欧氏内积（Euclidean Inner Product）-编程实验室

欧氏内积（Euclidean Inner Product）是n维欧几里得空间（ℝ𝑛）中定义的一种基础运算，通常称为点积或数量积。它将两个向量映射为一个标量，计算规则为对应分量乘积之和，即

⟨𝑥,𝑦⟩=𝑛𝑖=1𝑥𝑖𝑦𝑖

。该内积满足对称、正定、数乘和可加性，用于定义向量的长度、角度和距离。

关键特性与定义

定义：对于向量
𝑥=(𝑥1,𝑥2,…,𝑥𝑛) 和𝑦=(𝑦1,𝑦2,…,𝑦𝑛)，欧氏内积即标准点积：
⟨𝑥,𝑦⟩=𝑥1𝑦1+𝑥2𝑦2+…+𝑥𝑛𝑦𝑛
物理/几何意义：内积
𝑥⋅𝑦 等于𝑥 的模（长度）与𝑦 在𝑥 方向上投影的乘积，也可表示为
𝑥⋅𝑦=‖𝑥‖‖𝑦‖cos𝜃，其中𝜃 是向量间夹角。
性质：
- 对称性：
  ⟨𝑥,𝑦⟩=⟨𝑦,𝑥⟩
- 正定性：
  ⟨𝑥,𝑥⟩≥0，且⟨𝑥,𝑥⟩=0 当且仅当𝑥=0
- 线性：
  ⟨𝑐𝑥+𝑦,𝑧⟩=𝑐⟨𝑥,𝑧⟩+⟨𝑦,𝑧⟩
几何应用：
- 长度（范数）：
- 夹角：
  cos𝜃=⟨𝑥,𝑦⟩‖𝑥‖‖𝑦‖
- 距离：
  𝑑(𝑥,𝑦)=‖𝑥−𝑦‖=(𝑥𝑖−𝑦𝑖)2

欧氏内积在几何、物理及机器学习中的特征向量计算中起着基础性作用。

我先按图里的几条“线索”把欧氏内积讲清楚：它既是投影长度，也是“对齐程度×长度缩放”。

1) 欧氏内积是什么

对，欧氏内积（点积）定义为

它是一个标量（有正负号）。

2) 图中最核心的几何意义：投影

上半部分的大图，在里画了两根向量 x（灰/黑）和 y（黑），并画了从 y 到 x 方向的垂足（那个直角符号）。

关键公式是：

其中 θ 是 x 与 y 的夹角。

当 x 是单位向量（∥x∥=1）时

这正是y 在 x 方向上的“有符号投影长度”。

图里沿着 x 那条斜线标出来的那段长度就是（旁边直接写了）。
直角投影说明：你把 y 垂直“摁”到 x 所在直线上，落点到原点的距离（带符号）就是内积。

符号怎么理解：

θ<90∘：同向分量为正，
θ=90∘：正交，
θ>90∘：反向分量为负，

3) 图里蓝色“拖拽”在表达什么

蓝色箭头写着 “Same stretching (parallel) … with length”（同样的伸缩/平移）。

它想强调两点：

向量可以平移不变形：把 y 平移到以 x 端点为起点的位置（图中蓝色平行移动），投影长度不变——内积只取决于方向与长度，不取决于你画在平面哪里。
内积对“沿 x 方向的分量”做测量：蓝色标出的最终那段长度就是“把 y 拉到 x 方向上能得到多少”。

图中的粉色点 v（在 y 的方向上）配合“unit ball”的圆，直观上是在告诉你：

用“单位长度”的 x 做尺子，去量 y 在 x 方向上到底有多长（就是）。

4) 下方三幅小图：∥x∥ 影响“缩放倍数”

下排分别画了：

∥x∥2<1
∥x∥2=1
∥x∥2>1

这是在强调：

(y 在 x 单位方向上的投影长度)

也就是：

x 更短（∥x∥<1）：同样的对齐程度，内积数值更小（“尺子更短，量出来更小”）。
x 是单位向量（∥x∥=1）：内积就是纯投影长度。
x 更长（∥x∥>1）：同样的对齐程度，内积被放大（“尺子更长，量出来更大”）。

5) 扩展到/ 更高维

右上角的小 3D 图写着：在更高维同样成立。原因是：
无论在几维里，x 和 y 张成的空间最多是一个二维平面；内积的几何关系（夹角、投影）都可以在这个平面里看，跟完全同构。

一句话总结

欧氏内积= “y 沿 x 方向的有符号投影长度” × “∥x∥ 的缩放”。
它衡量：两向量有多同向（cos⁡θ）以及各自有多长（∥x∥∥y∥）。

我们在这张图的基础上再“往下挖”三层：投影公式怎么从内积推出来、为什么它能当“相似度”、以及在机器学习/矩阵里它具体干什么用。

6) 从内积推出“投影向量”公式（不仅是投影长度）

图里标的是投影长度（当 ∥x∥=1 时）。更一般地，我们关心的是：

y 在 x 方向上的那一整段“影子向量”到底是什么？

设投影向量是，它一定跟 x 同方向，所以可以写成

关键是找 α。

投影的定义是：误差 y−αx与 x 正交（图里的直角符号就是这个意思）：

展开：

所以

如果 ∥x∥=1，那么，就变成
此时“投影长度”就是，跟你图里一致。

7) 为什么内积能表示“对齐程度”？——把长度因素剥离出来

图里给了，但它同时受角度和长度影响：

很多时候我们只想要“方向是否一致”，不想被长度干扰，于是用余弦相似度：

直观解释（跟图对上）：

内积 = “把 y 沿 x 方向的分量拿出来” × “∥x∥ 的缩放”
再除以 ∥y∥∥x∥，就只剩“纯对齐” cos⁡θ

8) 正交（内积为 0）到底意味着什么

这在图上就是：投影点落在原点（投影长度 0）。

更“实用”的理解：

x 方向上完全没有 y 的分量
用 x 作为“测量尺”，测不到 y 在该方向上的任何成分
在数据里经常等价于“互不干扰/不相关”（注意：统计“零相关”是更强条件，和几何正交相关但不完全等同）

9) 一个超关键的不等式：内积不会“乱跑”（柯西-施瓦茨）

图里下方强调了 ∥x∥ 会放大/缩小内积。那它的上界是什么？

等号何时成立？——当且仅当 y 与 x 共线（完全同向或反向）。

这跟图的直觉一致：

**最“对齐”**时，投影长度达到最大（就是 ∥y∥∥x∥）
越偏离，cos⁡θ 越小，内积越小

10) 跟“距离/平方长度”的关系：内积是最常用的展开工具

欧氏范数的平方可以用内积写：

两点距离平方：

这条在机器学习里非常常用：

最小二乘、K-means、SVM 的间隔计算…都离不开这类展开
你会反复看到 xTyx^{\mathsf T}yxTy 出现在“距离”和“相似度”的中间地带

11) 内积的“线性”特性：为什么它像一个测量仪器

内积对每个输入都是线性的（准确说是双线性）：

这意味着：

把看成一个“测量器”，它在不同方向上的读数会按比例叠加。

所以你图里“把 y 拖到 x 方向量长度”的直觉，其实对应了一个很深的观点：

固定 yyy，函数是一个线性函数（线性形式），就是“用 y 去读 x”。

12) 数值例子（把“投影长度/正负/缩放”一次看懂）

取

内积：

，投影长度（y 在 x 方向上的有符号长度）是：

投影向量是：

也就是说，这个例子里 y 在 x 方向上的“影子向量”刚好等于 x 本身（很直观：y 在 x 方向的分量挺大）。

如果把 yyy 换成，那么

投影长度变负，表示“主要沿 x 的反方向”。

欧氏内积（Euclidean Inner Product）