理解矩阵乘法的解析

矩阵乘法（Matrix Multiplication）是线性代数中的核心操作之一。在数学、几何和工程实际中，它不仅是一种代数运算规则，还承载着丰富的几何和映射意义。本文将从多个角度深入解析矩阵乘法，帮助读者理解其本质及应用。

---

矩阵乘法的基础运算规则

1.1 行×列的点积

设矩阵 $A$ 为 $m\times n$ 维度，矩阵 $B$ 为 $n\times p$ 维度，则它们的乘积 $C=A\times B$ 是一个 $m\times p$ 的矩阵。

• $C$ 中的第 $i$ 行第 $j$ 列元素 $c_{ij}$ 的计算公式为：
  $$c_{ij}=\sum _{k=1}^n{a}_{ik}{b}_{kj}$$
  即 $A$ 的第 $i$ 行向量与 $B$ 的第 $j$ 列向量做点积。

1.2 示例计算

设
$$A=\left(\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\end{array}\right),B=\left(\begin{array}{cc}-1& 2\\ 0& 1\\ 2& 1\end{array}\right).$$

• $A$ 的大小是 $2\times 3$。
• $B$ 的大小是 $3\times 2$。

乘积 $C=A\times B$ 将是一个 $2\times 2$ 的矩阵。

计算 $C$ 的第 $(1,1)$ 元素 $c_{11}$：
$$c_{11}=(1,2,3)\cdot (-1,0,2)=1\times (-1)+2\times 0+3\times 2=-1+0+6=5.$$

类似地可以算出其余元素，最终得到：
$$C=\left(\begin{array}{cc}5& 9\\ 8& 18\end{array}\right).$$

---

几何视角：线性变换的复合

矩阵乘法可以理解为线性变换的组合。

2.1 线性变换的定义

• 矩阵 $A$ 对一个列向量 $x$ 的乘积 $Ax$，可以视为对向量 $x$ 的某种线性变换，比如拉伸、旋转、剪切等。
• 如果有另一个矩阵 $B$ 对向量做线性变换，则先用 $A$，再用 $B$ 的过程可以表示为 $B(Ax)$。
• 这个组合变换可以用一个矩阵 $C=BA$ 表示。

2.2 矩阵乘法与变换级联

因此，两个矩阵相乘实际上是两个线性变换的复合：
$$B\times A\leftrightarrow T_B\circ T_A,$$
其中「$\circ$」表示函数的组合：先执行 $T_A$，再执行 $T_B$。

矩阵乘积的顺序反映了变换的执行顺序，这也是矩阵乘法不满足交换律的原因之一（即通常 $AB\ne BA$）。

---

从行和列的视角理解

3.1 行向量视角

矩阵乘法的结果的某一行，可以看作前一个矩阵的那一行选取并线性组合另一个矩阵的对应列。

例如：
$$C=A\times B,$$
则 $C$ 的第 $i$ 行等于：
$$\text{(第 }i\text{ 行的 }A)\times B.$$

假设「第 $i$ 行的 $A$」是向量 $(a_{i1},a_{i2},\dots ,a_{in})$，它会将 $B$ 的第 1 行加权 $a_{i1}$、第 2 行加权 $a_{i2}$、…、第 $n$ 行加权 $a_{in}$ 后相加。

3.2 列向量视角

矩阵 $B$ 可以被看作由其列向量 $b_1,b_2,\dots ,b_p$ 构成。

• 矩阵乘法 $AB$ 的结果，可以理解为 $A$ 对 $B$ 的每一个列向量进行线性变换后，将这些新向量拼成结果矩阵。
• 即：
  $$AB=[A{b}_{1}A{b}_2\dots A{b}_p].$$

---

矩阵乘法的多重意义

4.1 几何意义：线性映射

矩阵乘法对应两个线性映射的复合操作，体现了几何变换的顺序性。

4.2 应用意义

矩阵乘法广泛应用于：

1. 神经网络：
   • 在深度学习的全连接层中，矩阵乘法用于线性组合输入特征，生成下一层的输出。
2. 图像变换：
   • 矩阵用于表示旋转、缩放、平移等操作，多个变换叠加可通过矩阵乘法实现。
3. 马尔可夫链：
   • 状态转移矩阵的多步转移可以通过矩阵幂次乘法实现。

---

矩阵乘法的定义为何是「行×列」？

矩阵乘法定义为「行向量与列向量的点积」，是为了满足以下性质：

1. 复合线性变换的一一对应：矩阵乘法能表示线性映射的复合。
2. 分配率与结合律：保证代数操作的完整性。
3. 与向量运算兼容：保证行×列运算能与向量操作自然衔接。

---

总结

• 运算层面：矩阵乘法是通过「行向量」与「列向量」的点积计算得到的。
• 几何层面：它对应了线性变换的复合。
• 行和列的视角：从行角度看是线性组合，从列角度看是逐列映射。
• 应用层面：广泛应用于神经网络、图像处理、状态转移等领域。

一句话概括：

矩阵乘法既是一种代数运算规则，也是线性变换复合的几何抽象，连接了数值计算与线性代数的核心思想。