标量乘法

在通过加法和减法组合向量之后，下一个基本运算是缩放它们。标量乘法使我们能够在不改变向量方向的情况下拉伸或收缩向量，这在许多机器学习算法中非常常用。可以将其视为调整数据点特征的强度或大小。

缩放的代数原理

本质上，标量乘法很简单。您取一个数字，称为标量，并将其与一个向量相乘。该运算是按元素进行的，这意味着您将标量乘以向量中的每个元素。

标量乘法是线性代数中的一项基本运算。它能够拉伸或收缩向量而不改变其方向。在机器学习的许多算法中，这一过程常用于调整数据点特征的强度或大小。

几何含义：拉伸与收缩

标量乘法真正的直观感觉来自对其的视觉呈现。将向量乘以标量会改变其长度，即大小。标量的符号决定了向量的方向是保持不变还是反转。

• 拉伸： 如果标量的绝对值大于1（例如，$c = 2$ 或 $c = -3$），向量会变长。
• 收缩： 如果标量的绝对值在0到1之间（例如，$c = 0.5$ 或 $c = -0.2$），向量会变短。
• 方向反转： 如果标量是负数（例如，$c = -1$），向量的方向会完全反转。它指向与原始方向相反180度。

下图显示了将向量 $\vec{v}$ 乘以不同标量的效果。

向量 $\vec{v}$ 被不同的因子缩放。乘以2会拉伸它，乘以0.5会收缩它，乘以-1.5则会反转其方向并拉伸它。

在NumPy中实现标量乘法

在Python中，NumPy使标量乘法用起来很自然。您可以在数字和NumPy数组之间使用标准的乘法运算符 (*)，NumPy会自动处理按元素进行的运算。

import numpy as np

# 定义一个NumPy数组形式的向量
v = np.array([3, 1])
print(f"原始向量 v: {v}")

# 乘以标量 c = 2
c = 2
scaled_v = c * v
print(f"向量 v 被 {c} 缩放后: {scaled_v}")

# 乘以标量 c = -1.5
c = -1.5
flipped_v = c * v
print(f"向量 v 被 {c} 缩放后: {flipped_v}")

执行此代码将产生以下输出：

Original vector v: [3 1]
Vector v scaled by 2: [6 2]
Vector v scaled by -1.5: [-4.5 -1.5]

如您所见，代码简洁明了，直接反映了数学运算。无需自己遍历向量元素；NumPy的优化运算能高效地处理它。

实用案例：学习率

标量乘法不仅仅是一个抽象运算；它是机器学习中的一个重要工具。其中一个最常见的应用是在梯度下降等优化算法中。

训练模型时，梯度下降会计算一个 梯度 向量，该向量指向误差增加最陡峭的方向。为了最小化误差，我们需要朝相反的方向移动。但我们应该移动多远？这就是学习率发挥作用的地方。

学习率是一个小的标量（例如 0.01），它对负梯度向量进行缩放。模型权重的更新规则通常如下所示：

$$\text{新权重} = \text{旧权重} - \text{学习率} \times \text{梯度}$$

这里，学习率 $\times$ 梯度 就是一次标量乘法。它会收缩梯度向量，以确保我们朝着正确的方向迈出一小步，小心前进。过大的学习率可能会导致我们跳过最优解，而过小的学习率会使训练过程太慢。标量乘法是赋予我们这种精细控制的运算。