矩阵的“内积”和“乘法”

很多人一看到矩阵乘法就头大，其实它超级亲民------矩阵乘法本质就是一大堆"向量内积"（点积）的组合！而"矩阵内积"（专业叫Frobenius内积）则是把两个矩阵当成"超级长向量"来点一下，得到一个数字。

咱们一步步来，配大图+例子，保证你看完就彻底懂。

第一部分：先回忆向量内积（点积）------这是所有一切的基础

两个长度一样的向量：

a = $1, 2, 3$ b = $4, 5, 6$

内积（点积）就是： 1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32

几何意义：它等于 a 投影到 b 上的长度 × b 的长度（带方向），或者 |a||b|cosθ。

这就是"内积"最原始的样子。

第二部分：矩阵乘法 = "行 × 列"的内积狂欢

来看最经典的图：

看到没有？

左边矩阵的每一行（蓝色高亮）
右边矩阵的每一列（绿色高亮）
把这一行和这一列对应位置相乘再求和 → 得到结果矩阵的一个数字（黄色位置）

这就是内积！

所以整个矩阵乘法，其实就是：

把左矩阵的所有行，分别和右矩阵的所有列，做向量内积，填满结果矩阵。

下面我用最通俗的方式，把内积和 矩阵乘法 讲清楚，并且和图里的黄色/绿色方块一一对应起来。

1）什么是"内积"（点积）？------就是"对应相乘再相加"

先从最简单的 两个向量 说起：

它们的内积（dot product）是：

✅ 通俗理解（像"打分器"）

把 x 看成"权重"，把 y 看成"数据"，那么内积就是：

把每一项按权重加权后汇总成一个总分。

比如：

成绩 = (语文权重×语文分) + (数学权重×数学分) + (英语权重×英语分)

2）内积还能表示什么？------"有多同向 / 有多像"

内积还有个非常重要的几何意义：

θ 是两向量夹角
如果 同方向（θ=0），cos⁡θ=1，内积最大
如果垂直（θ=90），cos⁡θ=0，内积为 0
如果 反方向（θ=180），cos⁡θ=−1，内积为负

✅ 所以你可以把内积理解成：

"两个方向有多一致" 的量化指标

3）矩阵乘法到底在干嘛？------"行向量"和"列向量"做内积

关键一句话：

矩阵乘法的每一个结果元素，都是：A 的某一行和 B 的某一列的内积。

假设：

A 是 m×n
B 是 n×p

那么：

C=AB⇒C是 m×p

并且：

cij=(A 的第 i 行)⋅(B 的第 j 列)

也就是：

4）对照你图里的黄色块：这就是在算一个 c1,2

图里：

A 是 4×2
B 是 2×3
所以结果 C=AB 是 4×3

图中黄色是在算结果矩阵里的某个格子（第1行第2列）：

A 的第1行（黄色）

B 的第2列（黄色）

它们做内积：

✅ 这就是图右侧黄色框写的那条式子。

5）对照你图里的绿色块：这就是在算另一个 c3,3

绿色是在算结果矩阵里的另一个格子（第3行第3列）：

A 的第3行（绿色）

B 的第3列（绿色）

内积：

✅ 这就是图右侧绿色框写的式子。

6）为什么矩阵乘法一定要"行 × 列"，而不是"行 × 行"？

因为矩阵乘法的本质是：

把"输入向量"映射成"输出向量"的线性变换。

如果你把 B 看成"输入"，那么它的每一列就是一个输入向量：

B= $输入1 输入2 输入3$

乘上 A 以后：

AB= $A\cdot输入1 A\cdot输入2 A\cdot输入3$

也就是说：

✅ 每一列输入，都会被 A 变换成一列输出

这就解释了为什么要"行和列配对"------维度才能对上，含义也才对。

7）一句话总结（你背下来就通了）

✅ 内积是什么？

对应相乘再相加，得到一个"总分 / 相似度"。

✅ 矩阵乘法是什么？

把 A 的每一行当成"打分器"，去给 B 的每一列打分。
每个输出元素，就是一次内积。

我们就用两个 2×2 矩阵，把"矩阵乘法 = 行·列内积"手算一遍。

1）先写清楚矩阵

2）计算 AB：A 的行去和 B 的列做内积

结果矩阵也是 2×2：

(1) 左上角 c11 ：A 第1行 · B 第1列

A 第1行是 $1,2$

B 第1列是

(2) 右上角 c12 ：A 第1行 · B 第2列

B 第2列是

(3) 左下角 c21 ：A 第2行 · B 第1列

A 第2行是 $3,4$

(4) 右下角 c22 ：A 第2行 · B 第2列

✅ 所以：

3）顺便算一下 BA（你会发现一般不相等）

同样规则：B 的行 · A 的列

左上角：

右上角：

左下角：

右下角：