机器学习中向量的点积和叉乘含义梳理
定义
概括地说,向量的内积(点乘/数量积)。对两个向量执行点乘运算,就是对这两个向量对应位一一相乘之后求和的操作,如下所示,对于向量a和向量b:
a和b的点积公式为:
这里要求一维向量a和向量b的行列数相同。注意:点乘的结果是一个标量(数量而不是向量)
定义:两个向量a与b的内积为 a·b = |a||b|cos∠(a, b),特别地,0·a =a·0 = 0;若a,b是非零向量,则a与b****正交的充要条件是a·b = 0。
向量内积的性质:
- a^2 ≥ 0;当a^2 = 0时,必有a = 0. (正定性)
- a·b = b·a. (对称性)
- (λa + μb)·c = λa·c + μb·c,对任意实数λ, μ成立. (线性)
- cos∠(a,b) =a·b/(|a||b|).
- |a·b| ≤ |a||b|,等号只在a与b共线时成立.
向量内积的几何意义
内积(点乘)的几何意义包括:
- 表征或计算两个向量之间的夹角
- b向量在a向量方向上的投影
有公式:
推导过程如下,首先看一下向量组成:
定义向量c:
根据三角形余弦定理(这里a、b、c均为向量,下同)有:
根据关系c=a-b有:
即:
a∙b=|a||b|cos(θ)
向量a,b的长度都是可以计算的已知量,从而有a和b间的夹角θ:
θ=arccos(a∙b|a||b|)
进而可以进一步判断两个向量是否同一方向或正交(即垂直)等方向关系,具体对应关系为:
a∙b>0→方向基本相同,夹角在0°到90°之间
a∙b=0→ 正交,相互垂直
a∙b<0→ 方向基本相反,夹角在90°到180°之间
向量的外积(叉乘)
定义
概括地说,两个向量的外积,又叫叉乘、叉积向量积,其运算结果是一个向量而不是一个标量。并且两个向量的外积与这两个向量组成的坐标平面垂直。
定义:向量a与b的外积a×b是一个向量,其长度等于|a×b| = |a||b|sin∠(a,b),其方向正交于a与b。并且,(a,b,a×b)构成右手系。
特别地,0×a = a×0 = 0.此外,对任意向量a,a×a=0。
对于向量a和向量b:
a和b的外积公式为:
其中:
根据i、j、k间关系,有:
向量外积的性质
- a × b = -b × a. (反称性)
- (λa + μb) × c = λ(a ×c) + μ(b ×c). (线性)
向量外积的几何意义
在三维几何中,向量a和向量b的外积结果是一个向量,有个更通俗易懂的叫法是法向量,该向量垂直于a和b向量构成的平面。
在3D图像学中,外积的概念非常有用,可以通过两个向量的外积,生成第三个垂直于a,b的法向量,从而构建X、Y、Z坐标系。如下图所示:
在二维空间中,外积还有另外一个几何意义就是:|a×b|在数值上等于由向量a和向量b构成的平行四边形的面积。
机器学习中向量的点积和叉乘含义梳理相关推荐
- 计算机图形学中向量点乘和叉乘的用途_图形学笔记(一):基础知识
从这便文章开始整理学习到的计算机图像学相关知识,原则是只写我没在网上找到清楚解释的内容,如果有很好的文章介绍相关内容,我会直接把链接贴上. 首先弄清 Computer Graphics和 Comput ...
- 计算机图形学中向量点乘和叉乘的用途_向量的点乘和叉乘(转)
向量:u=(u1,u2,u3) v=(v1,v2,v3) 叉积公式:u x v = { u2v3-v2u3 , u3v1-v3u1 , u1v2-u2v1 } 点积公式:u * v = u1v1+u2 ...
- 关于向量的点积和叉乘
设向量A=(x1,y1,z1),B=(. (一)向量的点积 向量的点积定义: AB=|A||B|cos<A,B> 其运算结果是一个常量.将其转换成矩阵乘法是 AB = matrix(A)* ...
- 机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法
在机器学习中的矩阵向量求导(一) 求导定义与求导布局中,我们讨论了向量矩阵求导的9种定义与求导布局的概念.今天我们就讨论下其中的标量对向量求导,标量对矩阵求导, 以及向量对向量求导这三种场景的基本求解 ...
- 计算机图形学数学基础——向量点乘和叉乘
简单总结闫老师图形学课程中向量点乘和叉乘及其在图形学中的意义 1. 向量点乘和叉乘 1.1 向量点乘 1.2 向量叉乘 1.3 向量叉乘的意义 1.3.1 判断向量左右位置 1.3.2 判断点的内外位 ...
- 机器学习中的矩阵向量求导(四) 矩阵向量求导链式法则
在机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法中,我们讨论了使用微分法来求解矩阵向量求导的方法.但是很多时候,求导的自变量和因变量直接有复杂的多层链式求导的关系,此时微分法使用起来也有些麻烦. ...
- 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法
在机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法中,我们讨论了定义法求解矩阵向量求导的方法,但是这个方法对于比较复杂的求导式子,中间运算会很复杂,同时排列求导出的结果也很麻烦.因此我们需要其他的 ...
- 机器学习中的度量—— 向量距离
机器学习是时下流行AI技术中一个很重要的方向,无论是有监督学习还是无监督学习都使用各种"度量"来得到不同样本数据的差异度或者不同样本数据的相似度.良好的"度量" ...
- svm分类器训练详细步骤_「五分钟机器学习」向量支持机SVM——学霸中的战斗机...
大家好,我是爱讲故事的某某某. 欢迎来到今天的[五分钟机器学习]专栏内容 --<向量支持机SVM> 今天的内容将详细介绍SVM这个算法的训练过程以及他的主要优缺点,还没有看过的小伙伴欢迎去 ...
最新文章
- mysql中explain的用法
- python网络爬虫文献综述_python网络爬虫综述
- Linux下临时以非root身份执行命令
- 在ubuntu系统中删除软件的三种最佳方法
- 使用Spark构建简单的RESTful API
- JAVA并发编程实战---第三章:对象的共享(2)
- 计算机网络常见面试真题详解
- Cookie知识点总结
- nginx upstream 模块详解
- 网路防火墙iptables
- STM8S 低功耗(1)
- 计算机不打印怎么回事,打印机无法打印怎么办解决方案
- 关于空难数据集的探索分析
- Java:javax.mail通过163服务器发送邮件
- 各种符号的英文读法读音单词
- APS生产计划排产在注塑行业的应用
- 跑得最快的10种动物
- 儿童台灯怎么选对眼睛好?分享央视推荐的护眼灯
- 爬虫模拟登录人人网的三种方法
- 信息孤岛影响_国内企业的痛点,“企业信息孤岛”怎么破?