最后更新: 2025-09-23 06:49 查看: 82 次反馈能力测评会员8.2元/月赞助

矩阵的乘法的四个视角

> 说明：我们把单位行矩阵看成向量$\alpha$， 单位列矩阵看成向量$\beta$

> 矩阵乘法包括8个视角： 
向量 x 向量 (2个视角，分为左乘和右乘)
矩阵 x 向量 (2个视角，分为左乘和右乘)
矩阵 x 矩阵 (4个视角，分为左乘和右乘)

> 本文节选自《the-Art-of-Linear-Algebra-zh-CN.pdf》，原文给出了8个视角的解释，因为8个视角太多了，最常用的是下面3个混合模式。所以本站先给出3个常用的混合模式，再列出原书给出的8个模式

> 本节内容是高度抽象甚至贯穿《线性代数》全书，因此初学者不要期望一下子就掌握。

## 矩阵的四个视角

设有一个矩阵$A$，如何理解他
$$
A=\left[\begin{array}{ll}
1 & 4 \\
2 & 5 \\
3 & 6
\end{array}\right]
$$

第一个视角：就是一个数表。
第二个视角：就是6个数，排成了2行3列
**第三个视角：两个列向量（最常用）**
第四个视角：三个行向量。

一个矩阵 $(m \times n)$ 可以被视为 1 个矩阵，$m n$ 个数，$n$ 个列和 $m$ 个行．

![图片](/uploads/2025-09/2a959a.jpg){width=400px}

**以下表述里，默认都是使用列向量$\alpha$模式，如果写成$\alpha^*$ 表示行向量。转置向量和转置矩阵则使用 $\alpha^T$**

## 矩阵乘法的几个常用的重要视角

### 列模式
参考下图，**数字矩阵**乘以**颜色矩阵**的结果相当于颜色矩阵对数字列做线性组合。

![图片](/uploads/2025-09/c742b5.jpg)
 
特别的，如果颜色矩阵是对角形矩阵，那么结果就相当于对对角线矩阵的数字直接作用到前面矩阵的每一列上。
 ![图片](/uploads/2025-09/ffe791.jpg)

### 行模式
参考下图，**颜色矩阵**乘以**数字矩阵**的结果相当于颜色矩阵按行对数字矩阵做线性组合。
 ![图片](/uploads/2025-09/bfdbea.jpg)
 
 下图显示对角形矩阵作用的结果。（我们默认$b$向量都是列向量，下面的 $b^* $ 表示行向量）
 
 ![图片](/uploads/2025-09/18077c.jpg)

### 混合模式
如果将上面的乘法组合在一起就是

![图片](/uploads/2025-09/e8f537.jpg)

> **下面列出《the-Art-of-Linear-Algebra-zh-CN.pdf》所有的视角，**

## 向量与向量相乘的两个视角
向量与向量相乘，一般会涉及两种形式：一种是行向量乘以列向量，其结果为一个数值（标量），也称为**内积**；另一种是列向量乘以行向量，其结果为秩为 1 的矩阵，也称为**外积**。

假设 $n$ 维列向量 $a =\left[\begin{array}{c}a_1 \\ a_2 \\ \vdots \\ a_n\end{array}\right], b =\left[\begin{array}{c}b_1 \\ b_2 \\ \vdots \\ b_n\end{array}\right]$ ，则其行向量可以用转置的形式表示，即 $a ^{ T }=\left[\begin{array}{llll}a_1 & a_2 & \ldots & a_n\end{array}\right], b ^{ T }=\left[\begin{array}{llll}b_1 & b_2 & \ldots & b_n\end{array}\right]$ ，

### 行乘以列

行向量乘以列向量（内积）---结果是一个数值

![图片](/uploads/2025-09/bafcf2.jpg)

### 列乘以行（主流视角）

列向量乘以行向量（外积）---结果是一个矩阵

![图片](/uploads/2025-09/6ddc9d.jpg)

**结论**
- 行向量乘以列向量（内积）： $a ^{ T } b =a_1 b_1+a_2 b_2+\cdots+a_n b_n$
- 列向量乘以行向量（外积）：

$$
a b ^{T}=\left[\begin{array}{c}
a_1 \\
a_2 \\
\vdots \\
a_n
\end{array}\right]\left[\begin{array}{llll}
b_1 & b_2 & \ldots & b_n
\end{array}\right]=\left[\begin{array}{cccc}
a_1 b_1 & a_1 b_2 & \ldots & a_1 b_n \\
a_2 b_1 & a_2 b_2 & \ldots & a_2 b_n \\
\vdots & \vdots & \ddots & \vdots \\
a_n b_1 & a_n b_2 & \ldots & a_n b_n
\end{array}\right]
$$

举例说明：

$$
\begin{aligned}
&\text { 假设列向量 } a =\left[\begin{array}{l}
1 \\
0 \\
2
\end{array}\right], b =\left[\begin{array}{l}
1 \\
2 \\
3
\end{array}\right] \text { ，则：}\\
&\begin{aligned}
& a ^{T} b =\left[\begin{array}{lll}
1 & 0 & 2
\end{array}\right]\left[\begin{array}{l}
1 \\
2 \\
3
\end{array}\right]=1 \time

免费注册查看余下70%

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

高等数学测评 函数与极限一元函数微分学一元函数积分学微分方程空间向量与代数多元微分学多元积分学无穷级数

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

线性代数测评 行列式矩阵向量空间

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

概率统计测评 事件与概率一维随机变量与事件多维随机变量与事件随机变量的数字特征大数定律与中心极限定理统计量与抽样分布参数估计假设检验

上一篇：三个重要矩阵：缩放矩阵、旋转矩阵与切变矩阵

下一篇：可交换矩阵

本文对您是否有用？有用 (0) 无用 (0)