向量內積

這個基本上是中學當中數學課本上的概念，兩個向量的內積非常簡單，我們直接看公式回顧一下：

\[X \cdot Y = \sum_{i=1}^n x_i*y_i\]

這裡X和Y都是n維的向量，兩個向量能夠計算內積的前提是兩個向量的維度一樣。從上面公式可以看出來，兩個向量的內積就等於兩個向量對應各個維度的分量的乘積的和。

為了和矩陣乘法以及普通的乘法做區分，我們通常把兩個向量的內積寫成：\([x, y]=x^Ty\)。

這裡有一個很重要的性質，對於一個向量而言，我們可以用歐幾里得公式計算它的長度。進一步，我們可以用向量的長度以及向量之間的夾角來表示向量的內積，如下：

\[[x, y]=|x|\cdot |y|\cos\theta\]

其中的\(\theta\)是x和y向量之間的夾角，對於三維及以下空間內的向量，這一點非常直觀。對於高維度的向量，我們很難想象它的物理意義。不過沒有關係，我們一樣可以認為向量之間存在一個廣義超空間內的一個夾角。在機器學習領域，我們通常用這個夾角來反應向量之間的相似度。兩個向量越相似，那麼它們之間的夾角應該越小，對應的cos餘弦值應該越大。所以我們可以用兩個向量之間的餘弦值來反應它們之間的相似度。餘弦值的計算就源於此。

正交向量

從上面的公式可以看出來，向量的內積等於兩個向量長度乘上向量之間的夾角。對於非零向量而言，它們的長度都應該是大於0的。所以兩個向量的內積的大小，就完全取決於向量之間的夾角\(\theta\)。

如果\(\theta\)小於90°，那麼\(\cos\theta>0\)，那麼內積為正值。如果\(\theta\)大於90°，那麼餘弦值為負值。所以我們可以通過餘弦值正負判斷夾角是銳角還是鈍角。既然說到夾角，自然就離不開一種特殊情況——垂直。

如果是在二維平面當中，兩個向量夾角是90°，那麼顯然這兩個向量垂直。在高維空間當中也是一樣，不過我們一般不說垂直，而是會換一個詞——正交。兩個非零向量的內積為0，說明兩個向量正交。

正交向量組

搞清楚了正交向量之後，正交向量組也就明確了。正交向量組是指一組兩兩正交且非零的向量組。

如果n維的向量組:\(a_1, a_2, \cdots,a_r\)兩兩正交，那麼，它們一定線性無關。也就是說不存在一組不為零的係數\(\lambda\)，使得：

\[\lambda_1a_1+\lambda_2a_2+\cdots + \lambda_ra_r=0\]

這點很容易證明，由於向量組內向量均不為0，我們只需要在等式兩邊隨便乘上一個向量即可，假設我們乘的是\(a_1\)。由於它與其他向量兩兩正交，所以其他項全為0。如果要等式成立，那麼必須要：

\[\lambda_1a_1^Ta_1=0\]

由於\(a_1\)不為0，那麼\(a_1^Ta_1\)必然不為0，要使得等式成立，只能是\(\lambda_1\)為0。

規範正交基

我們把正交向量組的概念和基的概念融合，如果向量組\(e_1, e_2, \cdots, e_r\)是向量空間V的一個基。如果它們之間彼此正交，那麼就稱它們是一組規範正交基。

對於向量a，我們可以很方便地求出它在規範正交基下各個維度的座標：

\[\lambda_i = e_i^Ta=[a, e_i]\]

也就是說向量a，在規範正交基下某一個維度的座標， 等於它和這個維度的正交基向量的內積。

如果說我們已經知道向量空間V中的一組基是\(a_1, a_2, \cdots, a_r\)，我們怎麼求V的規範正交基呢？

這裡要用到一個演算法，叫做施密特演算法。通過這個演算法，我們可以通過向量空間的一組基來求出它的正交基。

這個演算法很簡單，我們可以直接寫出它的公式：

\[ \begin{aligned} b_1 &= a_1 \\ b_2 &= a_2 - \frac{[b_1, a_2]}{[b_1, b_1]}b_1\\ \cdots\\ b_r &= a_r - \frac{[b_1, a_r]}{[b_1, b_1]}b_1-\frac{[b_2, a_r]}{[b_2, b_2]}b_2 - \cdots - \frac{[b_{r-1}, a_r]}{[b_{r-1}, b_{r-1}]}b_{r-1} \end{aligned} \]

我們隨便取兩個b向量乘一下就知道，b向量組之中兩兩正交。所以，我們只要將b向量組單位化一下，就可以求出對應的規範正交基了。

即：

\[ e_1=\frac{1}{||b_1||}b_1, \quad e_2=\frac{1}{||b_2||}b_2 \quad \cdots \quad e_r=\frac{1}{||b_r||}b_r \]

這個演算法雖然不難，但蠻重要。在機器學習領域中一些降維演算法，很多都與施密特正交化方法有關。

正交矩陣

之前我們在介紹矩陣的時候，曾經說過，我們可以把一個矩陣看成是一個特定的向量組的結構。同樣，我們也可以把一個規範正交基向量組看成是一個矩陣，那麼這個矩陣就稱為是正交矩陣。

它擁有如下性質：

\[A^TA=I\]

其中I是單位矩陣，它的充要條件是矩陣A當中的每一列都是一個單位列向量，並且兩兩正交。

最後，我們看一下正交矩陣的性質。它的主要性質有三個：

1. 如果A是正交矩陣，那麼\(A^{-1}=A^T\)，也是正交矩陣，並且\(|A|=\pm 1\)。

2. 如果A和B都是正交矩陣，並且它們階數一樣，那麼AB也是正交矩陣。

3. 如果A是正交矩陣，向量y經過A變換之後行列式保持不變。

這三個性質都很簡單，我們通過正交矩陣的性質基本上都可以直接推導得到，或者是非常直觀，和我們的直覺吻合。其實怎麼推導不是重點，對於演算法工程師而言，更重要的是理解這些概念的意思，並且將它與演算法模型當中起到的功能聯絡起來，這才是最重要的事情。

今天關於正交向量和矩陣的內容就到這裡，如果覺得有所收穫，請順手點個關注或者轉發吧，你們的支援是我最大的動力。

相關推薦