1. 线性代数与人工智能的底层联系
第一次接触线性代数时,我也曾被满屏的公式吓退。直到开始编写神经网络代码,我才真正理解:线性代数是AI世界的通用语言。想象你正在训练一个猫图识别系统,计算机看到的不是可爱的猫咪,而是100×100×3=30000个像素值。这些数字构成的矩阵,正是线性代数的研究对象。
在AI实践中,线性代数扮演着三个关键角色:
- 数据表示:将现实世界对象转化为数值向量/矩阵
- 模型构建:通过矩阵运算实现特征变换
- 优化计算:利用矩阵求导进行参数更新
提示:理解线性代数的关键在于建立几何直觉——把矩阵看作空间变换,向量看作空间中的点或方向。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 向量:AI的基本数据单元
2.1 从标量到向量的认知跃迁
标量(如年龄25)只能表示单一特征,而向量可以打包多个特征。在Python中,我们常用NumPy数组表示向量:
python复制import numpy as np
person = np.array([25, 175, 70]) # 年龄,身高(cm),体重(kg)
行向量与列向量的选择:
- 数学理论中常用列向量(x∈ℝⁿ×¹)
- 编程实践中多用行向量(内存连续存储)
- 神经网络输入层通常要求列向量
2.2 向量运算的几何意义
2.2.1 基础运算
- 加法:几何上是向量平移
python复制a = np.array([2,5]) b = np.array([1,3]) print(a + b) # 输出 [3 8] - 数乘:向量的缩放/拉伸
python复制print(3 * a) # 输出 [6 15]
2.2.2 内积的深层理解
内积公式:a·b = Σaᵢbᵢ = ||a|| ||b||cosθ
在神经网络中的应用:
python复制def neuron(input_vec, weights, bias):
return np.dot(weights, input_vec) + bias
内积的三种解读视角:
- 代数视角:对应元素相乘再求和
- 几何视角:投影长度与模的乘积
- 统计视角:协
