每天五分钟解决一个人工智能问题。
我们换个角度再看上文的例子

这次如果两个矩阵先运算代表什么呢？

v1 = np.array([1,1])
m1 = np.array([[0,-1], [1,0]])
m2 = np.array([[0,1],[-1,0]])
m1_m2 = np.matmul(m1, m2)
m1_m2
#代表一种变换关系获得一组新的基。

输出：

array([[1, 0],
       [0, 1]])

我们得到了一组基，还记得m1,m2都代表什么吗？m1是左转90度，m2是右转90度。所以m1 乘以 m2 代表把m2所代表的基左转了90度。

旋转示意图

我们把向量(1,1)带入新得到的矩阵运算，得到了和之前一样的结果。

#大家可以看到这次运算的结果和之前运算的结果是一样的！
np.matmul(m1_m2, v1)

输出：

array([1, 1])

m2

输出：

array([[ 0,  1],
       [-1,  0]])

m1

输出：

array([[ 0, -1],
       [ 1,  0]])

来个总结：

总结

总结2

明天讲一个更有趣的矩阵操作，提前预告一下！~

目录：
人工智能必知必会-前言
人工智能必知必会-标量，向量，矩阵，张量
人工智能必知必会-向量的加减与缩放
人工智能必知必会-向量的内积
人工智能必知必会-向量之间的距离
人工智能必知必会-初识矩阵
人工智能必知必会-矩阵与向量
人工智能必知必会-矩阵的加减法
人工智能必知必会-矩阵乘法
人工智能必知必会-矩阵与方程组
人工智能必知必会-再看矩阵与向量
人工智能必知必会-矩阵与向量乘法的物理意义
人工智能必知必会-词向量（案例）
人工智能必知必会-矩阵相乘上

人工智能必知必会-矩阵相乘下