两个三维向量相乘公式_多维（三维四维）矩阵向量运算-超强可视化

最新推荐文章于 2024-03-14 15:05:59 发布

wing glass

最新推荐文章于 2024-03-14 15:05:59 发布

阅读量5.2k

点赞数 2

文章标签：两个三维向量相乘公式

本文链接：https://blog.csdn.net/weixin_32352621/article/details/112772790

版权

本文探讨高维矩阵运算，特别是三维和四维向量的相乘，通过可视化帮助理解。介绍如何将高维矩阵转换为二维进行运算，并强调在矩阵相乘时，需确保最后两维匹配。通过实例解释了三维、四维矩阵相乘的规则，并指出四维矩阵运算中前两维表示矩阵排列，相乘时保留最大值。

摘要由CSDN通过智能技术生成

高维矩阵或者向量的运算，是一个困扰着我很久的问题；在NLP里面经常就会碰到三维，四维的向量运算，矩阵相乘时相当头痛，比如著名的Attention中Q、K、V相乘，实在想不出来四维的到底长什么样，又是怎么相乘的。于是特地写下此文章，记录下个人的学习路程，也希望帮到大家。

一维：首先一维的矩阵非常简单，比如[1,2,3,4]，可以用下图表示

二维：接着来看二维，可用以下代码生成一个二维矩阵，采用keras框架

import keras.backend as K
import numpy as np

a = K.constant(np.arange(1, 7), shape=[2,3])
print(K.eval(a))

输出为：

[[1. 2. 3.]
 [4. 5. 6.]]

看维度的小技巧：想知道一个矩阵的维度是几维的，只需要看开头有几个“[”，有1个即为1维，上面的两个就是两维，后面举到的三维和四维的例子，分别是有三个“[”、四个“[”的

关注