大家好,欢迎来到IT知识分享网。
深度学习基础 – 单位向量
有向线段-》向量-》向量放到坐标轴里-》计算向量的长度-》单位向量-》三角函数表示向量的分量
空间中的向量
有向线段 A B {AB} AB有起点A和终点B;加上箭头就是向量 A B ⃗ \vec{AB} AB,或者 v ⃗ \vec{v} v,或者 a ⃗ \vec{a} a
将向量放到坐标轴里,A和B这两个点都有各自的坐标
A = ( 1 , 2 ) A=(1, 2) A=(1,2)
B = ( 5 , 6 ) B = (5, 6) B=(5,6)
如果平面上的一个向量 v ⃗ \vec{v} v等于起点在原点 ( 0 , 0 ) (0,0) (0,0),终点在 ( v 1 , v 2 ) (v_1,v_2) (v1,v2)的向量,则向量 v ⃗ \vec{v} v的分量形式是 v ⃗ = < v 1 , v 2 > \vec{v}=<v_1,v_2> v=<v1,v2>
这样一个平面向量也就是实数的有序对 < v 1 , v 2 > <v_1,v_2> <v1,v2>,数 v 1 v_1 v1和 v 2 v_2 v2是v的分量,
向量的长度也叫向量的模
∣ v ⃗ ∣ = ( v 1 ) 2 + ( v 2 ) 2 = ( x 2 − x 1 ) 2 + ( y 2 − y 1 ) 2 \begin {aligned} |\vec{v}|=\sqrt{(v_1)^2+(v_2)^2} =\sqrt{(x_2-x_1)^2+(y_2- y_1)^2} \end {aligned} ∣v∣=(v1)2+(v2)2=(x2−x1)2+(y2−y1)2
或者说2范数
∥ X ∥ 2 : = x 1 2 + ⋯ + x n 2 . \begin {aligned} {\displaystyle \left\|{ {X}}\right\|_{2}:={\sqrt {x_{1}^{2}+\cdots +x_{n}^{2}}}.} \end {aligned} ∥X∥2:=x12+⋯+xn2.
假如向量是 v ⃗ = ( v 1 , v 2 ) \vec{v}=\left(v_{1}, v_{2}\right) v=(v1,v2) 那么计算向量长度的方法是
∥ v ⃗ ∥ = v 1 2 + v 2 2 \|\vec{v}\|=\sqrt{v_{1}^{2}+v_{2}^{2}} ∥v∥=v12+v22
举例说明 v ⃗ = ( 4 , 2 ) \vec{v}=(4,2) v=(4,2).
v 1 = 4 v_{1}=4 v1=4 和 v 2 = 2 v_{2}=2 v2=2 计算过程是
∥ v ⃗ ∥ = 4 2 + 2 2 = 20 = 2 5 \|\vec{v}\|=\sqrt{4^{2}+2^{2}}=\sqrt{20}=2 \sqrt{5} ∥v∥=42+22=20=25
双竖线与数的绝对值区分
单位向量
线性组合
v ⃗ = < a , b > = < a , 0 > + < 0 , b > = a < 1 , 0 > + b < 0 , 1 > = a i + b j \begin {aligned} \vec{v}&=<a,b>\newline &=<a,0>+<0,b>\\ &=a<1,0>+b<0,1>\\ &=ai+bj \end {aligned} v=<a,b>=<a,0>+<0,b>=a<1,0>+b<0,1>=ai+bj
一维的单位向量通常写 i i i
图中红色的是单位向量,标记为 i i i。
用单位向量表示另外两个向量分别是 2 i 2i 2i 和 7 i 7i 7i
x x x 方向的一个单位向量 i i i和 y y y 方向的一个单位向量 j j j。
可以用单位向量 i i i 和 j j j 表示出任意二维向量。下图可以通过数方格的个数,看大小.
v = 2 i − 0.5 j = 2 [ 1 0 ] − 0.5 [ 0 1 ] = [ 2 ⋅ 1 2 ⋅ 0 ] − [ 0.5 ⋅ 0 0.5 ⋅ 1 ] = [ 2 − 0.5 ] \begin{aligned} \\ v &= 2i – 0.5j \\\\ &= 2\begin{bmatrix} 1 \\\\ 0 \end{bmatrix} – 0.5\begin{bmatrix} 0 \\\\ 1 \end{bmatrix} \\\\ &= \begin{bmatrix} 2 \cdot 1 \\\\ 2 \cdot 0 \end{bmatrix} – \begin{bmatrix} 0.5 \cdot 0 \\\\ 0.5 \cdot 1 \end{bmatrix} \\\\ &= \begin{bmatrix} 2 \\\\ -0.5 \end{bmatrix} \end{aligned} v=2i−0.5j=2
10
−0.5
01
=
2⋅12⋅0
−
0.5⋅00.5⋅1
=
2−0.5
一维的情况下,单位向量 i i i 也就是向量的基底 i {i} i,也叫坐标向量
二维的情况下,单位向量 i , j i,j i,j 也就是向量的基底 i , j {i,j} i,j
三维的情况下,单位向量 i , j , k i,j,k i,j,k 也就是向量的基底 i , j , k {i,j,k} i,j,k
与正 x x x轴形成角 θ \theta θ 的单位向量v表示为
v ⃗ = < cos θ , sin θ > \vec{v}=<\cos \theta,\sin \theta> v=<cosθ,sinθ>
向量的分量与方向
1. 二维空间中的向量
在二维空间中,一个向量 v = ( v x , v y ) \mathbf{v} = (v_x, v_y) v=(vx,vy) 可以表示为:
v x v_x vx :向量在x轴方向上的分量,即向量 v \mathbf{v} v 投影到x轴上的长度。
v y v_y vy :向量在y轴方向上的分量,即向量 v \mathbf{v} v 投影到y轴上的长度。
示例
假设我们有一个向量 v = ( 3 , 4 ) \mathbf{v} = (3, 4) v=(3,4):
v x = 3 v_x = 3 vx=3,表示这个向量在x轴方向上有3个单位长度。
v y = 4 v_y = 4 vy=4,表示这个向量在y轴方向上有4个单位长度。
计算向量的模
计算方向
方向角 :向量与x轴正方向之间的夹角 θ \theta θ 可以通过以下公式计算: θ = arctan ( v y v x ) \theta = \arctan\left(\frac{v_y}{v_x}\right) θ=arctan(vxvy)
更准确地,可以使用 atan2 ( v y , v x ) \text{atan2}(v_y, v_x) atan2(vy,vx) 来考虑角度的象限。
单位向量 :向量的单位向量 v ^ \mathbf{\hat{v}} v^ 计算公式为: v ^ = ( v x ∣ v ∣ , v y ∣ v ∣ ) \mathbf{\hat{v}} = \left(\frac{v_x}{|\mathbf{v}|}, \frac{v_y}{|\mathbf{v}|}\right) v^=(∣v∣vx,∣v∣vy)
这里 v ^ \mathbf{\hat{v}} v^ 是长度为1的向量,保留了原始向量的方向信息。
2. 三维空间中的向量
在三维空间中,一个向量 v = ( v x , v y , v z ) \mathbf{v} = (v_x, v_y, v_z) v=(vx,vy,vz) 的方向可以由与坐标轴的夹角来描述:
方向余弦 :向量与三个坐标轴之间的夹角分别称为 α \alpha α、 β \beta β 和 γ \gamma γ。这些夹角的余弦值计算公式为: cos ( α ) = v x ∣ v ∣ , cos ( β ) = v y ∣ v ∣ , cos ( γ ) = v z ∣ v ∣ \cos(\alpha) = \frac{v_x}{|\mathbf{v}|}, \quad \cos(\beta) = \frac{v_y}{|\mathbf{v}|}, \quad \cos(\gamma) = \frac{v_z}{|\mathbf{v}|} cos(α)=∣v∣vx,cos(β)=∣v∣vy,cos(γ)=∣v∣vz
其中 ∣ v ∣ |\mathbf{v}| ∣v∣ 为向量的模,计算公式为: ∣ v ∣ = v x 2 + v y 2 + v z 2 |\mathbf{v}| = \sqrt{v_x^2 + v_y^2 + v_z^2} ∣v∣=vx2+vy2+vz2
单位向量 :三维空间中的单位向量 v ^ \mathbf{\hat{v}} v^ 为: v ^ = ( v x ∣ v ∣ , v y ∣ v ∣ , v z ∣ v ∣ ) \mathbf{\hat{v}} = \left(\frac{v_x}{|\mathbf{v}|}, \frac{v_y}{|\mathbf{v}|}, \frac{v_z}{|\mathbf{v}|}\right) v^=(∣v∣vx,∣v∣vy,∣v∣vz)
3. n维空间中的向量
在n维空间中,一个向量 v = ( v 1 , v 2 , … , v n ) \mathbf{v} = (v_1, v_2, \ldots, v_n) v=(v1,v2,…,vn) 的方向通过单位向量表示: v ^ = ( v 1 ∣ v ∣ , v 2 ∣ v ∣ , … , v n ∣ v ∣ ) \mathbf{\hat{v}} = \left(\frac{v_1}{|\mathbf{v}|}, \frac{v_2}{|\mathbf{v}|}, \ldots, \frac{v_n}{|\mathbf{v}|}\right) v^=(∣v∣v1,∣v∣v2,…,∣v∣vn)
其中 ∣ v ∣ |\mathbf{v}| ∣v∣ 为向量的模,计算公式为: ∣ v ∣ = v 1 2 + v 2 2 + ⋯ + v n 2 |\mathbf{v}| = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2} ∣v∣=v12+v22+⋯+vn2
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://haidsoft.com/122402.html