从直线到神经网络：揭秘矩阵向量乘法

数学中最深刻的真理往往始于最简单的形式。一条直线方程蕴藏的智慧，如何演变为深度学习的基石？让我们从二维平面出发，穿越高维空间，揭示矩阵乘法如何驱动人工智能革命。

一、从二维直线到高维空间：线性代数的升维解读

1.1 熟悉的起点：y = ax + b

在数学启蒙阶段，我们学习的第一个函数y=ax+b像一把直尺：

• 斜率a：控制直线倾斜程度
• 截距b：决定与y轴的交点位置
• 几何本质：一维输入到一维输出的线性映射

1.2 高维进化：Y = WX + B

当输入变为特征向量（如[身高，体重，年龄]），输出变为多维结果时，方程进化为：

Y = W * X + B

• 参数解析：

  • X：输入向量（n维特征）
  • W：权重矩阵（m×n维）
  • B：偏置向量（m维）
  • Y：输出向量（m维）

• 几何意义突破：

  • 不再是二维平面中的直线
  • 而是n维空间到m维空间的线性变换
  • 可分解为三大空间操作：
    1. 旋转（改变坐标轴方向）
    2. 缩放（调整特征权重）
    3. 平移（偏移坐标原点）

1.3 关键计算本质

每个输出分量都是输入的加权和：

y_i = w_{i1}x1 + w_{i2}x2 + ... + w_{in}xn + b_i

权重矩阵W的每一行都是一个特征提取器，混合原始特征调制出新特征。

💡 核心洞察：当m=1时，WX+B=0在n维空间定义(n-1)维超平面——这就是分类决策边界！

二、神经网络中的蜕变：线性与非线的共舞