矩阵相乘公式｜矩阵相乘运算公式全面解析

从维度匹配到具体计算，从常见误区到工程应用，本文系统梳理矩阵乘法的核心逻辑与实战技巧，助您彻底掌握这一线性代数基础工具。

矩阵乘法的定义与核心公式

在数学中，矩阵相乘公式并非简单的元素对应相乘，而是基于严格的维度匹配与线性变换逻辑。两个矩阵 A 和 B 可乘的充要条件是：A 的列数必须等于 B 的行数。

设矩阵 A ∈ ℝ^m×n，矩阵 B ∈ ℝ^n×p，则其乘积 C = AB 是一个 m×p 的矩阵，其中每个元素 c_ij 定义为：

c_ij = ∑_k=1ⁿ a_ik · b_kj

上述公式揭示了矩阵乘法的本质：矩阵相乘运算公式本质上是行向量与列向量的点积运算。A 的第 i 行与 B 的第 j 列对应位置相乘后求和，得到结果矩阵 C 的第 (i,j) 项。

? 矩阵乘法的几何意义

从线性变换角度看，矩阵乘法表示两个线性变换的复合。例如，若矩阵 A 表示旋转操作，矩阵 B 表示缩放操作，则 AB 表示先缩放后旋转的复合变换。这种“先变换再变换”的逻辑，正是矩阵乘法区别于普通数值乘法的关键所在。

关于矩阵乘法的三大常见误区

❌

误区一：所有矩阵都能相乘

这是最普遍的错误认知。矩阵乘法对维度有严格要求：A 的列数必须等于 B 的行数。例如，3×2 矩阵不能与 4×3 矩阵相乘，因为 2 ≠ 4。若强行计算，将导致维度不匹配，结果无定义。

❌

误区二：AB = BA 恒成立

矩阵乘法不满足交换律！即使 AB 和 BA 都有定义（如 A 和 B 均为方阵），AB 与 BA 通常不相等。例如，当 A 是 2×3 矩阵、B 是 3×2 矩阵时，AB 是 2×2 矩阵，而 BA 是 3×3 矩阵，维度已不同，更不可能相等。

❌

误区三：单位矩阵乘法无意义

单位矩阵 I 在乘法中起到“1”的作用：AI = IA = A（当维度匹配时）。例如，3×3 单位矩阵左乘任意 3×n 矩阵，结果不变；右乘任意 m×3 矩阵，结果亦不变。但若维度不匹配（如用 2×2 单位矩阵去乘 3×4 矩阵），则运算无法进行。

矩阵乘法四步计算法

第一步：维度检查

设矩阵 A 为 m×n 型，矩阵 B 为 p×q 型。只有当 n = p 时，AB 才有定义。此时结果矩阵 AB 的维度为 m×q。

A 的列数 = B 的行数 → 可乘
A 的列数 ≠ B 的行数 → 不可乘
结果矩阵行数 = A 的行数，列数 = B 的列数

第二步：行列配对

AB 的第 i 行第 j 列元素，由 A 的第 i 行与 B 的第 j 列计算得出。注意：是 A 的“行”与 B 的“列”配对，而非行与行或列与列。

A 的第 i 行

a_i1

a_i2

…

a_in

B 的第 j 列

b_1j

b_2j

…

b_nj

第三步：点积计算

对配对的行向量与列向量执行点积运算：对应位置相乘后累加求和。

c_ij = a_i1·b_1j + a_i2·b_2j + … + a_in·b_nj

关键提示：每项乘积的索引必须满足“行索引固定、列索引递增”（对行向量）与“行索引递增、列索引固定”（对列向量）。

第四步：结果整合

重复前三步，计算所有 m×p 个元素，填入结果矩阵 C。注意：计算顺序可自由选择（按行、按列或按对角线），但必须保证所有位置都被覆盖。

? 计算顺序建议

初学者推荐按“行优先”顺序：先计算 C 的第 1 行所有元素，再计算第 2 行……直至第 m 行。熟练后可采用“对角线法”提升效率：先计算主对角线方向的元素（c₁₁, c₂₂, c₃₃…），再计算其周围元素。

经典实例：3×2 与 2×3 矩阵相乘

设矩阵 A 为 3×2 型，矩阵 B 为 2×3 型：

A =

B =

✅ 步骤一：维度验证

A 是 3 行 2 列（3×2），B 是 2 行 3 列（2×3）。由于 A 的列数（2）等于 B 的行数（2），因此 AB 有定义，结果为 3×3 矩阵。

✅ 步骤二：逐元素计算

计算 c₁₁（A 第 1 行 × B 第 1 列）：
c₁₁ = 1×4 + 2×7 = 4 + 14 = 18

计算 c₁₂（A 第 1 行 × B 第 2 列）：
c₁₂ = 1×5 + 2×8 = 5 + 16 = 21

计算 c₁₃（A 第 1 行 × B 第 3 列）：
c₁₃ = 1×6 + 2×9 = 6 + 18 = 24

计算 c₂₁（A 第 2 行 × B 第 1 列）：
c₂₁ = 3×4 + 4×7 = 12 + 28 = 40

计算 c₂₂（A 第 2 行 × B 第 2 列）：
c₂₂ = 3×5 + 4×8 = 15 + 32 = 47

计算 c₂₃（A 第 2 行 × B 第 3 列）：
c₂₃ = 3×6 + 4×9 = 18 + 36 = 54

计算 c₃₁（A 第 3 行 × B 第 1 列）：
c₃₁ = 5×4 + 6×7 = 20 + 42 = 62

计算 c₃₂（A 第 3 行 × B 第 2 列）：
c₃₂ = 5×5 + 6×8 = 25 + 48 = 73

计算 c₃₃（A 第 3 行 × B 第 3 列）：
c₃₃ = 5×6 + 6×9 = 30 + 54 = 84

✅ 最终结果

AB =

18	21	24
40	47	54
62	73	84

验证结果：3×2 × 2×3 = 3×3，符合维度规则；所有计算步骤均满足点积定义，结果正确。

? 进阶技巧：分块矩阵乘法

当矩阵较大时，可将其划分为若干子块，对子块进行矩阵乘法。例如将 4×4 矩阵分为四个 2×2 子块，再按常规公式计算子块乘积。此方法在计算机图形学与大规模线性系统求解中广泛应用。

矩阵乘法发展时间轴

年

Arthur Cayley 在论文中首次系统定义矩阵乘法，提出“矩阵的乘积”概念，为现代线性代数奠定基础。

年

James Joseph Sylvester 引入“矩阵”（matrix）一词，源自拉丁语“母体”，强调矩阵作为线性变换载体的本质。

年

量子力学诞生，矩阵力学由海森堡提出，矩阵乘法成为描述物理可观测量非对易性的核心工具。

年代

计算机诞生后，矩阵乘法算法（如分治法、Strassen 算法）成为数值计算研究热点，推动高性能计算发展。

年代

深度学习兴起，矩阵乘法成为神经网络前向/反向传播的核心操作，GPU 专为矩阵运算优化设计。

年代

稀疏矩阵乘法、低秩近似、量子矩阵乘法等前沿方向持续发展，拓展矩阵理论的应用边界。

网友还关心：矩阵相乘常见问题

为什么矩阵乘法不满足交换律？

交换律要求 AB = BA，但矩阵乘法的维度规则决定了多数情况下 AB 与 BA 甚至维度不同。即使两者维度相同（如 A 和 B 均为 n×n 方阵），运算结果也通常不等。

例如：设 A = [[1,2],[3,4]]，B = [[0,1],[1,0]]，则 AB = [[2,1],[4,3]]，而 BA = [[3,4],[1,2]]，明显不等。

几何上，这对应“先旋转后缩放”与“先缩放后旋转”的结果不同，符合物理直觉。

零矩阵与单位矩阵在乘法中有什么特性？

矩阵 O 满足：任意矩阵 A 与零矩阵相乘（维度匹配时）结果为零矩阵，即 AO = O，OA = O。

单位矩阵 I 满足：对任意同型方阵 A，有 AI = IA = A。单位矩阵是乘法的“恒等元”，如同数值中的 1。

注意：单位矩阵必须是方阵（n×n），且对角线元素全为 1，其余为 0。

如何快速判断两个矩阵是否可乘？

只需比较两个矩阵的“内维度”是否相等：第一个矩阵的列数（右侧数字）是否等于第二个矩阵的行数（左侧数字）。

记忆口诀：“内定外果”——内维度决定是否可乘，外维度决定结果形状。

例如：(4×5) × (5×2) 可乘，结果为 4×2；(3×2) × (4×3) 不可乘，因为 2 ≠ 4。

矩阵乘法在机器学习中如何应用？

在神经网络中，每一层的输出可表示为：输出 = 激活函数(权重矩阵 × 输入向量 + 偏置)。

例如，全连接层（Dense Layer）的运算即为矩阵乘法：输入向量与权重矩阵相乘，实现特征的线性变换，再通过非线性激活函数提取高阶特征。

反向传播中，梯度计算同样依赖矩阵乘法，通过链式法则逐层回传误差信号。

有没有快速心算矩阵乘法的技巧？

技巧一：观察特殊结构——若某行或列含大量零，可跳过对应项；若某行/列为 1,0,0…，则结果直接取对应列/行。

技巧二：利用分配律——A(B+C) = AB + AC，可将复杂矩阵拆分为简单矩阵之和。

技巧三：几何直觉——将矩阵视为线性变换，思考“输入如何被拉伸、旋转、投影”，有时可避免繁琐计算。

矩阵乘法的现实应用场景

图形学与游戏引擎

D 模型的旋转、缩放、平移均通过矩阵乘法实现。顶点着色器中，模型矩阵 × 视图矩阵 × 投影矩阵，共同完成空间坐标变换。

机器学习与深度学习

神经网络每一层的前向传播本质是矩阵乘法。例如，Transformer 模型中的注意力机制依赖 Q×K^T 计算注意力分数。

计算机视觉

卷积操作可转化为矩阵乘法（im2col 方法）。图像与卷积核的卷积，等价于展开图像块后与权重矩阵相乘，极大提升计算效率。

经济学与投入产出分析

列昂惕夫投入产出模型中，总产出 = 中间投入 + 最终需求，矩阵形式为 X = AX + Y，解为 X = (I−A)⁻¹Y，其中 (I−A)⁻¹ 称为 Leontief 逆矩阵。

控制系统与状态空间

线性系统状态方程：x(k+1) = Ax(k) + Bu(k)。离散系统状态转移由矩阵 A 的幂决定，连续系统则依赖矩阵指数 e^At。

量子计算

量子门操作用酉矩阵表示，量子线路即为一系列矩阵乘积。n 量子比特系统的状态空间为 2ⁿ 维复向量空间，运算完全依赖矩阵代数。

总结与学习建议

✅ 矩阵乘法核心要点

维度匹配是前提：A 的列数 = B 的行数
结果维度由外层决定：m×n × n×p = m×p
计算本质是点积：行向量 × 列向量
不满足交换律：AB ≠ BA（一般情况）
满足结合律与分配律：(AB)C = A(BC)，A(B+C) = AB + AC

? 学习路径建议

夯实基础：先掌握 2×2 与 3×3 矩阵的手动计算，理解行与列的对应关系。
可视化辅助：用表格或色块标记参与计算的行与列，避免索引混淆。
编程验证：用 Python（NumPy）或 MATLAB 验证手算结果，培养直觉。
几何理解：结合线性变换理解矩阵乘法，思考“输入空间如何被映射到输出空间”。
例如：单位矩阵 = 不变换；对角矩阵 = 沿坐标轴缩放；置换矩阵 = 重排坐标轴。
拓展应用：从图形变换、数据投影、最小二乘拟合等实际问题切入，深化理解。

? 推荐学习资源

书籍：《线性代数及其应用》（David C. Lay）、《矩阵分析》（Roger A. Horn）
在线课程：MIT OpenCourseWare 18.06《线性代数》（Gilbert Strang）
交互工具：3Blue1Brown“本质线性代数”系列视频（YouTube）
练习平台：Khan Academy 线性代数模块、LeetCode 矩阵相关题目