向量和矩阵到底有什么实际用途

结论

向量和矩阵的实际用途可以概括成一句话：

Summary

向量用来表示一组相关数字，矩阵用来表示一批向量、一个表格数据，或者一个可以作用在向量上的变换。

（附件 vector-matrix-uses.svg 未随站点发布）

图里把向量、矩阵和实际计算流程连起来：一个对象可以表示成向量，一批对象组成矩阵，矩阵计算再用于预测、搜索、图形变换等任务。

它们不是为了考试才发明的符号，而是工程、科学、计算机、AI、图形学、控制系统、数据分析中最基础的数据表达方式和计算工具。

向量是什么

向量可以理解为一组有顺序的数字：

$$x=\left[\begin{array}{c}2\\ 5\\ 7\end{array}\right]$$

这组数字可以表示很多东西。

例如一个人的特征：

$$\left[\begin{array}{c}身高\\ 体重\\ 年龄\end{array}\right]=\left[\begin{array}{c}175\\ 70\\ 30\end{array}\right]$$

也可以表示一个设备的状态：

$$\left[\begin{array}{c}温度\\ 压力\\ 电流\\ 转速\end{array}\right]$$

所以，向量的本质是：把一个对象的多个属性放在一起，作为一个整体处理。

矩阵是什么

矩阵是一张数字表：

$$A=\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right]$$

矩阵可以有两种常见理解：

1. 一批向量排在一起。
2. 一个对向量进行变换的规则。

例如有三台设备，每台设备有温度、压力、电流三个点位：

$$\left[\begin{array}{ccc}设备1温度& 设备1压力& 设备1电流\\ 设备2温度& 设备2压力& 设备2电流\\ 设备3温度& 设备3压力& 设备3电流\end{array}\right]$$

这就是一个矩阵。

用途一：表示多维数据

现实中的对象很少只有一个数字。

一个用户有：

• 年龄
• 收入
• 城市
• 购买次数
• 最近访问时间

一个设备有：

• 温度
• 压力
• 电流
• 电压
• 振动
• 运行状态

一张图片有：

• 每个像素的颜色
• 每个像素的位置
• 多个颜色通道

这些都可以用向量或矩阵表示。

Note

机器学习里的“特征向量”，本质上就是把一个样本转换成一组数字。

用途二：批量计算

如果只处理一个样本，用普通公式也可以。

但工程中通常要同时处理大量样本：

• 一百万个用户
• 十万台设备
• 几千万条日志
• 一批图片
• 一堆传感器数据

矩阵让这些数据可以批量计算。

例如线性模型：

$$y=w_1{x}_1+w_2{x}_2+w_3{x}_3$$

如果只有一个样本，可以这么算。

但如果有很多样本，就可以写成：

$$y=Xw$$

其中：

• $X$ 是样本矩阵。
• $w$ 是权重向量。
• $y$ 是预测结果向量。

这就是矩阵计算的价值：把很多重复计算压缩成一个统一公式。

用途三：表示空间位置和方向

在几何、机器人、游戏、地图和图形学中，向量可以表示位置、方向和速度。

例如二维位置：

$$\left[\begin{array}{c}x\\ y\end{array}\right]$$

三维位置：

$$\left[\begin{array}{c}x\\ y\\ z\end{array}\right]$$

速度：

$$\left[\begin{array}{c}{v}_x\\ v_y\\ v_z\end{array}\right]$$

力：

$$\left[\begin{array}{c}{F}_x\\ F_y\\ F_z\end{array}\right]$$

所以在物理和工程里，向量非常自然。

用途四：表示旋转、缩放、投影等变换

矩阵可以表示对空间的变换。

例如：

• 旋转一个图形。
• 放大或缩小一个物体。
• 把三维场景投影到二维屏幕。
• 把机器人坐标系转换到世界坐标系。
• 把地图坐标转换到屏幕坐标。

假设一个点是：

$$x=\left[\begin{array}{c}1\\ 2\end{array}\right]$$

一个矩阵 $A$ 表示某种变换，那么：

$$Ax$$

就是点 $x$ 经过变换后的新位置。

Summary

向量表示“一个点或方向”，矩阵表示“怎么移动、旋转、缩放这个点或方向”。

用途五：图像处理

一张灰度图可以看成一个矩阵：

$$\left[\begin{array}{ccc}像{素}_{1,1}& 像{素}_{1,2}& \cdots \\ 像{素}_{2,1}& 像{素}_{2,2}& \cdots \\ \cdots & \cdots & \cdots \end{array}\right]$$

彩色图片可以看成多个矩阵叠在一起：

• R 通道矩阵
• G 通道矩阵
• B 通道矩阵

很多图像处理操作都可以用矩阵完成：

• 模糊
• 锐化
• 边缘检测
• 压缩
• 去噪
• 旋转
• 缩放

例如 SVD 可以用于图像压缩：只保留主要奇异值，就能用较少数据近似原图。

用途六：机器学习和人工智能

机器学习几乎离不开向量和矩阵。

样本是向量

一个样本通常表示为特征向量：

$$x=\left[\begin{array}{c}特征1\\ 特征2\\ 特征3\end{array}\right]$$

数据集是矩阵

多个样本排在一起就是矩阵：

$$X=\left[\begin{array}{c}样本1\\ 样本2\\ 样本3\end{array}\right]$$

神经网络是矩阵计算

神经网络里最基本的一层可以写成：

$$y=Wx+b$$

其中：

• $x$ 是输入向量。
• $W$ 是权重矩阵。
• $b$ 是偏置向量。
• $y$ 是输出向量。

大模型、图像识别、语音识别、推荐系统，本质上都大量使用这种矩阵运算。

用途七：搜索、推荐和相似度计算

现在很多搜索和推荐系统会把文本、图片、用户、商品转换成向量。

例如：

• 一篇文章是一个向量。
• 一个用户兴趣是一个向量。
• 一个商品是一个向量。
• 一段语音是一个向量。

然后通过向量相似度判断它们是否接近。

常见方法是计算余弦相似度：

$$\cos (\theta )=\frac{a\cdot b}{\Vert a\Vert \Vert b\Vert }$$

如果两个向量方向接近，说明语义或特征相似。

这就是向量数据库、语义搜索、RAG、推荐系统背后的基础思想。

用途八：解方程和建模

很多实际问题可以写成线性方程组：

$$Ax=b$$

例如：

• 电路分析。
• 力学平衡。
• 资源分配。
• 生产计划。
• 网络流量估计。
• 最小二乘拟合。

矩阵可以把一堆方程压缩成一个统一形式，方便用算法求解。

关于解的情况，可以参考：。

用途九：关系网络和图结构

一个网络可以用矩阵表示。

例如社交关系：

$$A_{ij}=\{\begin{array}{ll}1,& 用户i认识用户j\\ 0,& 用户i不认识用户j\end{array}$$

这个矩阵叫邻接矩阵。

它可以表示：

• 社交网络
• 交通网络
• 知识图谱
• 设备拓扑
• 网页链接
• 供应链关系

图算法、PageRank、推荐系统、图神经网络都离不开这种矩阵表达。

用途十：降维和压缩

现实数据通常维度很高，但有效信息可能集中在少数方向上。

矩阵分解可以帮助找到主要方向：

• PCA
• SVD
• NMF
• 矩阵分解推荐算法

例如 SVD 可以把一个大矩阵近似为低秩矩阵：

$$A\approx A_k$$

这样可以减少维度、压缩数据、过滤噪声。

一个工程视角的例子

假设你有一批工业设备，每台设备每秒上报：

• 温度
• 电流
• 电压
• 转速
• 振动
• 压力

单台设备某一时刻的数据可以是一个向量：

$$x=\left[\begin{array}{c}温度\\ 电流\\ 电压\\ 转速\\ 振动\\ 压力\end{array}\right]$$

一批设备同一时刻的数据可以是一个矩阵：

$$X=\left[\begin{array}{c}设备1的特征\\ 设备2的特征\\ 设备3的特征\\ \cdots \end{array}\right]$$

之后可以做：

• 异常检测：找出偏离正常向量的设备。
• 聚类：把运行状态相似的设备分组。
• 预测：用矩阵模型预测故障概率。
• 降维：把 6 个或更多点位压缩成几个主要指标。
• 可视化：把高维状态投影到二维图上。

这就是向量和矩阵在工业数据中的实际用法。

常见误解

误解一：向量只是带箭头的线段

几何课里向量常画成箭头，但在数据分析里，向量更多表示一组特征。

误解二：矩阵只是数字表格

矩阵当然可以是表格，但更重要的是它可以表示变换、关系和批量计算。

误解三：矩阵乘法只是复杂乘法

矩阵乘法通常表示组合变换或批量线性计算。它的顺序有含义，不能随便交换。参考：矩阵乘法为什么不能交换顺序。

误解四：线性代数离业务很远

只要业务里有多指标对象、批量数据、相似度、预测、图像、推荐、搜索、路径、网络关系，就已经在使用线性代数的思想。

小结

向量和矩阵的用途非常广：

概念	实际含义	典型场景
向量	一个对象的一组数字特征	用户、设备、文本、图片、位置
矩阵	一批向量或一种变换	数据集、图像、模型参数、坐标变换
矩阵乘法	批量计算或变换复合	神经网络、图形学、线性模型
矩阵分解	找主要结构	降维、压缩、推荐、去噪

Summary

向量和矩阵的实际价值在于：它们把现实世界中的对象、关系和变换变成可计算的数字结构。