点积计算器

Q: 点积和叉积的区别？

点积得标量、任意维度、度量"同向程度"（cosθ）；叉积得向量、仅三维、度量"张开程度"（sinθ，结果为垂直于两向量的新向量）。物理对应：功用点积（标量），力矩用叉积（向量）。记法：点乘看投影，叉乘看面积。

Q: 为什么说注意力机制是点积？

Transformer 的注意力分数 = Query 向量与 Key 向量的点积：Q·K 越大，两个 token 的方向越一致、关联越强，于是分配越多注意力。再除以 √d（维度平方根）防止高维时点积数值爆炸，最后 softmax 归一化成权重——ChatGPT 理解上下文的核心就是这个"点积 → 缩放 → 归一化"三步。

Q: 做功 W = Fs cosθ 为什么时而为零？

三种零功场景：力为零、位移为零、力与位移垂直（cos90° = 0）——提着水桶水平走路，提力向上位移水平，提力不做功；卫星绕地球做圆周运动，引力指向圆心速度沿切线，万有引力也不做功（所以速率不变）。点积为零的"垂直不做功"是能量守恒分析的第一步。

Q: 点积的结果为什么没有单位向量？

点积输出的是标量——它度量「一个向量在另一个方向上的有效长度之积」，方向信息在运算中已被压缩成一个带符号的数，这正是它与叉积的本质区别。

Q: 点积可以为负数吗？

可以。夹角大于 90° 时 cosθ 为负，点积为负，表示两向量大致反向。物理中对应「力阻碍运动」的负功情形，如摩擦力做功。

Q: 什么是投影？

A 在 B 方向上的投影长度 = A·B ÷ |B|，即点积除以目标模长；再乘 B 的单位向量就得到投影向量。投影是理解点积的几何钥匙：点积 = 投影长 × |B|。

Q: 点积满足交换律吗？

满足：A·B = B·A，分量乘法天然可交换。它也满足分配律 A·(B+C) = A·B + A·C，但不满足结合律——因为点积的结果是标量，无法继续与向量做点积。

Q: 矩阵乘法和点积什么关系？

矩阵乘法就是「批量点积」：结果矩阵第 i 行第 j 列的元素 = 左矩阵第 i 行与右矩阵第 j 列的点积。理解这一点，矩阵乘法就不再是死记硬背的规则。

Q: 余弦相似度的取值范围？

对任意向量是 [−1, 1]；若所有分量非负（如词频、评分），则范围是 [0, 1]。值越接近 1 方向越一致，接近 0 表示无关，负值表示方向相反。

Q: 为什么注意力分数要除以 √d？

向量维度 d 很大时，点积的方差随 d 线性增长，softmax 会被推向极端值导致梯度消失。Transformer 论文用除以 √d 把方差归一，这是工程上对点积尺度的重要修正。

什么是点积计算器？

点积（Dot Product，又称内积、数量积）A·B = Σaᵢbᵢ：对应分量相乘再求和，结果是一个标量。几何意义 A·B = |A||B|cosθ——A 在 B 方向上的投影长度乘以 |B|。物理中的功 W = F·s 就是点积：只有力的"沿位移方向"分量做功，垂直分量白费力。

三种符号三种关系：A·B > 0 夹角 < 90°（同向趋势），= 0 严格垂直，< 0 夹角 > 90°（反向趋势）。A=(3,4)、B=(1,2)：A·B = 3+8 = 11，夹角 arccos(11 ÷ (5×2.236)) ≈ 10.3°——几乎同向。把 B 换成 (−4,3)：点积 = −12+12 = 0，立即判定垂直。

点积是机器学习的燃料：神经网络每一层都是"权重向量与输入向量做点积再加偏置"（y = w·x + b）；注意力机制用 Q·K 的点积矩阵算 token 间的关联强度；余弦相似度（点积归一化版）驱动搜索引擎与推荐系统。可以说现代 AI 就是建立在万亿次点积之上的。

点积最深刻的物理诠释是「有效分量的乘积」。推箱子时只有沿位移方向的力分量在做功，W = F·s 把这个「只有同向部分才算数」的思想写成了公式：提着水桶水平走路，向上的提力与水平位移垂直，点积为零，不做功——这正是垂直方向上「白费力」的数学表达。

在人工智能时代，点积成了最重要的相似度度量。Transformer 架构的注意力机制本质是 Query 与 Key 的点积：两个词向量点积越大，模型认为它们关联越强，分配的注意力越多。搜索引擎、人脸识别、推荐系统同样靠点积（或归一化后的余弦相似度）在海量向量中秒级找到「最像」的那一个。

A·B = a₁b₁ + a₂b₂ + … = |A||B|cosθ

A=(2, 3, −1) 与 B=(4, 0, 5) 的点积 = 2×4 + 3×0 + (−1)×5 = 8 − 5 = 3；|A|=√14 ≈ 3.74，|B|=√41 ≈ 6.40，cosθ = 3 ÷ (√14×√41) ≈ 0.125，θ ≈ 82.8°。点积为正说明夹角为锐角。

点积符号与两向量位置关系
点积 A·B	夹角 θ 范围	几何关系	典型应用
A·B > 0	0° ≤ θ < 90°	大致同向	做正功、相似度高
A·B = 0	θ = 90°（或含零向量）	相互垂直	判正交、力不做功
A·B < 0	90° < θ ≤ 180°	大致反向	做负功、相似度低
A·B = \|A\|\|B\|	θ = 0°	完全同向	投影取最大值
A·B = −\|A\|\|B\|	θ = 180°	完全反向	投影取最小值

如何使用点积计算器

1
输入向量 A 与 B（分量空格分隔，维度一致）。
2
点击计算，得点积、两模长与夹角。

计算示例

例 1A=(3, 4)、B=(1, 2)

A·B = 3×1 + 4×2 = 11。|A|=5、|B|=√5 ≈ 2.236，cosθ = 11 ÷ 11.18 ≈ 0.984，夹角 ≈ 10.30°。

例 2三维点积

A=(1, 2, 3)、B=(4, 5, 6)：A·B = 4 + 10 + 18 = 32。同样规则逐维相乘求和，维度任意扩展。

例 3斜面做功

用 100 N 的力沿与水平成 30° 的方向拉行李箱前进 20 m，做功 W = 100 × 20 × cos30° ≈ 1732 J。竖直分量被点积自动过滤掉了，这就是公式里 cosθ 的意义。

例 4判垂直

检验 (3, 4) 与 (−4, 3) 是否垂直：点积 = −12 + 12 = 0，确实垂直。平面几何中判两线垂直，点积比算斜率更稳健（斜率可能不存在）。

例 5用户相似度

两位用户对 5 部电影的评分向量 (5,4,0,3,2) 与 (4,5,1,2,3)，点积 = 20+20+0+6+6 = 52，模长分别为 √54 与 √55，余弦相似度 ≈ 0.955，口味高度接近，可以互相推荐。

注意事项

点积满足交换律（A·B = B·A）与分配律，但不定义"除法"——由 A·B = A·C 推不出 B = C。
两向量必须同维度；零向量与任何向量点积为 0。
判断垂直（正交）用点积为零是计算上最稳健的方法，避免算夹角的浮点误差。
投影长度 = A·B̂（B 的单位向量），是"把 A 折到 B 方向"的标准操作。
点积公式有两个面孔：分量形式 Σaᵢbᵢ 用于计算，几何形式 |A||B|cosθ 用于理解；两者的等价性不是显然的，证明依赖余弦定理，这也是教科书把它列为重要定理的原因。
余弦相似度（点积除以两模长）只关心方向、不关心长度：两篇长度差十倍的文档可以有相似度 0.99。如果业务关心「量」的差异，应改用欧氏距离而非余弦相似度。
数值计算中当两向量模长很大、夹角很小时，|A||B|cosθ 的浮点误差会被放大；工程实现通常先归一化再算点积，把误差控制在稳定范围。

常见问题