目录
[十七、转置与 reshape 的区别](#十七、转置与 reshape 的区别)
一、前言
在机器学习和深度学习中，有一个操作几乎无处不在：
矩阵转置（Transpose）例如：
线性回归
逻辑回归
最小二乘法
PCA主成分分析
协方差矩阵
神经网络反向传播都会频繁出现：
Aᵀ很多初学者看到这个符号时会疑惑：
矩阵转置到底是什么？
为什么要转置？
转置后矩阵发生了什么变化？实际上：
矩阵转置本质上是交换矩阵的行和列。
理解转置之后，很多机器学习公式都会变得简单很多。
二、什么是矩阵转置
假设有一个矩阵：
python
A =
[
[1 2 3]
[4 5 6]
]矩阵形状：
(2,3)表示：
2行
3列其转置记作：
Aᵀ结果：
python
[
[1 4]
[2 5]
[3 6]
]此时形状变为：
(3,2)即：
原来的行
变成列
原来的列
变成行三、转置的定义
数学定义：
如果矩阵：
A(i,j)表示：
第i行
第j列那么：
Aᵀ(j,i)表示：
第j行
第i列即：
交换坐标规则：
(i,j)
↓
(j,i)四、转置示例
矩阵：
[
[1 2]
[3 4]
]转置：
[
[1 3]
[2 4]
]矩阵：
[
[1 2 3]
]转置：
[
[1]
[2]
[3]
]可以看到：
行向量
变成列向量五、为什么需要转置
假设：
学生成绩表：
[
[90 85 88]
[95 92 96]
]表示：
2个学生
3门课程如果转置：
[
[90 95]
[85 92]
[88 96]
]则表示：
3门课程
2个学生因此：
转置本质是切换观察数据的角度六、矩阵转置流程
七、手写实现矩阵转置
原矩阵：
python
A = [
[1,2,3],
[4,5,6]
]转置实现：
python
rows = len(A)
cols = len(A[0])
result = []
for j in range(cols):
row = []
for i in range(rows):
row.append(A[i][j])
result.append(row)
print(result)输出：
[
[1,4],
[2,5],
[3,6]
]八、使用列表推导式实现
代码更加简洁：
python
A = [
[1,2,3],
[4,5,6]
]
result = [
[row[i] for row in A]
for i in range(len(A[0]))
]
print(result)输出：
[
[1,4],
[2,5],
[3,6]
]九、NumPy实现转置
NumPy提供：
.T属性。
示例：
python
import numpy as np
A = np.array([
[1,2,3],
[4,5,6]
])
print(A.T)输出：
[
[1 4]
[2 5]
[3 6]
]查看形状：
print(A.shape)输出：
(2,3)转置后：
print(A.T.shape)输出：
(3,2)十、transpose()函数
除了：
A.T还可以：
np.transpose(A)示例：
python
import numpy as np
A = np.array([
[1,2],
[3,4]
])
print(np.transpose(A))结果：
[
[1 3]
[2 4]
]十一、一维数组转置陷阱
很多人第一次会写：
python
arr = np.array([
1,
2,
3
])
print(arr.T)结果：
[1 2 3]发现：
没有变化原因：
一维数组没有行列概念形状：
(3,)转置后仍然：
(3,)正确写法：
python
arr = np.array([
[1],
[2],
[3]
])形状：
(3,1)转置：
(1,3)十二、矩阵乘法中的转置
假设：
A.shape
(2,3)
B.shape
(2,3)无法相乘：
3 ≠ 2报错。
解决方法：
A @ B.T此时：
(2,3)
×
(3,2)合法。
结果：
(2,2)十三、协方差矩阵中的转置
机器学习中经常看到：
XᵀX例如：
最小二乘法：
β
=
(XᵀX)^(-1)
Xᵀy这里：
Xᵀ
就是特征矩阵转置十四、PCA中的转置
主成分分析：
协方差矩阵：
Cov
=
XᵀX
/
(n-1)因此：
转置
是PCA的重要基础十五、神经网络中的转置
假设：
输入：
X.shape
(100,784)权重：
W.shape
(128,784)需要计算：
X @ W.T此时：
(100,784)
×
(784,128)得到：
(100,128)神经网络大量使用这种技巧。
十六、三维数组转置
二维矩阵：
A.T即可。
三维数组：
arr.shape
(2,3,4)使用：
arr.transpose(
1,
0,
2
)结果：
(3,2,4)表示：
交换第0轴
和第1轴十七、转置与 reshape 的区别
很多人容易混淆：
reshape()和：
transpose()reshape：
改变数据排列方式例如：
(2,6)
↓
(3,4)transpose：
交换维度顺序例如：
(2,3)
↓
(3,2)十八、转置的数学性质
性质1：
(Aᵀ)ᵀ
=
A转置两次回到原矩阵。
性质2：
(A+B)ᵀ
=
Aᵀ+Bᵀ性质3：
(AB)ᵀ
=
BᵀAᵀ注意：
顺序反过来这是考试和面试高频题。
十九、机器学习中的典型应用
转置常见于：
最小二乘法
线性回归
逻辑回归
协方差矩阵
PCA
SVD
神经网络反向传播
Transformer注意力机制几乎所有线性代数算法都会用到。
二十、总结
矩阵转置是线性代数中最基础也是最重要的操作之一。
核心思想：
行变列
列变行数学规则：
(i,j)
↓
(j,i)NumPy实现：
A.T或者：
np.transpose(A)应用场景：
矩阵乘法
最小二乘法
PCA
协方差矩阵
神经网络
Transformer可以这样理解：
矩阵转置
并没有改变数据本身
它只是改变了观察数据的方式而这种"换个角度看数据"的能力，正是现代机器学习和数据科学中许多算法得以成立的重要基础。