以下內容**於：
先上運算，再解讀：
乙個矩陣乘以乙個列向量相當於矩陣的列向量的線性組合。
乙個行向量乘以矩陣，相當於矩陣的行向量的線性組合。
方程組：
在二維平面中，相當於找兩條直線的交點。
寫成如下形式：
把方程組看成是ax=b，相當於是尋找矩陣a的列向量的某個線性組合，使得等於b。可以引申出來：二維平面的任意兩個向量的任意組合可以表達出來整個平面。但是這裡的任意兩個向量不可以共線，如果共線，其線性組合也只能表達這條線上的向量。(任意乙個向量可以看成是二維平面中的乙個點，此點表示的向量就是由原點指向這一點的向量。)
三維的情形：
ax=b，a的每一行乘以x相當於乙個平面，則上面的方程組代表求三個平面的交點。一般可以先求任意兩個平面的交線，再用這條交線和第三個平面求交點。
若寫成下面的a的列的線性組合：
相當於求三個三維向量的的某個線性組合，使得結果是第四個三維向量(b)。
可不可以認為任意三個三維向量的線性組合可以表達出整個三維空間中所有的三維向量呢？在三個三維向量不共面的情況下可以這樣認為。如果有乙個三維向量是另外兩個三維向量的線性組合，則這三個三維向量共面，此時，這三個三維向量的任何線性組合都在這個麵內，不可能表達出整個三維空間。此時如果第四個三維向量(b)，不在此面內，則相當於方程組無解。
向量點積和矩陣乘積的區別
點積是針對向量而言的。我們可以理解為維度 n,1 或者 1,n 一維的矩陣。在python中，我們設定乙個array，檢視其shape import numpy as np a np.array 1 2,3 4,5 a array 1 2,3 4,5 a.shape 5 可以看到維度是 5,並不是 ...
向量和矩陣
向量 m行n列的數表。從作用上看，它可以進行線性變換 如旋轉 將乙個點變換至另乙個點。方陣 n行n列的矩陣。它的行列式記作 a 或者deta 只有方陣才有行列式 同型矩陣 對應的行數和列數相等 矩陣的相等 首先是同型矩陣，其次每個對應元素相等。稱為a b 比較特殊的矩陣 1.主對角線元素為1，其餘為...
spark矩陣向量 矩陣矩陣相乘
import org.apache.spark.util.val paramatrix1 sc.parallelize list vector 2,2,4 vector 3,2,1 vector 1,3,2 首先，在spark shell中將乙個矩陣按照行進行並行化，val vec1 vector ...