矩阵乘法：附解题示例的分步指南

矩阵乘法是驱动线性代数、计算机图形学、机器学习和物理仿真的运算。然而大多数学生只是把它当作一套机械的算法来学，从未看到它为什么要这样定义。本指南同时给你算法和直觉。

先看维度规则

在计算任何东西之前，先检查维度。要做 $A \cdot B$：

• $A$ 的形状必须是 $m \times n$
• $B$ 的形状必须是 $n \times p$
• 结果 $AB$ 的形状为 $m \times p$

内侧维度必须匹配（$n = n$）；外侧维度成为结果的形状。

如果你试图用一个 $3 \times 4$ 乘以一个 $5 \times 2$，这个运算就是未定义的——再多的算术也救不了你。

行乘列的算法

$AB$ 的 $(i, j)$ 元素是 $A$ 的第 $i$ 行与 $B$ 的第 $j$ 列的点积：

$(AB)_{ij} = \sum_{k=1}^{n} A_{ik} B_{kj}$

解题示例

$A = \begin{pmatrix} 1 & 2 \\ 3 & 4 \end{pmatrix}, \quad B = \begin{pmatrix} 5 & 6 \\ 7 & 8 \end{pmatrix}$

计算 $AB$：

• $(AB)_{11} = 1\cdot 5 + 2\cdot 7 = 19$
• $(AB)_{12} = 1\cdot 6 + 2\cdot 8 = 22$
• $(AB)_{21} = 3\cdot 5 + 4\cdot 7 = 43$
• $(AB)_{22} = 3\cdot 6 + 4\cdot 8 = 50$

所以 $AB = \begin{pmatrix} 19 & 22 \\ 43 & 50 \end{pmatrix}$。

为什么乘法这样定义？

矩阵表示向量空间之间的线性映射。如果 $A$ 把 $\mathbb{R}^n$ 映到 $\mathbb{R}^m$，$B$ 把 $\mathbb{R}^p$ 映到 $\mathbb{R}^n$，那么 $AB$ 应当是这些映射的复合。行乘列规则恰恰就是产生复合的方式。这个算法并非任意——它是由"先施加 $B$，再施加 $A$"必须被 $AB$ 编码这一要求推导出来的。

性质（以及非性质！）

性质	是否成立？
$A(BC) = (AB)C$ 结合律	是
$A(B + C) = AB + AC$ 分配律	是
$AB = BA$ 交换律	一般不成立
$AB = 0 \Rightarrow A = 0$ 或 $B = 0$	否

不可交换性是相对于标量算术需要做的最大思维调整。

常见错误

• 把行列乘积相加而不是相乘（你两者都要做——先逐对相乘再求和）。
• 颠倒维度检查的顺序——必须是 $(m \times n)(n \times p)$，而不是 $(n \times m)(n \times p)$。
• 假定可交换性——即使 $BA$ 有定义，$AB$ 也可能根本没有定义。

用 AI 矩阵求解器试一试

把任意一对矩阵输入矩阵计算器，即可看到完整的逐行演算过程。

相关参考：

• 行列式计算器 —— 与 $2\times 2$ 乘积天然配套
• 逆矩阵计算器 —— 以 $AB = I$ 作为定义关系
• 向量计算器 —— 点积是每个元素的基础