点积

除了向量加法或标量乘法，另一个重要的运算是点积（也称为标量积或内积）。与产生另一个向量的加法或标量乘法不同，点积接受两个向量并返回一个标量。这个运算在许多方面都很常用，包括衡量向量间的相似性，以及作为矩阵乘法等更复杂运算的组成部分。

计算点积

点积定义于两个相同维度的向量。如果你有两个向量，比如 $a$ 和 $b$，它们都包含 $n$ 个元素：

$$a = \begin{bmatrix} a_1 \\ a_2 \\ \vdots \\ a_n \end{bmatrix}, \quad b = \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{bmatrix}$$

它们的点积，通常表示为 $a \cdot b$ 或 $a^T b$，通过将对应元素相乘并求和来计算：

$$a \cdot b = a_1 b_1 + a_2 b_2 + \dots + a_n b_n = \sum_{i=1}^{n} a_i b_i$$

示例：

让我们计算两个3维向量的点积： $v = [1, 2, 3]$ $w = [4, -5, 6]$

使用公式： $v \cdot w = (1 \times 4) + (2 \times -5) + (3 \times 6)$ $v \cdot w = 4 - 10 + 18$ $v \cdot w = 12$

结果12是一个标量。请注意，向量必须具有相同数量的元素才能定义点积。你不能计算一个3元素向量和一个4元素向量的点积。

在Python中使用NumPy计算点积

NumPy提供了计算点积的便捷方法。

1. 使用 numpy.dot() 函数：

import numpy as np

v = np.array([1, 2, 3])
w = np.array([4, -5, 6])

# 使用 np.dot() 计算点积
dot_product = np.dot(v, w)

print(f"向量 v: {v}")
print(f"向量 w: {w}")
print(f"点积 (使用 np.dot): {dot_product}")

输出：

向量 v: [1 2 3]
向量 w: [ 4 -5  6]
点积 (使用 np.dot): 12

2. 使用 @ 运算符： Python 3.5+ 引入了 @ 运算符用于矩阵乘法，它也适用于计算一维数组（向量）的点积。

import numpy as np

v = np.array([1, 2, 3])
w = np.array([4, -5, 6])

# 使用 @ 运算符计算点积
dot_product_operator = v @ w

print(f"向量 v: {v}")
print(f"向量 w: {w}")
print(f"点积 (使用 @): {dot_product_operator}")

输出：

向量 v: [1 2 3]
向量 w: [ 4 -5  6]
点积 (使用 @): 12

两种方法都得到相同的标量结果12，与我们手动计算的结果一致。在复杂表达式中，@ 运算符因其简洁性而常被选用。

几何解释：角度与投影

点积有一个重要的几何意义，它与两个向量之间的夹角有关。公式是：

$$a \cdot b = \|a\| \|b\| \cos(\theta)$$

其中：

• $a \cdot b$ 是向量 $a$ 和 $b$ 的点积。
• $\|a\|$ 和 $\|b\|$ 是向量 $a$ 和 $b$ 的大小（或 $L_2$ 范数）。
• $\theta$ 是两个向量之间的夹角。

这个公式使我们能够通过向量的分量来计算它们之间的夹角：

$$\cos(\theta) = \frac{a \cdot b}{\|a\| \|b\|}$$

由此，我们可以根据点积看出向量间的关系：

• 如果 $a \cdot b > 0$：向量之间的夹角 $\theta$ 小于90度（$\cos(\theta) > 0$）。向量大致指向相似的方向。
• 如果 $a \cdot b = 0$：夹角 $\theta$ 恰好是90度（$\cos(\theta) = 0$），这意味着向量是正交的（垂直的）。这是在线性代数和机器学习中一个很有用的性质。请注意，这假定 $a$ 和 $b$ 是非零向量。
• 如果 $a \cdot b < 0$：夹角 $\theta$ 大于90度（$\cos(\theta) < 0$）。向量大致指向相反的方向。

点积也与投影这个想法有关。向量 $a$ 在向量 $b$ 上的标量投影（$a$ 有多少指向 $b$ 的方向）可以使用点积计算：$\frac{a \cdot b}{\|b\|}$。

点积在机器学习中为何重要？

点积在机器学习算法中频繁出现：

• 相似度衡量： 余弦相似度，计算公式为 $\frac{a \cdot b}{\|a\| \|b\|}$，使用点积来衡量两个向量在方向上的相似性，而不考虑它们的大小。这在自然语言处理（NLP）中常用于比较文档或词向量，以及在推荐系统中。
• 线性模型： 在线性回归或逻辑回归等模型中，预测通常是输入特征的加权和。这个加权和就是特征向量与模型权重向量之间的点积。
• 神经网络： 许多神经网络层中的核心计算涉及矩阵乘法，这些矩阵乘法基本上由许多点积构成。

理解点积的计算方法及其几何意义，有助于理解这些更高级的应用。在下一节中，我们将练习使用NumPy实现这些向量运算。