为什么点积等价于投影后的乘积
先上结论:
-
(oldsymbol v)和(oldsymbol w)点积,就是向量乘法(oldsymbol v × oldsymbol w^T);
-
(oldsymbol w)象征着一个降维变换矩阵,因此该矩阵乘法本质上是一个(oldsymbol v)降维的过程;
-
该降维变换在几何上正是投影过程。
综上,点积的几何意义就是投影相乘。
摘自《Essence of linear algebra》系列视频,非常精彩。B站上有全集~
要理解这一点,需要线性代数基础,要理解矩阵和变换之间的关系。
1. 复习点积
我们所学的向量点积是这样的:
其几何解释为:向量(oldsymbol w)在向量(oldsymbol v)上投影,投影长度和(|oldsymbol v|)相乘。
借助这一几何解释,我们可以直观地理解:
-
向量正交:点积为0
-
投影为反方向:点积为负。
2. 点积的对称性
注意!理解、证明点积的对称性,对我们的证明至关重要!
假设(oldsymbol w igodot oldsymbol v),对称性的意思是:
无论是(oldsymbol v)在(oldsymbol w)上作投影再乘,还是(oldsymbol w)在(oldsymbol v)上作投影再乘,结果都是一样的。
现在我们证明这一点。
如图,假设二者长度相同,那么对称性显然成立:因为投影长度是一样的。
现在,假设(oldsymbol w)更长。
我们在(oldsymbol w)的方向上取(oldsymbol w'),使得(|oldsymbol w'|)等于(|oldsymbol v|)。
我们先考虑(oldsymbol w' igodot oldsymbol v)。由于长度相同,对称性是显然的。
而(oldsymbol w igodot oldsymbol v),和(oldsymbol w' igodot oldsymbol v)只相差常数(alpha)倍:
3. 矩阵与变换的关系
这一节内容,强烈建议观看推荐视频:《Essence of linear algebra》。
假设现在有矩阵:
这是一个单位阵,作用在任何一个向量([a,b])上,仍然会得到([a,b])。
本质原因是:
-
单位阵第一行([1,0]),代表的是基向量(oldsymbol i = [1,0])变换后的位置;
-
同理,单位阵第二行([0,1]),代表的是基向量(oldsymbol j = [0,1])变换后的位置。
显然两个基向量的位置都没发生变化,因此这个变换没有任何变化效果。
而(a)是基向量(oldsymbol i)是权重,(b)是基向量(oldsymbol j)是权重,([a,b])可以拆解为(aoldsymbol i + boldsymbol j)。
由线性性,对任意一个向量([a,b])进行线性变换,等于两个分量分别变换,再相加。
因此任意一个向量与单位阵相乘仍然是其本身。
再举一个例子。设有矩阵:
与向量([a,b])相乘,结果为:
如果理解了矩阵和变换的含义,理解这个结果就特别简单:
-
基向量(oldsymbol i)纹丝不动,而基向量(oldsymbol j)变换到了([frac{1}{sqrt{2}}, frac{1}{sqrt{2}}])。
-
([a,b])可以拆解为(aoldsymbol i + boldsymbol j);
-
因此([a,b])变换到了(a[1,0] + b[frac{1}{sqrt{2}}, frac{1}{sqrt{2}}]),结果就是([a+frac{1}{sqrt{2}}b,frac{1}{sqrt{2}}b])
4. 一维矩阵也是一种线性变换
线性性对我们的证明特别重要,可以解释为什么能分别对基向量作变换,再叠加。
我们都知道,线性性包含齐次性和叠加性。
要证明某一个变换是线性变换,就必须证明该变换具有这两个性质。
我们在这里省略严格的证明,换一个直观的角度予以证明。
线性变换有一个直观的特点:
在二维空间中,如果有一系列等距分布于同一直线上的点:
那么线性变换之后,这些点在数轴上仍是等距分布的:
能证明这一点暂时就足够了。
与上一节不同的是,我们现在介绍的是降维变换(2D→1D)。但矩阵和变换的关系还是相同的:
原本二维空间的基向量是[1,0],[0,1]:
现在变成了数轴上的两个点,也就是两个数(动画更直观,推荐看视频):
该过程满足保持等距条件。
因为如果把作用向量放大(alpha)倍,实际上就是把两个基向量的权重分别放大(alpha)倍。
被变换作用后再叠加,效果也是放大(alpha)倍。因此等距点仍然是等距点。
这样,我们就粗略说明了该变换是线性变换。
因此我们完全可以认为:
向量[2,1]表征一个从二维到一维的线性变换,将基向量(oldsymbol i)变换至数轴点2,将基向量(oldsymbol j)变换至数轴点1。
5. 最终解释:为什么是投影
现在,我们解释为什么点积可以用投影后的乘积来解释。
我们先来看一个单位向量(oldsymbol u)。
由于是单位向量,因此(oldsymbol i = [1,0])往(oldsymbol u)上做投影,和(oldsymbol u)往(oldsymbol i = [1,0])(也即x轴)上做投影,长度是一样的!
也就是说:图中绿色虚线投影得到的投影长度,等于(oldsymbol u)的横坐标(u_x)。
同理:图中红色虚线投影得到的投影长度,等于(oldsymbol u)的纵坐标(u_y)。
好了。此时假设向量(oldsymbol w)要和单位向量(oldsymbol u)点积。
由上一节推出的性质,基向量在变换(oldsymbol u)下,会分别映射(降维)到点(u_x)和(u_y)。
设(oldsymbol w = [w_x,w_y]),那么(oldsymbol w)就会映射到(w_xu_x+w_yu_y)。
这就是点积!!!
所以,为什么可以理解为:(oldsymbol w)先投影到(oldsymbol u)上,再做乘积呢?
-
(oldsymbol w)可以拆解为基向量的加权组合。
-
每一个基向量与变换(oldsymbol u)(先规定为单位向量)作用的结果,又可以分为:
-
该变换相当于投影到(oldsymbol v)所在数轴上的一点。
-
该点的坐标,正是(oldsymbol u)的横坐标或纵坐标。
-
由线性性,基向量分别变换后再相加,等价于向量(oldsymbol w)整体变换的结果。因此我们把两个投影值相加,就得到了最终结果。
-
-
因此,从计算过程上看就是:坐标和权重相乘,再相加。这就是点积!
-
从投影过程上看:(oldsymbol w)在(oldsymbol v)上投影,恰好也可以拆分成两个基向量在(oldsymbol v)投影的叠加。因此点积都是投影!
-
如果(oldsymbol u)不是单位向量,再乘以其范数即可。这就是完整的点积:投影→相乘!
解释完毕!