上一节课我们学完了矩阵定义、矩阵加法、标量乘法。
我们建立了核心认知：
向量是状态，矩阵是规则；向量是单个特征，矩阵是批量特征与变换权重。
但真正让神经网络"能计算、能推理、能提取特征"的核心操作，只有一个：
矩阵 × 向量 乘法
一句话点明本节课的AI地位：
所有全连接层、所有Embedding计算、所有特征变换、所有Transformer前向传播，本质全部是 矩阵 × 向量。
不会矩阵乘向量，你永远只是调包侠；
看懂这一步，你才算真正看懂神经网络的底层数据流。
一、大白话核心模型（贯穿所有AI）
先记住这一句终身受用的公式逻辑：
权重矩阵 × 输入向量 = 输出新特征向量
输入向量：原始数据、文字向量、图像特征
权重矩阵：模型学出来的"变换规则、知识、参数"
输出向量：经过模型加工后的高级语义特征
神经网络训练，本质就是：
不断更新矩阵参数，让矩阵变换出来的向量越来越接近标准答案。
二、矩阵 × 向量 运算规则（从零讲透）
1、运算前提（硬性规则）
设：
矩阵是 m \times n
向量必须是 n 维列向量
核心口诀：矩阵列数 = 向量维度，才能相乘。
输出结果一定是：m维新向量
人话：
矩阵有多少行，输出特征就有多少维。
2、计算逻辑（逐行点积，超级好懂）
矩阵每一行，和输入向量做一次内积（点积），得到一个新数字。
一行出一个值，m行就拼成一个m维新向量。
3、完整举例（手把手演算）
矩阵（权重规则）：
W=
\begin{bmatrix}
1 & 2
3 & 4
5 & 6
\end{bmatrix}
输入向量（2维特征）：
x=
\begin{bmatrix}
7\8
\end{bmatrix}
第一行点积：1×7 + 2×8 = 23
第二行点积：3×7 + 4×8 = 53
第三行点积：5×7 + 6×8 = 83
输出新向量：
Wx=
\begin{bmatrix}
23\53\83
\end{bmatrix}
完美看懂：
2维输入 → 经过3×2矩阵变换 → 变成3维高级特征
这就是 AI 的「特征升维」底层！
三、几何意义（非常重要）
结合我们前面课程的统一世界观：
- 向量是空间里的一个状态点
- 矩阵是空间变换规则
矩阵乘向量 = 对状态做一次完整空间变换
包含：
拉伸特征
旋转方向
维度升降
特征重组
神经网络没有魔法，就是不停对向量做矩阵变换。
四、绑定AI：为什么全连接层就是矩阵乘向量？
1、全连接层公式
y = Wx + b
W：权重矩阵
x：输入向量
b：偏置向量（矩阵加法）
流程：
原始向量 → 矩阵变换提取特征 → 加偏置微调 → 输出高级特征
这就是每一层神经网络的完整工作流程。
2、升维、降维全部靠它
3\times2 矩阵：2维 → 3维（升维、提取更多特征）
2\times3 矩阵：3维 → 2维（降维、压缩特征）
大模型Embedding、特征压缩、维度映射，全是这套数学。
五、和之前知识点完美串联（全书闭环）
1、第62课内积
矩阵乘向量，本质就是批量内积。
每一行就是一组匹配权重，和输入向量做相似度融合。
2、第63课矩阵基础
矩阵加法对应残差连接
标量乘法对应学习率缩放、注意力缩放
3、微积分联动
前向传播：矩阵 × 向量 做特征变换
反向传播：求梯度、更新矩阵参数
梯度下降：不断微调矩阵，让变换结果越来越准
微积分负责"怎么更新"，线性代数负责"怎么运算"。
至此，AI数学体系彻底咬合！
六、NumPy实战代码（可直接运行）
python
import numpy as np
权重矩阵 3行2列
W = np.array([
1, 2,
3, 4,
5, 6
])
2维输入向量
x = np.array(\[7, 8])
矩阵 × 向量
y = W @ x
print("输出特征向量：")
print(y)
运行结果就是我们手算的：23、53、83
七、本节课核心总结
- 矩阵 × 向量 = 神经网络最底层核心运算
- 本质：矩阵每行与输入向量批量做内积，重组特征
- 作用：实现升维、降维、特征提取、空间变换
- 全连接层公式 Wx+b 完全建立在本节课基础上
- 大模型所有前向传播，都是连续多次矩阵向量变换
八、随堂思考题（检验真懂）
1、矩阵乘向量，为什么可以实现维度升降？
2、神经网络全连接层 Wx+b 分别对应什么数学操作？
3、矩阵乘向量的本质，是我们第62课学的什么运算？
本专栏《AI大模型与数学》微积分→线性代数逐课递进，
不讲应试、只讲AI底层，每一课都是神经网络、Transformer的前置地基。
弄懂本节课，你终于看懂了：
神经网络不是黑盒，就是向量在矩阵规则下的层层变换。
👉 评论区打卡作答
🌟 收藏、关注专栏，下一课精讲：矩阵×矩阵乘法（Transformer批量运算核心）
彻底打通大模型全部矩阵流！