20分钟用 NumPy 彻底搞懂线性代数核心-NumPy 线性代数核心详解 (np.linalg)

1. 理论速查表

2. 核心概念通俗解读

A. 矩阵乘法 (@或dot) —— 最重要的操作

• 是什么：不是对应元素相乘！它是**“行乘以列”**再求和。
• 有什么用：
  • 它代表了空间的旋转、缩放或投影变换。
• 口诀：中间相同消掉，两边留下。

B. 行列式 (det) —— 矩阵的“体检指标”

• 是什么：一个标量（数字）。
• 含义：
  • 如果 $|A| = 2$，说明这个矩阵把空间放大了2倍。
  • 如果 $|A| = 0$，说明矩阵把空间“压扁”了（降维了），信息丢失了。
• 关键点：只有行列式不为0，矩阵才有逆矩阵。

C. 逆矩阵 (inv) —— 矩阵的“后悔药”

• 有什么用：
  • 解方程：如果 $Ax = b$，那么 $x = A^{-1}b$。
  • 如果你对一个图片做了变换 $A$，想还原它，就乘以 $A^{-1}$。
• 限制：如果行列式为0（奇异矩阵），就没有逆矩阵（无法还原）。

3. 完整实操演练

我们将创建一个具体的场景：模拟一个简单的神经网络层（矩阵乘法），并尝试解一个线性方程组（逆矩阵）。

import numpy as np print("="*40) print(" NumPy 线性代数实战演练") print("="*40) # --- 场景 1: 矩阵乘法 (深度学习的核心) --- # 假设我们有 2 个样本 (2行)，每个样本有 3 个特征 (3列) inputs = np.array([ [1.0, 2.0, 3.0], # 样本 1 [4.0, 5.0, 6.0] # 样本 2 ]) # 假设神经网络的权重矩阵：3 个输入节点连接到 2 个输出节点 (3行 2列) weights = np.array([ [0.1, 0.2], # 特征1 的权重 [0.3, 0.4], # 特征2 的权重 [0.5, 0.6] # 特征3 的权重 ]) print("\n【1. 矩阵乘法 (Forward Pass)】") print("输入形状:", inputs.shape) # (2, 3) print("权重形状:", weights.shape) # (3, 2) # 方法 A: 使用 @ 符号 (推荐，Python 3.5+) outputs = inputs @ weights # 方法 B: 使用 np.dot (老写法，效果一样) # outputs = np.dot(inputs, weights) print("输出结果 (2个样本，每个2个输出):\n", outputs) # 计算逻辑示例 (第一行第一列): 1*0.1 + 2*0.3 + 3*0.5 = 0.1+0.6+1.5 = 2.2 # --- 场景 2: 行列式与逆矩阵 (解方程) --- # 假设我们要解方程组: # 1x + 2y = 5 # 3x + 4y = 11 # 写成矩阵形式 Ax = B A = np.array([[1, 2], [3, 4]]) B = np.array([5, 11]) print("\n【2. 行列式与逆矩阵】") print("系数矩阵 A:\n", A) # 2.1 计算行列式 det_A = np.linalg.det(A) print(f"A 的行列式 (det): {det_A:.2f}") # 解释: 1*4 - 2*3 = -2. 不为0，说明可逆。 if det_A != 0: # 2.2 计算逆矩阵 inv_A = np.linalg.inv(A) print("A 的逆矩阵 (inv):\n", inv_A) # 2.3 验证: A * A_inv 应该等于单位矩阵 I identity = A @ inv_A print("验证 (A @ A_inv):\n", identity) # 结果应该接近 [[1, 0], [0, 1]] (可能有微小浮点误差) # 2.4 解方程 x = A_inv * B # 注意: 解方程通常直接用 np.linalg.solve(A, B) 更稳定，但这里演示逆矩阵用法 x = inv_A @ B print(f"\n方程的解 x (通过逆矩阵计算): {x}") # 预期: x=1, y=2 (因为 1*1+2*2=5, 3*1+4*2=11) # 推荐的标准解法 (数值更稳定) x_best = np.linalg.solve(A, B) print(f"方程的解 x (推荐 solve 函数): {x_best}") else: print("行列式为0，矩阵不可逆，无法求解唯一解。") # --- 场景 3: 向量点积 (相似度) --- print("\n【3. 向量点积 (Vdot)】") vec1 = np.array([1, 0, 0]) # x轴方向 vec2 = np.array([0, 1, 0]) # y轴方向 vec3 = np.array([1, 1, 0]) # 45度方向 # 垂直向量点积应为 0 print(f"x轴 与 y轴 的点积 (应接近0): {np.vdot(vec1, vec2)}") # 同向分量越多，值越大 print(f"x轴 与 45度 的点积: {np.vdot(vec1, vec3)}") # 结果为 1

4. 运行结果解析

当你运行上述代码时，你会看到：

1. 矩阵乘法：

   • 输入是(2, 3)，权重是(3, 2)。
   • 输出变成了(2, 2)。这就是神经网络中“维度变换”的过程。

2. 行列式与逆矩阵：

   • det结果是-2.0。说明这个变换把面积翻了2倍，并且翻转了方向（负号）。
   • inv算出了逆矩阵。
   • A @ inv_A的结果非常接近单位矩阵[[1, 0], [0, 1]]（由于计算机浮点数精度，可能会看到0.99999或1e-16这种极小值，视为0）。
   • 最终解出 $x=1, y=2$，完美验证了方程。

3. 点积：

   • 垂直的向量点积为 0（正交）。
   • 有夹角的向量点积反映了它们在某个方向上的投影长度。

避坑指南

1. *vs@：
   • 在 NumPy 中，A * B是对应元素相乘(Element-wise)。
   • A @ B才是矩阵乘法(Matrix Multiplication)。千万别搞混！
2. 形状不匹配：如果报错shapes (2,3) and (2,3) not aligned，说明你试图做矩阵乘法，但前一个矩阵的列数 (3) 不等于后一个矩阵的行数 (2)。这时候检查是不是该用*或者转置.T。
3. 奇异矩阵：如果np.linalg.inv()报错Singular matrix，说明行列式为0，这个矩阵没有逆矩阵（通常意味着数据中有冗余特征，比如两列完全一样）。