点积、内积、外积、叉积、张量积——概念区分

这篇具有很好参考价值的文章主要介绍了点积、内积、外积、叉积、张量积——概念区分。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  找张量积概念的时候,被各种野路子博客引入的各种“积”搞混了,下面仅以Wikipedia为标准记录各种积的概念。

点积(Dot product)

  https://en.wikipedia.org/wiki/Dot_product

  在数学中,点积(Dot product)或标量积(scalar product)是一种代数运算,它取两个相等长度的数字序列(通常是坐标向量),并返回一个数字。在欧几里得几何中,两个向量的笛卡尔坐标的点积被广泛使用。它通常被称为欧几里得空间的内积(Inner product),或很少地被称为投影积(Projection product),尽管它不是唯一可以在欧几里得空间上定义的内积

  也就是说,点积是我们通常讨论的欧氏空间中内积的一种特殊形式。点积定义如下:

点积、内积、外积、叉积、张量积——概念区分

内积(Inner product)

  https://en.wikipedia.org/wiki/Inner_product_space

  在数学中,内积空间(少部分人称为豪斯多夫-前希尔伯特空间)是实向量空间或具有称为内积的运算的复向量空间。空间中两个向量的内积是标量,通常用尖括号表示,如$<a,b>$。内积允许对直观的几何概念进行形式化定义,例如向量的长度、角度和正交性(零内积)。内积空间推广了欧几里得向量空间,其中内积是笛卡尔坐标的点积或标量积。无穷维内积空间在泛函分析中得到了广泛的应用。复数域上的内积空间有时被称为酉空间。1898年,Giuseppe Peano首次使用了具有内积的向量空间概念。

  内积的定义比较抽象,在此仅对各种积进行区分,不对定义进行记录。它甚至没有单独的词条,是和内积空间放在一起介绍的。在工科的讨论范围内,内积和点积会混在一起说。这是无可厚非的,毕竟点积是内积的一种特殊形式。

外积(Outer product)

  https://en.wikipedia.org/wiki/Outer_product

  在线性代数中,两个坐标向量的外积(Outer product)是一个矩阵。如果这两个向量的维数分别为n和m,那么它们的外积是一个n×m矩阵。更一般地说,给定两个张量(多维数组),它们的外积是张量。张量的外积也被称为它们的张量积,可以用来定义张量代数。向量外积定义如下:

点积、内积、外积、叉积、张量积——概念区分

叉积(Cross product,叉乘)

  https://en.wikipedia.org/wiki/Cross_product

  在数学中,叉积(Cross product)或向量积(Vector product)是在三维欧几里得向量空间中对两个向量的二元运算,用符号表示$\times$。给定两个线性无关的向量$a$和$b$,叉积$a×b$是一个垂直于$a$和$b$的向量,因此垂直于包含它们的平面。它在数学、物理、工程和计算机编程中有许多应用。不应将其与点积(投影积),特别是外积混淆。

  国内总会把叉积和外积混为一谈,即使是中文维基百科也是如此。英文环境里根本就没有把cross product和outer product混在一起说的情况。叉积仅仅定义在三维的欧氏空间中,且需要用到右手定则。

张量积(Tensor product)

  https://en.wikipedia.org/wiki/Tensor_product

  https://www.math3ma.com/blog/the-tensor-product-demystified

  就是外积在张量上的拓展。文章来源地址https://www.toymoban.com/news/detail-446078.html

到了这里,关于点积、内积、外积、叉积、张量积——概念区分的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 向量的内积外积哈达玛积

    1.1 定义 从代数角度看,先对两个数字序列中的每组对应元素求积,再对所有积求和,结果即为点积。从几何角度看,点积则是两个向量的长度与它们夹角余弦的积。 表示形式: A T B A^TB A T B 、 A , B A,B A , B 1.2 求解方式 代数形式 向量的 内积 (点乘/数量积)。对两个向量执行点

    2024年02月08日
    浏览(52)
  • 矩阵内积、外积(克罗内克积)和Hadamard积

    1.矩阵的内积: 记作A,B 就是对应项相乘求和。 2.矩阵外积 :(或向量外积/叉积/向量积),外积是一种特殊的 克罗内克积 ,克罗内克积是两个任意大小的矩阵间的运算,结果是一个矩阵,记作 3.矩阵的hadamard积 :哈达玛积(Hadamard product)是矩阵的一类运算,若A=(aij)和B=(bij)是

    2024年02月08日
    浏览(39)
  • 矩阵乘法的几种观点,内积外积的理解

    矩阵乘法核心思想(5):内积与外积 u u u 和 v v v 分别是 m × 1 m times 1 m × 1 的向量, u T v u^Tv u T v 是内积( 1 × 1 1 times1 1 × 1 也就是内积得到一个数)(如果看到 u v uv u v 也是内积的意思), u v T uv^T u v T 是外积( m × m m times m m × m ); 秩1矩阵是构建任何矩阵完美的基础砖块

    2024年02月08日
    浏览(36)
  • 线性代数 --- 向量的内积(点积)(个人学习笔记)

    向量与向量的乘法 - 内积         两个向量的内积,也叫点积(但在我们这个笔记的前半部分,我们说的,或者用到的更多的应该是点积),他的计算方式是两个同维度向量(例如两个n维向量)的内部元素从1到n, 逐一相乘再相加后的累加和 ,得到的是一个数。 注意,

    2023年04月08日
    浏览(78)
  • R语言矩阵、向量操作(矩阵乘法,向量内积、外积(叉乘),矩阵转置,矩阵的逆)

    创建两个四维矩阵 A 与 B,A 按列填充,B 按行填充 : 创建两个 n 维向量 x 和 y : 使用 t(矩阵、向量名) 即可: 输出如下: 使用 %*% 符号即可: 输出如下: 在R语言中,两个矩阵、向量的内积并不只是简单的 * 号就完事了,而是有以下两种求法: 或者 其结果如下: (注意区分

    2024年02月12日
    浏览(32)
  • Python求矩阵的内积、外积、克罗内克直积、Khatri-Rao积

    线性代数研究的核心对象是矩阵,所谓矩阵就是由 m m m 行 n n n 列的数组成的一个举行的数阵,从编程的角度理解,就是二维数组。 作为一种特殊的代数结构,需要为矩阵引入特殊的计算方法,其中矩阵加法、减法相对来说比较直观,而乘法比较复杂,矩阵乘法的定义为 (

    2024年02月08日
    浏览(31)
  • FPGA中一些基本概念原理的区分

    在 Verilog 中,wire 和 reg 是两种不同类型的变量,它们有着不同的特性和用途 wire 变量用于连接模块中的输入、输出以及内部信号线。 它主要用于表示连续赋值的逻辑连接,类似于硬件电路中的导线。 wire 变量不能在 always 块或 initial 块中赋值,它们只能通过连续赋值“assig

    2024年02月21日
    浏览(36)
  • 图论中回路与圈的概念区分

    第一种定义方法 迹 是边不重复的通路,但是顶点可以重复。 回路 是首尾顶点相同的迹。 路 是顶点不重复的迹,即边和顶点都不重复的通路,但是首尾顶点可以相同。 圈 是首尾顶点相同的路。 第二种定义方法 回路:起点终点相同 简单通路:起点到终点所经过的 边不同 

    2024年02月04日
    浏览(41)
  • 【1】深度学习之Pytorch——张量(tensor)的尺寸、储存偏移及步长等基本概念

    深度学习的基本概念 深度学习是一种人工神经网络的学习方法。它通过模仿人脑的学习方式来处理信息。深度学习的网络有很多层,每层都能学习到更抽象的概念。这种方法在语音识别、计算机视觉、自然语言处理等领域有很好的应用。 深度学习也有许多应用,这些应用往

    2024年02月02日
    浏览(41)
  • 数仓中的维度、度量、指标、事实、属性几个概念如何区分?有何异同?

    维度是说明数据,是业务中对象的描述性属性或特征,用于对业务过程进行分析归类。 属性是刻画某个实体对象维度的数据形态。 通过事物发展的数量、质量两大方面,从横比、纵比角度进行全方位的比较,我们才能够全面的了解事物发展的好坏。 维度横比纵比 如用户数环

    2024年02月10日
    浏览(36)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包