当前位置：首页 > news >正文

线性代数 + 编程：用Python实现向量和矩阵运算

news 2026/6/8 6:18:49

从向量到矩阵，从随机数到AI数据库——数学是编程的隐形骨架。

👋 你好，我是 Evan，一名计算机专业的学长，也是《大一突围》专栏的作者。大一时我总觉得线性代数没用，矩阵乘法除了考试还能干嘛？后来学到机器学习、向量数据库，才发现线性代数就是AI的“普通话”。今天我就带你用Python亲手实现向量和矩阵运算，并聊聊它们如何连接随机数、AI和向量数据库。你会发现：数学从未如此有用。

欢迎来到《大一突围》专栏。

一、为什么线性代数对程序员越来越重要？

你写的每一行import numpy as np，底层都是线性代数。
你用的 ChatGPT、Stable Diffusion，核心计算全是矩阵乘法。
你听说的“向量数据库”（如 Milvus、Pinecone），本质就是存储和检索高维向量，依赖向量相似度计算（余弦相似度、欧氏距离）。

结论：线性代数不是可选项，而是AI时代的必备内功。

二、向量：从几何意义到Python表示

2.1 什么是向量？

几何视角：空间中的一个箭头，有方向有长度。
代数视角：一组有序的数字列表，例如(3, 4)表示x=3, y=4。

2.2 向量的基本运算

2.3 Python代码示例：从零开始（纯列表）与numpy实现

# 纯Python实现向量加法 def vector_add(v, w): return [v_i + w_i for v_i, w_i in zip(v, w)] v = [1, 2, 3] w = [4, 5, 6] print(vector_add(v, w)) # [5, 7, 9] # 推荐使用 numpy（性能高，代码简洁） import numpy as np v = np.array([1, 2, 3]) w = np.array([4, 5, 6]) print(v + w) # [5 7 9] print(np.dot(v, w)) # 32 (1*4 + 2*5 + 3*6) print(np.linalg.norm(v)) # 3.741...

2.4 向量在AI中的应用：余弦相似度

两个向量的余弦相似度公式：

值越接近1，两个向量越相似。这正是向量数据库查找相似项的核心。

def cosine_similarity(v, w): return np.dot(v, w) / (np.linalg.norm(v) * np.linalg.norm(w)) v1 = np.array([1, 0, 0]) # 代表“猫” v2 = np.array([0.9, 0.1, 0]) # 相似向量 v3 = np.array([0, 0, 1]) # 代表“狗” print(cosine_similarity(v1, v2)) # 0.99 很相似 print(cosine_similarity(v1, v3)) # 0.0 完全不同

三、矩阵：批量处理向量的利器

3.1 什么是矩阵？

一个二维数组，可以看作一组行向量或列向量的集合。

3.2 矩阵的基本运算

3.3 Python代码示例

import numpy as np A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) # 矩阵乘法 print(A @ B) # 输出: # [[19 22] # [43 50]] # 转置 print(A.T) # [[1 3] # [2 4]] # 单位矩阵 I = np.eye(2) print(I) # [[1. 0.] [0. 1.]]

3.4 矩阵在AI中的核心作用：神经网络的一层

一个全连接神经网络层：
输出 = 激活函数(输入 × 权重矩阵 + 偏置)
其中输入是向量，权重矩阵负责将输入映射到输出空间。成千上万个这样的矩阵乘法构成了深度学习。

# 模拟一个简单层：3维输入 -> 2维输出 input_vec = np.array([1.0, 2.0, 3.0]) # 假设一个样本 weight_matrix = np.random.randn(3, 2) # 3x2 权重矩阵 bias = np.array([0.1, -0.1]) output = input_vec @ weight_matrix + bias print(output) # 2维输出

四、向量数据库：线性代数落地的明星

4.1 为什么需要向量数据库？

传统数据库按精确值查询（where name = '张三'）。
AI应用需要语义搜索：输入“猫”，找出图像库中所有包含猫的图片。这需要将图片转化为向量，然后查找与“猫”向量最相似的项。

4.2 向量数据库的工作流程

4.3 用numpy模拟一个简单的向量数据库

import numpy as np # 假设我们有3个文档向量（5维） documents = np.array([ [0.9, 0.1, 0.0, 0.4, 0.2], [0.1, 0.8, 0.3, 0.1, 0.5], [0.2, 0.2, 0.9, 0.1, 0.1] ]) # 查询向量 query = np.array([0.85, 0.15, 0.05, 0.35, 0.25]) # 计算余弦相似度 def cos_sim(a, b): return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)) similarities = [cos_sim(query, doc) for doc in documents] # 找出最相似的文档索引 best_idx = np.argmax(similarities) print(f"最相似的文档索引: {best_idx}, 相似度: {similarities[best_idx]:.4f}")

这就是推荐系统、搜索引擎的底层原理。

五、数学无处不在：从Java的Random到线性同余生成器

5.1 伪随机数生成器的数学公式

你每天用的java.util.Random或 Python 的random.random()，其核心就是一个线性同余生成器（LCG）：

X0X0 是种子
a,c,ma,c,m 是精心选择的常数

这不就是线性代数中的一次线性变换加上取模运算吗？

5.2 Python模拟Java的Random

class SimpleRandom: def __init__(self, seed=1): self.state = seed self.a = 1103515245 self.c = 12345 self.m = 2**31 def next_int(self): self.state = (self.a * self.state + self.c) % self.m return self.state def next_double(self): return self.next_int() / self.m rand = SimpleRandom(42) for _ in range(5): print(rand.next_double())

输出5个“随机”小数。虽然是确定的，但看起来随机。整个现代密码学、蒙特卡洛模拟都依赖这样的数学公式。