向量内积是什么？解决什么问题？

向量内积，也叫点积或数量积，是一种将两个向量映射成一个标量的运算。

对于两个维度相同的向量，比如在n维空间中：

\\mathbf{a} = (a_1, a_2, ..., a_n)

\\mathbf{b} = (b_1, b_2, ..., b_n)

它们的内积定义为：
对应分量相乘再相加 。

\\mathbf{a} \\cdot \\mathbf{b} = a_1b_1 + a_2b_2 + ... + a_nb_n = \\sum_{i=1}\^{n} a_i b_i

如果从几何角度看（在二维或三维空间更容易想象）：

\\mathbf{a} \\cdot \\mathbf{b} = \|\\mathbf{a}\| \|\\mathbf{b}\| \\cos\\theta

其中：

这个几何定义告诉我们：内积的本质，是衡量一个向量在另一个向量方向上的投影长度，再乘以另一个向量的长度。

衡量相似度：如果两个向量方向越接近（夹角越小），余弦值越大，内积也就越大。如果方向完全一致（夹角0°），内积达到最大正值；如果方向相反（夹角180°），内积为最大负值；如果垂直（夹角90°），内积为零。
- 内积为零 是判断两个向量正交/垂直的重要条件。
计算向量长度 ：一个向量和自己的内积，就是其长度的平方。
$\\mathbf{a} \\cdot \\mathbf{a} = \|\\mathbf{a}\|\^2$
符号的意义：
- 内积 > 0：夹角为锐角（方向大体相同）。
- 内积 = 0：夹角为直角（垂直，无关）。
- 内积 < 0：夹角为钝角（方向大体相反）。

内积是数学、物理、计算机科学等领域的一个基础工具，应用极其广泛：

计算夹角：通过公式 (\cos\theta = \frac{\mathbf{a} \cdot \mathbf{b}}{|\mathbf{a}| |\mathbf{b}|}) 可以直接求出两个向量间的夹角。
判断正交性：在几何和线性代数中，快速判断两条线、两个面是否垂直。
计算功：在物理学中，力 (\mathbf{F}) 作用下物体产生位移 (\mathbf{s})，所做的功 (W = \mathbf{F} \cdot \mathbf{s})，这完美体现了"力在位移方向上的分量"做功的思想。

特征相似度：将样本表示为特征向量后，两个样本的内积可以衡量它们的相似度。内积越大，特征越"像"。
线性模型的核心 ：如线性回归、逻辑回归、支持向量机（SVM）的决策函数通常都是 权重向量 (\mathbf{w}) 与 特征向量 (\mathbf{x}) 的内积，再加上一个偏置项：(f(\mathbf{x}) = \mathbf{w} \cdot \mathbf{x} + b)。这个内积计算了输入特征和模型权重的"匹配程度"。
余弦相似度：这是内积的直接衍生品，用于消除向量长度的影响，纯粹比较方向相似性：(\text{similarity} = \cos\theta = \frac{\mathbf{A} \cdot \mathbf{B}}{|\mathbf{A}| |\mathbf{B}|})。广泛应用于文本检索（如比较两篇文章的TF-IDF向量）、推荐系统等。
神经网络的层计算：神经网络中每一层神经元的工作，本质上就是该层的权重矩阵与输入向量的内积（线性组合），再经过非线性激活函数。

光照计算：计算漫反射光强（Lambert's Law）时，需要表面法线向量 (\mathbf{N}) 与光线方向向量 (\mathbf{L}) 的内积：(I \propto \mathbf{N} \cdot \mathbf{L})。这决定了光线照射到表面的角度，从而影响亮度。
背面剔除：判断一个多边形是否背对摄像机，可以通过法线向量和观察方向的内积符号来判断。

简单来说，向量内积是一个将两个向量"压缩"成一个数字的运算，这个数字揭示了它们"有多像"以及方向上的关系。

它的核心价值在于：

从求几何夹角到让机器学习模型做出预测，背后都有内积的身影。它是连接代数计算与几何直观的一座关键桥梁。