目录
1. 准备知识
1.1 NumPy 的多维数组
大家应该对多维数组都很熟悉，我不再多言。在 NumPy 模块中，可以使用 np.ndim() (
Return the number of dimensions of an array.)去获得多维数组的具体信息；用 np.shape 获得多维数组的形状。
我们先准备一个数据，可以看到这是一个二维数组，有四行三列数据。二维数据又称为矩阵。横排为行，竖排为列。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
multi_arr=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
multi_arr
1.2 矩阵乘法
1.2.1 矩阵乘法顺序
NumPy 模块提供 np.dot(A,B) 函数进行乘积计算，请注意，np.dot(A,B) 不等于 np.dot(B,A)，因为矩阵的乘法是有顺序的！
- 矩阵的乘积是通过从左边矩阵的行（横向）和右边矩阵的列（纵行）以对应元素的方式相乘后再求和而得到的，并且运算的结果保存为新的多维数组的元素。
- 所以 np.dot(A,B) 时候，A 的列数必须等于 B 的行数！
- A 为(m,n)，B 为 (n,k) 时，生成的心得多维数组元素形状为 (m,k)
1.2.2 矩阵乘法范例
范例代码如下：
multi_arr1=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
multi_arr2=np.array([[1,2],[3,4],[0,0]])
print("*"*50)
print(multi_arr1)
print("*"*50)
print(multi_arr2)
print("*"*50)
print(np.dot(multi_arr1,multi_arr2))结果如下：
详细解释一下，各个数据的来源，大家应该能看懂了吧。
[[ 7 10] # 7 = 1*1+2*3+3*0;10 = 1*2+2*4+3*0;
[19 28] # 19 = 4*1+5*3+6*0;28 = 4*2+5*4+6*0;
[31 46] # 31 = 7*1+8*3+9*0;46 = 7*2+8*4+9*0;
[43 64]]如果矩阵相乘不符合这个要求“所以 np.dot(A,B) 时候，A 的列数必须等于 B 的行数！”，那么则会报错。
2. 神经网络的内积
2.1 使用场合
神经网络内积（也称为点积或标量积）是一种基本的数学操作，它在网络的各个层次和阶段中发挥着重要作用。下面的几种作用可能大家现在还不明白，没关系，我们在后面慢慢讲。大家了解到神经网络的内积非常重要不可或缺就行。
线性变换（Linear Transformation）： 在神经网络的每一层中，输入向量与权重向量的内积用于实现线性变换。具体来说，神经元的输出是输入向量与权重向量的内积加上一个偏置（bias），然后通过激活函数进行非线性变换。 z=w⋅x+b 其中，𝑤w 是权重向量，𝑥x 是输入向量，𝑏b 是偏置，𝑧z 是线性变换的结果。
激活函数输入的计算： 计算每个神经元的激活值之前，需要将输入向量和权重向量做内积运算。这个激活值再经过非线性激活函数（如ReLU、Sigmoid或Tanh）得到最终输出。
𝑎=𝜎(𝑧)
其中，𝜎 表示激活函数，a 是激活值。
损失函数中的梯度计算： 在反向传播（Backpropagation）过程中，需要计算损失函数对权重的梯度。梯度计算中也涉及到许多内积运算，以更新权重。
∇𝑤=∂𝐿/∂𝑤
其中，L 是损失函数，∇w 是损失函数对权重的梯度。
卷积操作中的局部内积： 在卷积神经网络（CNN）中，卷积操作实际上是输入数据的局部区域与卷积核（滤波器）的内积。这种局部内积用于提取输入数据的局部特征。
相似度计算： 在一些特殊的应用场合，如推荐系统和自然语言处理中的词向量（word embedding）表示中，内积常用来计算向量之间的相似度或相异度。例如，通过内积可以计算两个向量的余弦相似度：
其中，a 和 b 是两个向量，∣∣𝑎∣∣ 和 ∣∣𝑏∣∣ 是它们的范数。
在注意力机制（Attention Mechanism）中，内积用于计算查询（query）向量与键（key）向量之间的相关性分数，这些分数用于加权求和值（value）向量以生成注意力输出。
总结来说，内积是神经网络中一种核心的数学运算，贯穿于前向传播、反向传播、特征提取和相似度计算等多个方面，是实现神经网络各类功能的基础。
2.2 Python 实现
我们可以使用 NumPy 矩阵乘法来实现神经网络的内积。
'''
要是大家觉得写得还行，给我回复几个字吧，想给博客涨涨人气，非常感谢！
'''
