np.dot(v1, v2) 結果是多少？NumPy 向量矩陣運算識別
原題
依據附圖程式碼進行資料處理，下列何者正確？
import numpy as np
v1 = np.array([1, 2, 3])
v2 = np.array([4, 5, 6])
A = np.array([[1, 2], [3, 4]])
白話
程式碼定義了兩個向量 v1=[1,2,3]、v2=[4,5,6]，和一個 2×2 矩陣 A=[[1,2],[3,4]]。題目問這四個操作哪一個描述正確：linalg.inv 算什麼、v1 * v2 是什麼、np.dot(v1,v2) 的結果、linalg.eig 算什麼。
問你：哪一個描述正確說出了該 NumPy 函數的功能或計算結果？
先自己選一個答案，再看完整解析。
一句話總結
np.dot(v1, v2) 計算兩個向量的內積：1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32，返回純量 np.int64(32)，這是選項 C 正確描述的結果。
情境
先感受問題：四個 NumPy 函數，哪個描述配哪個？
「資料創智」的初級工程師陳亦宏在學 NumPy，遇到了一批考題。他需要把四個 NumPy 函數的名稱和它們的功能配對起來：
np.linalg.inv(A) → 算什麼？
v1 * v2 → 是元素相乘還是內積？
np.dot(v1, v2) → 算什麼？結果是多少？
np.linalg.eig(A) → 算什麼？
這四個函數在 ML 裡都很常見：線性代數（矩陣反矩陣、特徵值）和向量運算（點積）是神經網路、PCA、線性迴歸的數學基礎。
選項 C 說 np.dot(v1, v2) = np.int64(32)，需要確認這個計算是否正確。
舊方法
四個 NumPy 操作各自做什麼？
- np.linalg.inv(A)：計算矩陣 A 的「反矩陣（Inverse Matrix）」，不是行列式。滿足 A × inv(A) = 單位矩陣 I。行列式要用 np.linalg.det(A) 計算。inv 和 det 是完全不同的東西：inv 返回一個矩陣，det 返回一個純量。
- v1 * v2（星號乘法）：在 NumPy 中，* 對陣列做「元素對元素（element-wise）」的乘法，結果是 [1×4, 2×5, 3×6] = [4, 10, 18]，不是 [5, 7, 9]。[5, 7, 9] 是加法（v1 + v2）的結果，不是乘法。
- np.dot(v1, v2)：計算「內積（Dot Product）」，是對應元素相乘後加總：1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32。返回一個純量（不是陣列），資料型別是 np.int64。
- np.linalg.eig(A)：計算矩陣 A 的「特徵值和特徵向量（Eigenvalues and Eigenvectors）」，不是反矩陣。返回 (eigenvalues, eigenvectors)，是 PCA 和主成分分析的核心計算。
- 混淆 inv / det / eig 的根本原因：三個函數都在 np.linalg 子模組下，縮寫接近（inv、det、eig），考試容易把功能互換。記法：inv = inverse（反矩陣，矩陣輸出）；det = determinant（行列式，純量輸出）；eig = eigenvectors（特徵值向量，tuple 輸出）。
新方法
驗算 np.dot(v1, v2) = 32
陳亦宏逐步計算 np.dot(v1, v2)：
v1 = [1, 2, 3]
v2 = [4, 5, 6]
np.dot(v1, v2) = v1[0]×v2[0] + v1[1]×v2[1] + v1[2]×v2[2]
= 1×4 + 2×5 + 3×6
= 4 + 10 + 18
= 32
返回類型：np.int64(32)（因為 v1 和 v2 的元素都是整數，點積也是整數）
選項 C 完整且正確地描述了 np.dot 的計算結果。
這就是選項 C 講的：np.dot(v1, v2) 結果為 np.int64(32)。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
Step 1 純故事版
想像向量是「有方向的箭頭」。v1 = [1,2,3] 是一個在 3D 空間中的箭頭，v2 = [4,5,6] 是另一個。np.dot(v1, v2) = 32 代表這兩個箭頭「指向相似方向的程度」（投影）。如果兩個向量垂直，點積 = 0；同向時點積最大。這個操作是餘弦相似度計算的基礎，也是神經網路每一層加權計算的核心數學。
Step 2 NumPy 函數對照表
| 函數 | 功能 | 本題結果 |
|---|---|---|
| v1 * v2 | 元素對元素乘法 | array([4, 10, 18]) |
| v1 + v2 | 元素對元素加法 | array([5, 7, 9]) |
| np.dot(v1, v2) | 向量內積（點積） | np.int64(32) |
| np.linalg.inv(A) | 反矩陣 | array([[-2., 1.], [1.5, -0.5]]) |
| np.linalg.det(A) | 行列式 | -2.0 |
| np.linalg.eig(A) | 特徵值和特徵向量 | (array([-0.37, 5.37]), vectors) |
Step 3 符號角色表
- Dot Product（內積）：兩個向量對應元素相乘後加總，結果是純量，公式：v1·v2 = Σ v1[i] × v2[i]
- Element-wise（元素對元素）：對兩個陣列對應位置的元素各自做操作，結果仍是陣列
- Inverse Matrix（反矩陣）：滿足 A × A⁻¹ = I 的矩陣，np.linalg.inv 計算
- Determinant（行列式）：方陣的一個純量，np.linalg.det 計算，反矩陣存在的條件是行列式不為 0
- Eigenvalue（特徵值）：滿足 Av = λv 的純量 λ，np.linalg.eig 計算
Step 4 完整計算驗算
v1 = [1, 2, 3], v2 = [4, 5, 6] v1 * v2 (element-wise): [1×4, 2×5, 3×6] = [4, 10, 18] ← 不是 [5,7,9] np.dot(v1, v2) (dot product): 1×4 + 2×5 + 3×6 = 4 + 10 + 18 = 32 ← 正確 A = [[1, 2], [3, 4]] np.linalg.det(A): 1×4 - 2×3 = 4 - 6 = -2.0 np.linalg.inv(A): (1/det) × [[4, -2], [-3, 1]] = (1/-2) × [[4, -2], [-3, 1]] = [[-2, 1], [1.5, -0.5]] ← 不是行列式 np.linalg.eig(A): 特徵值 λ 滿足 det(A - λI) = 0 (1-λ)(4-λ) - 6 = 0 λ² - 5λ - 2 = 0 λ ≈ -0.37 或 5.37 ← 特徵值，不是反矩陣
Step 5 自我複述
- np.dot(v1, v2) 和 v1 * v2 的差別是什麼？各返回什麼類型？
- np.linalg.inv(A) 和 np.linalg.det(A) 各返回什麼？兩者的關係是什麼？
- 如果矩陣 A 的行列式為 0，np.linalg.inv(A) 會發生什麼？
- np.linalg.eig(A) 返回什麼？如何提取特徵值和特徵向量？
- 兩個向量的點積等於 0 代表什麼幾何意義？
錯選項
為什麼其他選項是錯的
Anp.linalg.inv 計算行列式
字面在說什麼
np.linalg.inv(A) 計算矩陣 A 的行列式。
為什麼不對
inv 是 inverse（反矩陣），不是 determinant（行列式）。計算行列式要用 np.linalg.det(A)。反矩陣返回一個和 A 同形狀的矩陣（本題是 2×2），行列式返回一個純量。兩者是完全不同的線性代數操作，雖然都和「可逆性」有關（行列式不為 0 才有反矩陣），但計算方法和結果形式完全不同。
誰會選錯
把 inv（反矩陣）和 determinant（行列式）的名稱混淆，或記不住各函數縮寫含義的人。
Bv1 * v2 = [5, 7, 9]
字面在說什麼
v1 和 v2 用星號相乘的結果是 [5, 7, 9]。
為什麼不對
[5, 7, 9] 是 v1 + v2 的結果（1+4=5, 2+5=7, 3+6=9），不是 v1 * v2。v1 * v2 在 NumPy 中是 element-wise 乘法：[1×4, 2×5, 3×6] = [4, 10, 18]。這是「加法和乘法」的基礎混淆，是考試中最常見的計算失誤。
誰會選錯
不熟悉 NumPy 的 element-wise 乘法語義，直覺上把 * 操作的結果當加法算的人。
Dnp.linalg.eig 計算反矩陣
字面在說什麼
np.linalg.eig(A) 計算矩陣 A 的反矩陣。
為什麼不對
eig 是 eigenvector/eigenvalue（特徵值/特徵向量），不是 inverse（反矩陣）。np.linalg.eig(A) 返回一個包含兩個元素的 tuple：(特徵值陣列, 特徵向量矩陣)。反矩陣要用 np.linalg.inv(A)。eig 和 inv 的縮寫非常不同，但考試中容易因為「都在 linalg 下」而混淆。
誰會選錯
沒有記住 NumPy linalg 子模組各函數縮寫含義，在 inv、det、eig 三個函數之間混淆的人。
變形題
同個考點下次怎麼變形
答案
會改變。v1 = np.array([1.0, 2.0, 3.0])，v2 = np.array([4.0, 5.0, 6.0])，np.dot(v1, v2) = np.float64(32.0)。NumPy 根據輸入的資料型別決定輸出類型，整數輸入 → int64，浮點數輸入 → float64。考試有時會考類型敏感的題目，要注意。
答案
會報錯（ValueError: shapes (2,2) and (3,) not aligned）。矩陣-向量乘法要求矩陣的列數等於向量的長度：A(m×n) × v(n) = result(m)。A 是 2×2，v1 是長度 3，維度不匹配。本題的 v1、v2 都是長度 3，所以點積可以計算；A 是 2×2，若要和向量相乘需要長度 2 的向量。
答案
np.dot(v1, v2) 對兩個一維向量計算內積，返回純量。np.dot(A, B) 對兩個二維矩陣計算矩陣乘法，返回矩陣，要求 A 的列數等於 B 的行數。Python 3.5 之後可用 @ 運算符做矩陣乘法（A @ B），更清楚。np.dot 和 @ 在矩陣乘法上結果相同，但 np.dot 在多維陣列的行為較複雜，現代 NumPy 程式碼偏好用 @。
答案
點積是多個 ML 操作的基礎：（1）神經網路的全連接層：每個神經元的輸出 = np.dot(weights, input) + bias；（2）餘弦相似度：cos(θ) = dot(v1, v2) / (||v1|| × ||v2||)，本題 dot=32，||v1||=√14，||v2||=√77，相似度約 0.974；（3）線性迴歸：預測值 = np.dot(X, w) + b；（4）注意力機制：Query × Key 的點積。
答案
線性迴歸的解析解：w = (XᵀX)⁻¹ × Xᵀy，直接用反矩陣求最優權重（不需要梯度下降）。這在資料量小的時候很有效，但 XᵀX 是 p×p 的矩陣（p 是特徵數），計算反矩陣的複雜度是 O(p³)，特徵數很多時就很慢，這是大型 ML 問題通常改用梯度下降的原因。
延伸
想再往下看，這 5 個
- 餘弦相似度（Cosine Similarity）
np.dot(v1, v2) 是計算餘弦相似度的基礎步驟，是 NLP 和推薦系統中最常用的向量相似度度量。 - 主成分分析（PCA）
np.linalg.eig 是 PCA 的核心計算：對協方差矩陣做特徵值分解，找出最大變異量方向。 - 特徵值（Eigenvalue）
np.linalg.eig 計算的輸出，代表每個主成分方向能解釋的變異量大小，PCA 降維的決策依據。 - 矩陣分解（Matrix Factorization）
推薦系統和降維的重要技術，依賴 NumPy 的矩陣運算（linalg.svd 等），是 np.dot 矩陣乘法的擴展應用。 - 神經網路（Neural Network）
每一層的前向傳播本質是矩陣-向量乘法（np.dot 或 @），是 NumPy 線性代數操作在 ML 中最直接的應用。