向量的乘法，本质上可以看作是对向量基底的一种改变。本节的篇幅不长，但是内容极其重要，他将奠定了一种新的思想方法，请各位读者务必细细体会。

1.4.1  重温运算法则

我们首先简单的回顾一下矩阵和向量相乘的运算法则。这里举一个简单的二阶方阵A与二维列向量x相乘的例子。当然，运算过程很简单，在之前的内容中已经涉及，运算公式是：

 

位于矩阵A第i行的行向量的各成分和列向量x各成分分别相乘后再相加，得到的就是结果向量中的第i个成分。这个计算方法有没有感觉到非常熟悉？没错，这不就是多次应用了向量点乘的定义式么？

即：

对于矩阵与向量的乘法运算，我们如果从行的角度来看确实就是如此。常规的计算操作就是按照这个过程进行执行的，但是看上去更多的是一种规则性的描述，似乎也没有更多可以挖掘的几何内涵。那么接下来，我们试试继续从列的角度再来看看，看看能否给我们带来一些新的收获。

1.4.2  列的角度：重新组合矩阵的列向量

如果从列的角度来审视矩阵与向量的乘法运算，会有另一套全新的计算步骤。可能相比于前面刚刚介绍的从行角度入手的方法，大家对这种思考方式并不是非常熟悉。但是实质上这种方法从线性代数的角度来看，其实还要更为重要、更为直观一些。这里，我们还是用二阶方阵进行举例。

 

大家发现了一些规律没有？我们通过这种形式的拆解和组合，也能得到最终的正确结果，这就是从列的角度进行分析的乘法运算过程。

依托前面的知识我们可以对其进行这样的描述：从列的角度来看，矩阵A与向量x的乘法，实质上是对矩阵A的各个列向量进行线性组合的过程，每个列向量的组合系数就是向量x的各个对应成分。

这种理解的方式似乎有点新意，我们按照列的角度重新把矩阵A写成一组列向量并排的形式，然后再将其与向量x进行乘法运算，这样一来，从结果的表达式来看，他所包含的几何意义就更加