线性代数-点积与对偶性

关于点积，在神经网络我已经了解过了，再来复习下

点积的数学表示：
三维

二维

更高维

几何意义：

在v和w的长度不变的情况下
向量W相对向量v的角度越大，投影越短，乘积越小
向量W相对向量v的角度越小，投影越长，乘积越大

向量v和向量方向相同，点积为正
向量v和向量方向相反，点积为负
相互垂直时，投影为0，点积为0

二维向量变换到一维数轴上：

这与点积运算开起来毫无差别

在二维空间内定义一条直线，它的基向量为u-hat，将二维向量投影到这条直线上，实际上这个投影就代表了从二维到一维的变换

在二维等距分布的点投影到这条直线后也是等距分布，因此这个变换也是线性的

u帽在x轴上的投影就是u帽的横坐标，在y轴上的投影就是u帽的纵坐标


这就表明，
二维矩阵与单位向量（u-hat）的乘积，实际就是将二维矩阵变换到u帽所代表的数轴上


非单位向量：

先投影，在缩放