机器学习中向量的点积和叉乘含义梳理

机器学习中向量的点积和叉乘含义梳理

引用

CSDN

1.

https://blog.csdn.net/vito_7474110/article/details/121551955

向量的点积（内积）

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：

1. a^2 ≥ 0；当a^2 = 0时，必有a = 0. （正定性）
2. a·b = b·a. （对称性）
3. (λa + μb)·c = λa·c + μb·c，对任意实数λ, μ成立. （线性）
4. cos∠(a,b) =a·b/(|a||b|).
5. |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：

1. 表征或计算两个向量之间的夹角
2. 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

1. a × b = -b × a. （反称性）
2. (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。