ベクトルの内積

当サイトではアフィリエイトプログラムを利用して商品を紹介しています。

【Pythonで学ぶ線形代数学講座(3)】ベクトルの内積
今回はベクトル同士の掛け算について学びます。ベクトルの掛け算には、内積と外積の2種類がありますが、今回は内積について考えます。内積の計算方法は特に難しくありませんが、「ベクトルの向きを揃えて掛ける」と考えるとイメージしやすいかと思います。機械学習の分野で頻繁に登場する概念なので、定義と実装方法についてマスターしておきましょう。外積については少し先の講座[09]で解説します

内積の定義と性質

ベクトルの 内積 (inner product) は要素同士の積の総和として定義されます。
 
たとえば、$\boldsymbol{v}=\begin{bmatrix}2\\3\end{bmatrix}$ と $\boldsymbol{w}=\begin{bmatrix}5\\1\end{bmatrix}$ の内積は
 \[\boldsymbol{v}\cdot\boldsymbol{w}=\begin{bmatrix}2\\3\end{bmatrix}\cdot\begin{bmatrix}5\\1\end{bmatrix}=2\times 5+3\times 1=13\tag{1}\]
のように計算できます。3 次元以上も同様で、一般に $n$ 次元ベクトル同士の内積は
 \[\begin{align*}\boldsymbol{v}\cdot\boldsymbol{w}=&\begin{bmatrix}v_1\\v_2\\\vdots\\v_n\end{bmatrix}\cdot\begin{bmatrix}w_1\\w_2\\\vdots\\w_n\end{bmatrix}\\[6pt]=&v_1\cdot w_1+v_2 \cdot w_2+\ \cdots\ +v_n\cdot w_n\end{align*}\tag{2}\]
と定義されます。ベクトル $\boldsymbol{v}$ の自身との内積、すなわち $\boldsymbol{v}\cdot\boldsymbol{v}$ は ベクトルの大きさ(ノルム)に等しくなっています:
 \[\boldsymbol{v}\cdot\boldsymbol{v}=v_1^2+v_2^2+\ \cdots\ +v_n^2=\parallel\boldsymbol{v}\parallel^2\tag{3}\]
すなわち、ベクトル $\boldsymbol{v}$ の大きさは内積を使って
 \[\parallel\boldsymbol{v}\parallel=\sqrt{\boldsymbol{v}\cdot\boldsymbol{v}}\tag{4}\]
のように表せます。

内積演算においては、交換法則、結合法則、分配法則が成り立ちます。
 \[\begin{align*}&\boldsymbol{v}\cdot\boldsymbol{w}=\boldsymbol{w}\cdot\boldsymbol{v}\tag{5}\\[6pt]&c(\boldsymbol{v}\cdot\boldsymbol{w})=(c\boldsymbol{v})\cdot\boldsymbol{w}\tag{6}\\[6pt]&(\boldsymbol{u}+\boldsymbol{v})\cdot\boldsymbol{w}=\boldsymbol{u}\cdot\boldsymbol{w}+\boldsymbol{v}\cdot\boldsymbol{w}\tag{7}\end{align*}\]
もう少し先の記事で行列について学ぶことになりますが、ベクトル $\boldsymbol{v},\ \boldsymbol{w}$ を $1$ 列の行列と考えて、内積を $\boldsymbol{v}^T\boldsymbol{w}$ と表記することもできます。$\boldsymbol{v}^T$ は $\boldsymbol{v}$ を転置して要素を横に並べた行ベクトルです。
 \[\boldsymbol{v}^T=\begin{bmatrix}v_1&v_2&…&v_n\end{bmatrix}\tag{8}\]
行列表記と整合性がとれるので、講座の後半では行ベクトルによる表記が増えると思います。行ベクトルを $\boldsymbol{v}=(v_1,\ v_2,\ …)$ と混同しないように注意してください。$()$ で括ってカンマで区切るベクトルは、普段使っている列ベクトルを便宜上横書きにしているだけです。

numpy.dot()

numpy.dot(a, b) は行列積を計算する関数です。a, b に 1 次元配列(ベクトル)をわたせば内積を返します (1 列の行列同士の積はベクトルの内積と同じです)。

# numpy_inner_product_1

# In[1]

import numpy as np

# ベクトルv=[3 2 6]
v = np.array([3, 2, 6])

# ベクトルw=[4 7 2]
w = np.array([4, 7, 2])

# vとwの内積を計算
ip = np.dot(v, w)

print(ip)
# 38

ndarray.dot()

配列 (ndarrayオブジェクト) には内積を計算する dot() メソッドがあります。

# In[2]

# ベクトルv=[3 2 6]
v = np.array([3, 2, 6])

# ベクトルw=[4 7 2]
w = np.array([4, 7, 2])

# vとwの内積を計算
ip = v.dot(w)

print(ip)
# 38

numpy.vdot()

numpy.vdot(a, b) にベクトル(1 次元配列)を渡して内積を計算できます。

# numpy_inner_product_2

# In[1]

import numpy as np

# ベクトルv=[7+2i 3+i]
v = np.array([7 + 2j, 3 + 1j])

# ベクトルw=[4+5i 8]
w = np.array([4 + 5j, 8])

# vとwの内積を計算
ip = np.dot(v, w)

print(ip)
# 42+51j

numpy.vdot() の引数 a, b に 2 次元以上の配列を渡すと、1 次元配列に平坦化してから内積を計算します(テンソル複内積)。

# In[2]

# 行列a
a = np.array([[1, 4],
              [3, 5]])

# 行列b
b = np.array([[3, 7],
              [4, 9]])

# 1*3+4*7+3*4+5*9
ip = np.vdot(a, b)

print(ip)
# 88

numpy.inner()

numpy.inner(a, b) にベクトル (1 次元配列) を渡して内積を計算することができます。

# numpy_inner_product_3

# In[1]

import numpy as np

# ベクトルv=[2 5 0]
v = np.array([2, 5, 0])

# ベクトルw=[3 1 4]
w = np.array([3, 1, 4])

# vとwの内積を計算
ip = np.inner(v, w)

print(ip)
# 11

引数 a, b に行列を渡すと、a と b.T の行列積を返します (b.T は b の転置行列)。すなわち、np.dot(a, b.T) と同じ結果を返します。

内積の幾何学的意味

ベクトル $\boldsymbol{v}$ と $\boldsymbol{w}$ のなす角を $\theta$ とすると、二つのベクトルの内積は
 \[\boldsymbol{v}\cdot\boldsymbol{w}=\parallel\boldsymbol{v}\parallel\parallel\boldsymbol{w}\parallel\cos\theta\tag{10}\]
と表されます。この定義は (1) と同値であり(余弦定理を使って証明できます)、幾何学的には下図のように $\boldsymbol{v}$ の射影と $\boldsymbol{w}$ の長さの積を意味します。
 
ベクトルの内積 (dot product)
2 つのベクトルのなす角度が直角であるとき、射影がなくなるので内積は $0$ になることがわかります(下図)。
 
直交するベクトルの内積はゼロ
たとえば、$\begin{bmatrix}1\\0\end{bmatrix}$ と $\begin{bmatrix}0\\1\end{bmatrix}$ は互いに直交するので内積は $0$ です。
 
また、式 (10) より、ベクトル $\boldsymbol{v}$ と $\boldsymbol{w}$ の間の角度の余弦 (cosine) は
 \[\cos\theta=\frac{\boldsymbol{v}\cdot\boldsymbol{w}}{\parallel\boldsymbol{w}\parallel\parallel\boldsymbol{v}\parallel}\tag{11}\]
となるので、$\cos$ の逆関数 $\mathrm{Arccos}$ を使うと、
 \[\theta=\mathrm{Arccos}\left(\frac{\boldsymbol{v}\cdot\boldsymbol{w}}{\parallel\boldsymbol{v}\parallel\parallel\boldsymbol{w}\parallel}\right)\tag{12}\]
によって角度を計算できます。4 次元以上のベクトルのなす角度も(想像するのは難しいですが)、(12) で定義できます。Python で角度を求める関数を実装してみましょう。

# python_vector_angle

# In[1]

import numpy as np

# 2つのベクトルのなす角度を求める関数
def v_angle(v1, v2, deg = False):

    # v1とv2の大きさ(ノルム)を計算
    v1_n = np.linalg.norm(v1)
    v2_n = np.linalg.norm(v2)

    # v1とv2の内積を計算
    v1_dot_v2 = np.dot(v1, v2)

    # 角度の余弦を計算
    cos_theta = v1_dot_v2 / (v1_n * v2_n)

    # 逆三角関数を使って角度を計算
    theta = np.arccos(cos_theta)

    # 引数degがTrueならば、角度を度数単位(degree)に変換
    if deg == True:
        theta = np.degrees(theta)

    return theta

deg は結果を度数法単位 (deg) とラジアン (rad) のどちらで返すか決定するオプション引数です。デフォルトでは False に設定されているので、この引数を省略するとラジアンで返してきます。
 
v_angle() を使って、$\begin{bmatrix}1\\0\end{bmatrix}$ と $\begin{bmatrix}1\\\sqrt{3}\end{bmatrix}$ の間の角度を求めてみましょう。
 
deg は True に設定して結果を度数単位で返すようにします。

# In[2]

# ベクトルを定義
v = np.array([1, 0])
w = np.array([1, np.sqrt(3)])

# vとwの間の角度を計算
theta = v_angle(v, w, deg = True)

print("θ = {:.3f}".format(theta))
# θ = 60.000

 

コメント

  1. HNaito より:

    下記は誤植と思われますので、ご確認ください。
    式(11)の上の文章で、式(6)より → 式(10)より
    式(12)の下の文章で、(2)で定義 → (12)で定義

  2. あとりえこばと より:

    【AI連載小説】科学とコードの交差点(62)
    「Pythonで内積を計算しよう」
     
    開誠がホワイトボードにベクトル $\mathbf{v}$ とベクトル $\mathbf{w}$ を書きながら、内積の定義について説明しています。

    開誠:こちらがベクトル $\mathbf{v} = [v_1, v_2, \ldots, v_n]$ とベクトル $\mathbf{w} = [w_1, w_2, \ldots, w_n]$ だ。ベクトルの内積 $\mathbf{v} \cdot \mathbf{w}$ は $v_1 \cdot w_1 + v_2 \cdot w_2 + \ldots + v_n \cdot w_n$ で表されるよね。

    美純は興味津々でホワイトボードを見つめ、明信はノートパソコンを操作しながら関数を実装しようとしています。
     
    明信:では、これを関数にしてみよう。

    def calculate_dot_product(vector1, vector2):
        # 各要素同士を掛けて足し合わせる
        dot_product = sum([v1 * v2 for v1, v2 in zip(vector1, vector2)])
        
        return dot_product

    美純はホワイトボードの数式を見ながら頷き、開誠は手元のノートでメモをとりながら次のステップに進みます。
     
    開誠:これで $\mathbf{v} \cdot \mathbf{w}$ を計算する関数ができたよ。例えば、$\mathbf{v} = [1, 2, 3]$ と $\mathbf{w} = [4, 5, 6]$ だったらどうなるか試してみよう。
     
    明信がコードを実行し、結果が表示されます。

    # ベクトルを定義
    vector_v = [1, 2, 3]
    vector_w = [4, 5, 6]
    
    # 内積を計算
    result = calculate_dot_product(vector_v, vector_w)
    
    print(f"The dot product of {vector_v} and {vector_w} is {result}")
    
    # 実行結果:
    # The dot product of [1 2 3] and [4 5 6] is 32

    開誠:これでベクトルの内積を計算する関数が使えるようになったね。