矩阵乘法计算器

矩阵乘法 AB 的第 (i,j) 元素 = A 的第 i 行与 B 的第 j 列做点积。维度铁律：A 是 m×n、B 必须是 n×p，结果 m×p——内维相同才能乘，外维决定结果形状。例：[[1,2],[3,4]] × [[5,6],[7,8]] 的 (1,1) 元素 = 1×5+2×7 = 19，(1,2) = 1×6+2×8 = 22，结果 [[19,22],[43,50]]。

矩阵乘法最重要的性质是不满足交换律：AB ≠ BA 是常态。这不是刁难而是本质——矩阵代表线性变换，AB 表示"先做 B 再做 A"，变换顺序当然影响结果（先旋转再平移 ≠ 先平移再旋转）。图形学里物体的复合变换就是一连串矩阵按序相乘，顺序错一位模型就飞到屏幕外。

矩阵乘法的现代王座在深度学习：神经网络的每一层 = 输入矩阵 × 权重矩阵，一次前向传播是几十次大矩阵相乘。GPU 之所以统治 AI，正因为它把"行乘列"这种高度规则的并行计算做到了极致——ChatGPT 一次回答背后是千亿次矩阵乘法运算，全部遵循你在这一页学到的规则。

矩阵乘法的「别扭」定义背后是最自然的需求：变换的复合。矩阵 A 表示旋转，B 表示缩放，那么「先缩放再旋转」的复合变换恰好是 AB——每个元素是 A 的一行与 B 的一列的点积，记录着「新基向量从旧基向量各拿多少分量」。这个定义一经确立，线性方程组、马尔可夫链、图论、量子力学全都有了统一的代数语言。

矩阵乘法是当代算力经济的引擎。训练神经网络的前向传播与反向传播，本质都是大规模矩阵乘法；GPU 正是靠着把矩阵乘法拆成数万个并行小块才碾压 CPU。从 Strassen 算法的 O(n^2.807) 到理论上仍未触及的下界，「矩阵乘法能算多快」至今是理论计算机科学的圣杯问题之一。

结合律 (AB)C = A(BC) 让矩阵乘法可以灵活分组：计算量最小化是计算机图形学中矩阵栈的核心优化——把多个变换矩阵预先乘成一个，再对顶点批量应用，而非每个顶点依次乘所有变换。一个 2×4 的平移旋转缩放复合矩阵只需一次乘法即可作用在 10000 个顶点上。

矩阵乘法的计算复杂度：A(m×n) × B(n×p) 需要 m×n×p 次标量乘法。当矩阵规模巨大时（如深度学习中的参数矩阵，可能达到 10⁴×10⁴ 量级），直接乘法的 O(n³) 不可接受。Strassen 算法（O(n^2.807)）、Coppersmith-Winograd 算法（O(n^2.376)）和现代 GPU 上的矩阵分块优化都是针对这一瓶颈的改进。

矩阵乘法在数据科学中无处不在：神经网络每一层的前向传播就是输入向量（或批量输入矩阵）乘以权重矩阵再加偏置——每次推理都在执行数十到数百次矩阵乘法。推荐系统中的协同过滤也归结为稀疏矩阵的乘法运算。掌握矩阵乘法是理解现代 AI 的基础。