向量的加法与数乘 -- 几何视角
向量加法：把两段位移拼接起来
向量可以理解为从原点出发的一支箭——有长度、有方向。
两个向量相加，就是把两段位移「拼接」在一起。
三角形法则
把第二个向量 b 的起点接到第一个向量 a 的终点。
从 a 的起点到 b 的终点的连线，就是 a + b。
直觉：「先走 a，再走 b」
平行四边形法则
以 a 和 b 为两条邻边，画一个平行四边形。
从起点出发的对角线，就是 a + b。
直觉：两种法则结果完全相同
数乘：拉伸或缩短向量
用一个标量（普通数字）去乘向量，结果是 改变向量的长度，但保持它所在的直线方向不变。
|c| > 1
拉伸
如 2v：长度 ×2
0 < |c| < 1
缩短
如 0.5v：长度 ÷2
c < 0
反转方向
如 -v：方向相反
c = 0
缩为一个点
如 0v = 零向量
数乘只改变向量的「长度」，不改变它所在直线的方向（负数反转方向但仍在同一条直线上）。
这个性质叫做
共线性——数乘前后的两个向量总是在同一条直线上。
生活例子
向量加法：导航中的多段行程
你从家出发，先向东走 300 米（向量 a = (300, 0)），再向北走 400 米（向量 b = (0, 400)）。
最终你在家的东北方向，距离 500 米处——这就是 a + b = (300, 400)。
数乘：视频倍速播放
正常速度走 5 步用 5 秒。用 2 倍速——同样的方向、同样步数，只用了 2.5 秒。
位移向量没变方向，但「每步的大小」翻倍了——这就是 2v 的效果。
反向：走回头路
你向东走了 100 米（v = (100, 0)），然后想回到原点——你需要向西走 100 米（-v = (-100, 0)）。
负号就是向量方向的「掉头」指令。
数学定义
向量加法
两个同维度的向量相加，就是对应位置的元素分别相加。
前提条件：两个向量维度必须相同，否则加法无意义。
向量减法
向量减法 = 加上反方向的向量：$ \mathbf{a} - \mathbf{b} = \mathbf{a} + (-\mathbf{b}) $
向量数乘
一个标量 c 乘以一个向量，就是把向量的每个元素都乘以 c：
运算性质速查
| 性质 | 公式 | 直觉 |
|---|---|---|
| 交换律 | $ \mathbf{a} + \mathbf{b} = \mathbf{b} + \mathbf{a} $ | 先走哪段都一样 |
| 结合律 | $ (\mathbf{a}+\mathbf{b})+\mathbf{c} = \mathbf{a}+(\mathbf{b}+\mathbf{c}) $ | 怎么分组走都一样 |
| 分配律 | $ c(\mathbf{a}+\mathbf{b}) = c\mathbf{a} + c\mathbf{b} $ | 先加再拉伸 = 先拉伸再加 |
Python 动手实践
实例
import numpy as np
# 创建两个向量
a_runoob = np.array([3, 1]) # a = (3, 1)
b_runoob = np.array([1, 2]) # b = (1, 2)
# 向量加法：对应位置相加
add_result = a_runoob + b_runoob
print("a + b =", add_result) # [4, 3]
# 向量减法
sub_result = a_runoob - b_runoob
print("a - b =", sub_result) # [2, -1]
# 数乘：每个元素乘以标量
c = 2.5
scale_result = c * a_runoob
print(f"{c} * a =", scale_result) # [7.5, 2.5]
# 负向量：方向完全相反
neg = -a_runoob
print("-a =", neg) # [-3, -1]
# NumPy 广播：标量与向量各元素直接运算
print("a + 10 =", a_runoob + 10) # 每个元素都加 10
print("a * 3 =", a_runoob * 3) # 每个元素都乘 3a + b = [4 3]
a - b = [2 -1]
2.5 * a = [7.5 2.5]
-a = [-3 -1]
a + 10 = [13 11]
a * 3 = [9 3]实例
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS', 'SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
RUnoob_a = np.array([3, 1])
RUnoob_b = np.array([1, 2])
RUnoob_sum = RUnoob_a + RUnoob_b
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
# 左图：三角形法则
for ax, title in zip(axes, ['三角形法则', '平行四边形法则']):
ax.set_xlim(-1, 6); ax.set_ylim(-1, 5)
ax.axhline(y=0, color='gray', lw=0.5); ax.axvline(x=0, color='gray', lw=0.5)
ax.set_aspect('equal'); ax.grid(True, alpha=0.3); ax.set_title(title)
# 画三角形法则
ax = axes[0]
ax.arrow(0, 0, RUnoob_a[0], RUnoob_a[1], head_width=0.2, head_length=0.2,
fc='#e74c3c', ec='#e74c3c', lw=2, label='a')
ax.arrow(RUnoob_a[0], RUnoob_a[1], RUnoob_b[0], RUnoob_b[1],
head_width=0.2, head_length=0.2, fc='#3498db', ec='#3498db', lw=2, label='b')
ax.arrow(0, 0, RUnoob_sum[0], RUnoob_sum[1], head_width=0.2, head_length=0.2,
fc='#2ecc71', ec='#2ecc71', lw=2, ls='dashed', label='a+b')
ax.legend()
# 画平行四边形法则
ax = axes[1]
ax.arrow(0, 0, RUnoob_a[0], RUnoob_a[1], head_width=0.2, head_length=0.2,
fc='#e74c3c', ec='#e74c3c', lw=2, label='a')
ax.arrow(0, 0, RUnoob_b[0], RUnoob_b[1], head_width=0.2, head_length=0.2,
fc='#3498db', ec='#3498db', lw=2, label='b')
ax.arrow(RUnoob_a[0], RUnoob_a[1], RUnoob_b[0], RUnoob_b[1],
head_width=0.2, head_length=0.2, fc='#3498db', ec='#3498db', lw=1.5, ls='dotted', alpha=0.6)
ax.arrow(RUnoob_b[0], RUnoob_b[1], RUnoob_a[0], RUnoob_a[1],
head_width=0.2, head_length=0.2, fc='#e74c3c', ec='#e74c3c', lw=1.5, ls='dotted', alpha=0.6)
ax.arrow(0, 0, RUnoob_sum[0], RUnoob_sum[1], head_width=0.2, head_length=0.2,
fc='#2ecc71', ec='#2ecc71', lw=2, ls='dashed', label='a+b')
ax.legend()
plt.tight_layout(); plt.show()交互式向量加法演示
拖动下方红色向量 a 和蓝色向量 b 的端点，观察绿色和向量 a+b 实时变化。体会三角形法则和平行四边形法则：
AI 中的应用场景
词向量的语义运算
Word2Vec 和 GloVe 等词嵌入模型最著名的发现：向量的加减法有语义含义。
减法是去掉「男性」特征分量，加法是加上「女性」特征分量。结果向量在嵌入空间中距离「女王」最近。
这种语义运算不仅限于性别——「巴黎 - 法国 + 意大利 ≈ 罗马」也是同样的原理。向量的加法和减法在此起到了「特征编辑」的作用。
神经网络中的偏置
每个神经元的计算 $ y = Wx + b $ 中，+b 就是向量加法——偏置将 wx 的结果整体平移。
如果没有偏置 b，模型在 x=0 时输出必定为 0，这严重限制了模型的表达能力。偏置相当于给每个神经元一个「默认激活值」。
梯度更新
训练时的参数更新 $ \theta_{new} = \theta_{old} - \eta \nabla J $ 就是数乘（学习率 × 梯度）与向量减法的组合。
数乘控制每步更新的大小（学习率越大步长越大），减法将参数向损失减小的方向移动。
数据预处理：均值中心化
在训练神经网络之前，通常会对数据做「减均值」操作：$ x_{norm} = x - \mu $。这就是向量减法——将数据中心平移到原点，有助于梯度下降更快收敛。
AI 思考中...