作者：你的名字 · 日期：2026-03-16
摘要：向量是现代科学与工程中最基础、最重要的概念之一。本文从直观出发，介绍向量的定义、几何表示与代数表示，讲解常见运算（加法、标量乘法、点积、叉积、投影等），并把这些概念连接到物理、计算机图形与机器学习中的实际应用，最后给出简单的代码示例和可视化建议，帮助读者把理论与实践结合起来。
1. 什么是向量？
直观上，向量是既有大小（长度）又有方向的量。最常见的例子是速度：速度既有大小（例如 10 m/s）又有指向（例如向北）。在数学上，向量既可视为“有向线段”，也可视为一个有序数列。
- 几何表示：在平面或空间中，向量常用箭头表示，箭头长度表示大小，箭头方向表示方向。
- 代数表示：在 n 维欧几里得空间中，向量可表示为一个有序数列 $v=(v_1,v_2,\dots,v_n)$。
向量与标量不同：标量只有大小（如温度、质量），没有方向。
2. 向量的基本性质
-
长度（范数）：向量 $v=(v_1,\dots,v_n)$ 的长度（或范数）定义为 $$\|v\|=\sqrt{v_1^2+\dots+v_n^2}.$$ 这是欧几里得范数（L2 范数）。
-
单位向量：将向量标准化得到的单位向量为 $\hat v=v/\|v\|$，它的长度为 1，只表示方向。
-
负向量：$-v$ 与 $v$ 大小相同但方向相反。
3. 向量运算
3.1 向量加法与数乘
向量加法是按元素相加：若 $u=(u_1,\dots,u_n)$，$v=(v_1,\dots,v_n)$，则 $$u+v=(u_1+v_1,\dots,u_n+v_n).$$
数乘（标量乘法）：若 $\alpha$ 是实数，则 $$\alpha v=(\alpha v_1,\dots,\alpha v_n).$$
这些运算满足交换律、结合律、分配律等线性代数的基本性质。
3.2 点积（内积）
点积（dot product，也叫内积）定义为 $$u\cdot v=\sum_{i=1}^n u_i v_i.$$
几何解释：$u\cdot v=\|u\|\,\|v\|\cos\theta$，其中 $\theta$ 是两向量之间的夹角。因此点积可以用来计算夹角或判断正交（当点积为 0 时，两向量正交）。
应用：在投影、相似度计算（如余弦相似度）中广泛使用。
余弦相似度定义为： $$\cos\theta=\frac{u\cdot v}{\|u\|\,\|v\|}.$$ 在文本检索与机器学习中，向量表达（embedding）经常使用余弦相似度衡量相似性。
3.3 叉积（仅在三维定义）
在三维空间，叉积 $u\times v$ 产生一个新的向量，其方向与 $u$ 和 $v$ 都垂直，大小为 $\|u\|\,\|v\|\sin\theta$（等于由 $u$ 和 $v$ 张成平行四边形的面积）。
叉积常用于计算法向量（surface normal）、三维旋转与物理学中的力矩。
4. 向量的投影与正交分解
把向量 $u$ 投影到向量 $v$ 的方向上，可以得到投影向量： $$\text{proj}_v(u)=\left(\frac{u\cdot v}{\|v\|^2}\right)v.$$ 这在最小二乘法、正交分解、Gram–Schmidt 正交化等算法中都非常重要。
当一个向量被分解成沿某方向的分量和垂直分量时，许多物理问题（比如受力分解）都可通过投影来处理。
5. 向量空间与线性变换
向量不仅仅是坐标的集合，它们构成一个具有加法与数乘的空间，称为向量空间（vector space）。在此框架下，基（basis） 是一组线性无关的向量，任何向量都可表示为基向量的线性组合。
矩阵可以看作是线性变换在给定基下的表示：若 $A$ 是 $m\times n$ 矩阵，$x\in\mathbb R^n$，则 $Ax$ 是对 $x$ 的线性变换，输出为 $\mathbb R^m$ 中的向量。
这把向量代数与计算紧密地联结起来，使我们能用矩阵运算实现坐标变换、旋转、缩放等操作。
6. 常见应用场景
6.1 物理学：力与运动
力、速度、加速度等都是向量。合力计算（向量加法）、力矩（叉积）、速度分解（投影）都直接使用向量运算。
6.2 计算机图形学
图形学中，顶点位置、法向量、光照方向、相机方向等均使用向量表示。旋转、缩放和平移可通过矩阵（或齐次坐标）对向量进行变换。法线计算依赖于叉积，光照模型经常用点积计算入射角余弦。