机器学习和深度学习之数学基础-线性代数 第三节 向量及其基本运算的直观理解

本文为原创文章，欢迎转载，但请务必注明出处。

线性代数中最基本、最根源的组成部分(building block)就是向量。第一节中从数学定义的角度抽象了向量概念，但是像我这样数学一般的平民需要更直观的解释才能在大脑里留下痕迹。

向量究竟是什么？

• 从物理学的角度来说，向量是空间里的一个箭头，决定一个向量的因素是它的长度和所指的方向。只要这两个特征不变，我们可以自由地在空间中移动一个向量而保持该向量不变。
• 从计算机的角度来说，向量是有序的数字列表，比如我们可以用一个包含三个指标（或特征）的来描述一个人：性别(gender)，体重(weight)，身高(height)。这三个特征被有序的放在一个数字列表里构成了一个三维向量: $[{\rm gender}, {\rm weight}, {\rm height}]^\top$， 一旦这个向量定义完成，那么这三个特征在向量中的顺序不可改变。
• 从数学的角度，向量试图综合上面的两个观点，认为只要保证向量的两个运算特性有意义即可，也就是我们在第一节里介绍的”向量相加及标量与向量相乘“。
• 从运动的角度，向量是在空间中运动的对象。

1、从“运动”的角度理解向量相加及标量与向量相乘

向量相加及标量与向量相乘从数字计算的角度来说很简单，但是从“运动”的角度理解这两个运算会变得更加直观，下面以二维平面直角坐标系为例来进行说明，其他高维空间类似。

首先，我们知道一个向量可以唯一对应一个点，如图一A所示，在平面上有一个红色的点(1,2)，它可以由向量 $\mathbf{a}$ 表示 (我们可以把向量看成是坐标系中起点在原点的一个有长度及方向的箭头，图中的红点表示终点，也就是箭头所指向的点)。

图一，从“运动”的角度理解向量相加及标量与向量相乘

平面直角坐标系的两个标准正交基向量是 $[1,0]^\top$（或者叫做位于x-轴的单位向量，有的地方记作 $\hat{i}$ ） 和 $[0,1]^\top$ (或者叫做位于y-轴的单位向量，有的地方记作 $\hat{j}$ ），分别位于 x-轴和y-轴上并指向他们的正方向。于是，根据第一节说明，$\mathbf{a}$ 可由这两个标准正交基唯一线性表示：

a=1⋅[10]⏟b+2⋅[01]⏟c