向量——通俗地解释

1. 向量

  向量是一个既有大小(模)又有方向 的对象,它可以用来描述空间中的位置、力或速度等量。我们可以从物理、数学和计算机的角度来看待向量,这三种观点看似不同却有关联。

(1)在物理专业视角下,向量是空间中的箭头,决定一个向量的是它的长度(大小)和它所指的方向 。处在平面中的向量是二维的,而处在我们所生活的空间中的向量是三维的。

(2)在计算机专业视角下,向量是有序的数字列表,例如二维向量 x = 1 , 2 \boldsymbol{x}=1,2 x=1,2

(3)在数学专业视角下,向量可以是任何东西,只要保证两个向量相加以及数字与向量相乘是有意义的即可。向量加法与向量数乘贯穿线性代数始终,二者起着很重要的作用。

2. 向量是有序的数字列表

(1)在二维空间中(X-Y平面),我们通常以原点(也就是坐标(0,0))作为起点,一个向量的坐标由"两个数"组成。而这"两个数"表示:如何从原点(向量起点)出发到达它的尖端(向量终点)。例如,二维向量 x = 2 , 4 \boldsymbol{x}=2,4 x=2,4,向量通常使用方括号([])括起来。对于二维向量 x = x 0 , y 0 \boldsymbol{x}=x_0,y_0 x=x0,y0,第一个数 x 0 x_0 x0 表示向量沿着 X X X 轴能走多远;第二个数 y 0 y_0 y0 表示向量沿着 Y Y Y 轴能走多远。数 x 0 x_0 x0 和 y 0 y_0 y0的正负表示向量移动的方向,"正数" 表示向着"X-Y"的正半轴移动,"负数"表示向着"X-Y"的负半轴移动。每"一对数"给出唯一的一个二维向量,而每一个二维向量恰好对应唯一的"一对数"。

(2)在三维空间中(X-Y-Z)中,我们通常也以原点(也就是坐标(0,0,0))作为起点,每个向量由一对三元组构成,例如三维向量 x = 2 , 4 , 6 \boldsymbol{x}=2,4,6 x=2,4,6。对于三维向量 x = x 0 , y 0 , z 0 \boldsymbol{x}=x_0,y_0,z_0 x=x0,y0,z0,第一个数 x 0 x_0 x0 表示向量沿着 X X X 轴能走多远;第二个数 y 0 y_0 y0 表示向量沿着 Y Y Y 轴能走多远;第三个数 z 0 z_0 z0 表示向量沿着 Z Z Z 轴能走多远。每个"三元组"给出唯一的一个三维向量,而每个三维向量恰好对应唯一的"三元组"。

(3)当向量空间的维度超过三维时,我们直观上是想象不到的,但仍然可以使用数字来表示多维向量。例如:四维向量 x = 2 , 4 , 6 , 8 \boldsymbol{x}=2,4,6,8 x=2,4,6,8,六维向量 x = 2 , 4 , 6 , 8 , 10 , 12 \boldsymbol{x}=2,4,6,8,10,12 x=2,4,6,8,10,12。由此可以得到 n n n 维向量 x \boldsymbol{x} x 的表示形式为: x = x 0 , x 1 , x 2 , ... , x n \boldsymbol{x}=x_0,x_1,x_2,\\ldots ,x_n x=x0,x1,x2,...,xn

3 通俗解释:向量加法与向量数乘

3.1 向量加法

(1)使用二维坐标系(X-Y)来解释向量的加法

  从下图一可以看出:向量 v = 1 , 2 \boldsymbol{v}=1,2 v=1,2,向量 w = 3 , − 1 \boldsymbol{w}=3,-1 w=3,−1


图1 二维向量 v 和 w

接下来我们对二维向量 v \boldsymbol{v} v 和 w \boldsymbol{w} w 进行相加。具体而言,相加之后的向量就是从第一个向量出发,指向第二向量的终点,两个向量之和( v + w \boldsymbol{v}+\boldsymbol{w} v+w)的表示如下图2所示。由下图2可以看出 v + w = 4 , 1 \boldsymbol{v}+\boldsymbol{w}=4,1 v+w=4,1 ,而向量 v \boldsymbol{v} v和 w \boldsymbol{w} w按元素累加可得: 4 , 1 4,1 4,1,也就是说:向量的加法就是对应坐标位置的元素进行累加。


图2 向量加法

(2)向量加法的通俗解释

  我们可以把每个向量看成是一种特定的运动,即在空间中朝着一个方向迈出一定距离。对于上图2中的向量加法,我们先沿着第一个向量 v \boldsymbol{v} v 的方向进行运动,然后再按照第二个向量 w \boldsymbol{w} w 的方向进行移动。其实这两次的总体运动效果就等价于从原点出发,沿着向量 v + w \boldsymbol{v}+\boldsymbol{w} v+w的方向进行运动。

  更通俗地来讲,你可以把向量 v + w \boldsymbol{v}+\boldsymbol{w} v+w看成从原点出发,先向右走1步,再往上移动2步,接着往右移动3步,最后向下移动1步。或者也可以看作从原点出发,先向右走4步,再向上移动1步。这也就证明了: v + w = 1 , 2 + 3 , − 1 = 1 + 3 , 2 − 1 = 4 , 1 \boldsymbol{v}+\boldsymbol{w}=1,2+3,-1=1+3,2-1=4,1 v+w=1,2+3,−1=1+3,2−1=4,1

3.2 向量数乘

  假设 v = 3 , 1 \boldsymbol{v}=3,1 v=3,1,那么 2 v = 2 × 3 , 2 × 1 = 6 , 2 2\boldsymbol{v}=2×3,2×1=6,2 2v=2×3,2×1=6,2,如下图3所示。

图3 向量数乘1

由图3可知, 2 v 2\boldsymbol{v} 2v相当于把向量 v \boldsymbol{v} v 拉长为原来的2倍。如果是 1 3 v = 1 3 × 3 , 1 3 × 1 = 1 , 1 3 \frac{1}{3}\boldsymbol{v}=\\frac{1}{3}×3,\\frac{1}{3}×1=1,\\frac{1}{3} 31v=31×3,31×1=1,31,那么就相当于把向量 v \boldsymbol{v} v 缩短为原来的 1 3 \frac{1}{3} 31,如下图4所示。

图4 向量数乘2

当一个向量与一个负数相乘时,例如 − 1.8 v = − 1.8 × 3 , − 1.8 × 1 = − 5.4 , − 1.8 -1.8\boldsymbol{v}=-1.8×3,-1.8×1=-5.4,-1.8 −1.8v=−1.8×3,−1.8×1=−5.4,−1.8,表示首先这个向量 v \boldsymbol{v} v 先反向,然后伸长为原来的1.8倍,其运算结果如下图5所示。


图5 向量数乘3

上述的这种拉伸或者压缩,有时又使向量反向的过程被称为缩放。

参考视频:【熟肉】线性代数的本质 - 01 - 向量究竟是什么?

相关推荐
资源大佬星 课it7 分钟前
黑马 Java+AI新版V16零基础就业班视频课程百度网盘下载
java·开发语言·人工智能
杀生丸学AI8 分钟前
【三维重建】QuerySplat:在 3DGS 预测中解耦几何与外观表征
人工智能·3d·三维重建·扩散模型·高斯泼溅·空间智能·室内重建
鲁邦通物联网18 分钟前
充电站底层脱机DLB引擎解构:基于Linux调度的边缘计算网关并发控制实战
linux·运维·人工智能·边缘计算·边缘计算网关·5g数采·工业级边缘计算网关
ADRU20 分钟前
深度拆解DeepSeek Harness插件热更新实现原理
人工智能·ai·ai编程
李昊哲小课24 分钟前
大模型应用开发课程——项目 13~16 完整教程
人工智能·大模型·智能体
有脚就行27 分钟前
第32篇-弹性训练与容错-让训练任务永不中断
人工智能
移动云开发者联盟28 分钟前
密态计算落地!MobileClaw解锁安全AI新范式
大数据·人工智能·安全
一次旅行36 分钟前
2026‑08‑19 AI产业深度解读|Mojo正式开源、Agent记忆剂量研究、OpenAI收紧模型安全管控
人工智能·开源·mojo
HackTwoHub37 分钟前
开箱即用 AI 渗透测试系统,整合多类AI工具、Web安全、内网攻防、二进制逆向、API测试、流量分析等多个安全领域
人工智能·安全·web安全·网络安全·系统安全·网络攻击模型·安全架构
TAN-90°-44 分钟前
Deep Learning for Computer Vision——Training CNNs and CNN Architectures
人工智能·深度学习·神经网络·算法·机器学习·计算机视觉·cnn