理解矩阵乘法

简介:

大多数人在高中,或者大学低年级,都上过一门课《线性代数》。这门课其实是教矩阵。

刚学的时候,还蛮简单的,矩阵加法就是相同位置的数字加一下。

矩阵减法也类似。

矩阵乘以一个常数,就是所有位置都乘以这个数。

但是,等到矩阵乘以矩阵的时候,一切就不一样了。

这个结果是怎么算出来的?

教科书告诉你,计算规则是,第一个矩阵第一行的每个数字(2和1),各自乘以第二个矩阵第一列对应位置的数字(1和1),然后将乘积相加( 2 x 1 + 1 x 1),得到结果矩阵左上角的那个值3。

也就是说,结果矩阵第m行与第n列交叉位置的那个值,等于第一个矩阵第m行与第二个矩阵第n列,对应位置的每个值的乘积之和。

怎么会有这么奇怪的规则?

我一直没理解这个规则的含义,导致《线性代数》这门课就没学懂。研究生时发现,线性代数是向量计算的基础,很多重要的数学模型都要用到向量计算,所以我做不了复杂模型。这一直让我有点伤心。

前些日子,受到一篇文章的启发,我终于想通了,矩阵乘法到底是什么东西。关键就是一句话,矩阵的本质就是线性方程式,两者是一一对应关系。如果从线性方程式的角度,理解矩阵乘法就毫无难度。

下面是一组线性方程式。

矩阵的最初目的,只是为线性方程组提供一个简写形式。

老实说,从上面这种写法,已经能看出矩阵乘法的规则了:系数矩阵第一行的2和1,各自与 x 和 y 的乘积之和,等于3。不过,这不算严格的证明,只是线性方程式转为矩阵的书写规则。

下面才是严格的证明。有三组未知数 x、y 和 t,其中 x 和 y 的关系如下。

x 和 t 的关系如下。

有了这两组方程式,就可以求 y 和 t 的关系。从矩阵来看,很显然,只要把第二个矩阵代入第一个矩阵即可。

从方程式来看,也可以把第二个方程组代入第一个方程组。

上面的方程组可以整理成下面的形式。

最后那个矩阵等式,与前面的矩阵等式一对照,就会得到下面的关系。

矩阵乘法的计算规则,从而得到证明。

=========================================

以下为广告部分。欢迎大家在我的网络日志投放广告

[赞助商广告]

如果你想换工作,花五分钟,浏览一下 100offer,也许人生从此就会不同。

100offer 的目标是,只要你有2年以上的互联网工作经验(一线互联网公司更好),它就极有可能帮你拿到年薪 20W--80W 的 Offer。

它最近对514位用户的一份实证分析,有两点发现。

(1)所有离职的工程师之中,BAT员工最受欢迎,新工作的薪酬通常可以翻番。

(2)只有40%的程序员跳槽去了C轮、D轮和上市公司,其余60%都去了天使轮、A轮和B轮的公司,其中不乏资深的高级程序员。原因是这些创业公司刚刚起步、产品模式初步得到认可,上升空间大、技术人才需求量大、愿意给出较多的期权。

结合上面两点,年青程序员可以这样设计自己的职业生涯:

1、至少有一次大公司的成功工作经历。

所谓"成功",是指参与过知名的产品开发或主力项目经验。这一般代表你已经具备:良好的代码规范、团队协作能力、与大牛一起工作的开阔眼界成熟的技术体系。

2、然后,加入一家高速发展的创业公司。

100offer 帮助你实现这条职业道路。

(完)

目录
相关文章
|
5月前
|
C++
线性同余方程和矩阵乘法
线性同余方程和矩阵乘法
29 0
|
5月前
|
数据安全/隐私保护 C++
矩阵乘法和组合计数
矩阵乘法和组合计数
42 0
|
7月前
|
人工智能
矩阵乘法和逆
矩阵乘法和逆
39 0
|
10月前
|
算法
线性代数(一)矩阵和方程组
线性代数(一)矩阵和方程组
124 0
|
12月前
|
机器学习/深度学习 算法 图形学
矩阵和线性代数的应用
矩阵和线性代数是数学中重要的概念,它们被广泛应用于物理、工程、计算机科学、经济学等众多领域。本文将讨论矩阵和线性代数的一些基本概念以及它们在实际应用中的重要性和影响。
228 0
|
Python
矩阵运算
矩阵运算
96 0
|
人工智能 开发者
矩阵的秩 | 学习笔记
快速学习矩阵的秩
180 0
矩阵的秩 | 学习笔记
|
机器学习/深度学习 数据挖掘 PyTorch
PyTorch: 张量的变换、数学运算及线性回归
PyTorch: 张量的变换、数学运算及线性回归
83 0
PyTorch: 张量的变换、数学运算及线性回归
|
机器学习/深度学习 人工智能
线性代数01:函数对向量、矩阵的梯度(向量、矩阵求导)
线性代数01:函数对向量、矩阵的梯度(向量、矩阵求导)
483 0