矩阵运算全解析：普通乘积、Hadamard积与Kronecker积的实战应用

1. 矩阵运算入门：从买菜到机器学习

刚接触矩阵运算时，我总把它想象成超市买菜。普通乘积就像买套餐组合，Hadamard积好比单品比价，Kronecker积则是把整个货架复制重组。这三种运算在机器学习和图像处理中无处不在，但很多初学者容易混淆它们的适用场景。

普通乘积（矩阵乘法）是线性代数的基础操作，计算规则看起来简单：A的第i行与B的第j列对应元素相乘后相加。但第一次用Python实现时，我踩了个坑——忘记检查矩阵维度是否匹配。比如处理用户行为数据时，用户特征矩阵(1000×50)与物品特征矩阵(50×300)相乘，才能得到1000×300的预测评分矩阵。

python复制import numpy as np

# 用户特征矩阵 (1000用户×50特征)
user_features = np.random.rand(1000, 50)
# 物品特征矩阵 (50特征×300物品)
item_features = np.random.rand(50, 300)
# 普通乘积计算预测评分
pred_scores = np.matmul(user_features, item_features)

Hadamard积（逐元素乘积）在神经网络中特别常见。记得第一次实现注意力机制时，需要将注意力权重与值向量逐元素相乘。当时用普通乘积算了半天结果不对，后来才发现需要np.multiply()。这个运算要求两个矩阵形状完全一致，就像比较两家超市同种商品价格，必须确保商品种类和顺序完全相同。

2. 普通乘积的实战技巧与陷阱

矩阵乘法在推荐系统中是核心操作，但其中藏着不少玄机。有一次处理电商数据时，我发现计算速度突然慢了10倍，原来是因为没有将稀疏矩阵转换为专用格式。当处理用户-商品交互矩阵（通常90%以上是零值）时，正确的打开方式是：

python复制from scipy.sparse import csr_matrix

# 创建稀疏矩阵
sparse_matrix = csr_matrix(user_item_interactions)
# 稀疏矩阵乘法效率提升10倍
recommendations = sparse_matrix.dot(item_similarity_matrix)

普通乘积有五个关键性质常被忽略：
1.