Rⁿ 中的向量

线性映射、向量与矩阵的几何与代数

向量同时戴着两顶帽子。从数值上看,它只是一个有顺序的列表。[3, 1] 表示“先 3 后 1”,顺序很重要:[3, 1] 不是 [1, 3]。从几何上看,同一个列表是一支箭头:从原点出发,向右走 3、向上走 1,箭头尖端落在这个向量命名的点上。

线性代数中的一切都建立在这个对象上,所以要能熟练地在两种图像之间切换:向量既是坐标列表,也是空间中的箭头,它们是同一件事。

想象一架送货无人机离开仓库。它的整个行程可以写成一个箭头:[3, 4] 表示“向东飞行 3 个街区,然后向上爬升 4 层楼”,而该箭头的尖端正是包裹降落的准确位置。槽位的顺序就是路线指令 — 先向东,然后向上 — 因此列表和飞行路径是同一段旅程的两个名称。

在机器学习中的应用向量是每个模型的原材料。一个词嵌入是 R³⁰⁰(或更高维)中的向量;进入一个神经元的权重形成一个向量;训练跟随的梯度是权重空间中指向下坡的向量。“给权重加上一个梯度步”就是上面的向量加法:w ← w − η·g 沿着另一支箭头(缩放后的梯度)移动当前箭头(权重)。
▶ Rⁿ 中的向量
← 应用点积 →