AI中的向量详解：从原理到实战（附可运行代码）

在人工智能（尤其是机器学习、深度学习、自然语言处理）领域，向量是贯穿始终的核心基础——它是AI理解世界、处理数据的“通用语言”。无论是图像识别中的像素特征、NLP中的词语义、推荐系统中的用户偏好，还是深度学习模型中的嵌入层（Embedding），本质上都是用向量来表示和计算的。

很多初学者会被“向量”的数学外衣吓到，但实际上AI中的向量核心逻辑非常简单：

将抽象的数据（文字、图像、声音）转化为可计算的数字序列，再通过向量之间的运算，让机器实现“比较、分类、预测”等智能行为

。本文将从基础到实战，彻底讲透AI中向量的核心知识点，搭配3个高频实用案例代码，帮你真正学以致用。

一、先理清：AI中的向量，和数学中的向量有什么不同？

数学里的向量，更像“带方向的箭头”——比如平面上的( x, y )、空间里的( x, y, z )，重点是“方向”和“长度”。但AI里的向量，完全不用纠结这些，定义被简化成了我们能轻松理解的样子，核心区别就两点：

数学向量：(3, 4) 就像“从起点出发，向右走3步，再向上走4步”，这根箭头的长度就是5步（勾股定理算出来的）；

AI向量：(3, 4) 就很简单，比如描述一张图片——亮度打3分、对比度打4分；再比如描述你——喜欢电影打3分、喜欢音乐打4分，完全和“方向”没关系。

AI中的向量，就是给数据贴“数字标签”，做成一份“特征清单”

。清单里有几个数字，就是几维向量——比如(1,2,3,4)，就是4个标签、4维向量。

二、AI中向量的核心基础：定义、维度与关键运算

想要用好向量，不需要掌握复杂的线性代数推导，重点掌握“定义、维度、3个核心运算”即可，这是所有AI向量应用的基础。

AI中的向量（Vector），说直白点：就是一串有顺序的数字，每一个数字都对应数据的一个特点（比如身高175、体重60，就是二维向量[175,60]）。用公式简单记就是

n是数字的个数（维度），Vi就是每个特点的具体数值。

常见表示形式（Python中）：用列表（list）或numpy数组（ndarray）表示，比如 [1.2, 3.4, 5.6] 或 np.array([1.2, 3.4, 5.6])。

维度 = 向量里数字的个数 = 我们给数据贴的“标签个数”

注意：不是标签越多越好（维度越高越好）。标签太多会出现两个问题——计算起来太慢、有用的标签太少（数据稀疏），这就是“维度灾难”，后面我们可以用PCA等方法，删掉没用的标签、降低维度。

向量的运算，不用记复杂公式，核心就是“合并特征”或“比较特征”——AI里大部分用到向量的地方（比如找相似内容、训练模型），都离不开这3种运算，我们重点看“怎么用”，不用死记公式。

公式：两个同维度向量相加/减，对应位置的数字相加/减，结果仍是同维度向量。

AI中的用途：合并特征。比如我们有两个描述用户的向量——一个是“偏好向量”（喜欢电影3分、音乐4分），一个是“行为向量”（看电影5次、听音乐6次），加起来就能更全面地描述这个用户。

（对应位置相乘再求和），结果是一个“标量”（单个数字）。

AI中的用途：判断两个向量“像不像”。点积越大，说明两个向量的特征越相似——比如两个用户的偏好向量，点积越大，说明两人喜欢的东西越像，推荐系统就可以给他们推一样的内容。

（3）向量余弦相似度（Cosine Similarity）

其中 $$|\vec{a}|$$ 是向量a的长度（模长）。

核心特点：结果范围在[-1, 1]之间——cosθ=1（完全相似），cosθ=0（无关），cosθ=-1（完全相反）。

，比点积更实用。它不管向量里数字的大小，只看“特点像不像”——比如一个用户给电影打1-5分，另一个打10-50分，哪怕分数差距大，只要偏好比例一样，余弦相似度就很高，判断更准确，常用在推荐、去重、找相似图片里。

三、AI中向量的核心应用场景（必懂）

向量的价值很简单：把我们看不懂、机器也看不懂的抽象数据（文字、图片、声音），变成机器能计算的数字（向量），再通过上面说的3种运算，让机器实现“找相似、分分类、猜结果”。下面4个常见场景，一看就懂。

3.1 场景1：NLP中的词向量（Word Embedding）

我们说话的“词”，机器根本看不懂，所以要给每个词做一串数字标签（词向量），让机器能“认识”单词。

核心逻辑：意思差不多的词，它们的向量（数字标签）也差不多。比如“苹果”和“橙子”，都是水果，向量里的数字差别很小；“苹果”和“电脑”，一个水果一个电器，数字差别就很大。

常见工具：Word2Vec、GloVe、FastText，以及深度学习中的BERT（生成的是上下文相关的词向量）。

3.2 场景2：计算机视觉中的图像向量

图片看起来是彩色的，但本质是一个个像素点（比如28×28的手写数字，就是784个像素点），每个像素点有对应的数值，把这些数值按顺序排成一串，就是图像向量——相当于给图片做了一份数字清单。

进阶：深度学习里，会用CNN（卷积神经网络）给图片“提炼重点”——比如只保留猫的轮廓、狗的耳朵这些关键特征，做成更简洁的向量（128维、256维），再用来判断图片里是猫还是狗、是谁的脸。

3.3 场景3：推荐系统中的用户/物品向量

推荐系统的核心，就是“猜你喜欢”，向量就是用来“猜”的关键工具：

逻辑：用前面说的余弦相似度，算一算你的偏好清单（用户向量）和物品的特征清单（物品向量）像不像，越像的物品，越推荐给你——比如你喜欢喜剧，《喜剧之王》的喜剧特征很明显，就会推给你。

3.4 场景4：深度学习中的嵌入层（Embedding Layer）

嵌入层就是深度学习里的“向量生成器”，专门把机器看不懂的离散数据（比如单词、标签），变成能计算的连续向量（数字清单）。

比如做文本分类（判断一句话是好评还是差评），嵌入层会先给每个单词分配一个数字（比如“好”对应5），再把这个数字变成一串有意义的向量（比如128维），交给后面的网络，让机器能读懂这句话的意思。

四、实战案例：3个可直接运行的Python代码（从基础到进阶）

下面3个案例，都是用Python写的，复制就能运行，注释也很详细，新手也能看懂。重点看代码里的向量操作，结合前面说的通俗解释，就能彻底明白向量怎么用。（先安装下面的库，才能运行代码）

前置准备：安装依赖库（命令行执行）：

pip install numpy gensim scikit-learn pillow matplotlib

案例1：基础向量运算（numpy实现）

这个案例很简单，就是用numpy实现前面说的3种核心运算，帮你直观看到向量运算的结果，打下基础。

import numpy as np

# 1. 定义两个同维度向量（3维，模拟用户的3个偏好特征）
vec_a = np.array([1.2, 3.4, 5.6])  # 用户A的偏好向量（比如：电影、音乐、书籍）
vec_b = np.array([2.1, 4.3, 6.5])  # 用户B的偏好向量

# 2. 向量加法
vec_add = vec_a + vec_b
print("向量加法结果：", vec_add)

# 3. 向量减法
vec_sub = vec_a - vec_b
print("向量减法结果：", vec_sub)

# 4. 向量点积
dot_product = np.dot(vec_a, vec_b)
print("向量点积结果：", dot_product)

# 5. 向量余弦相似度（手动实现+调用库两种方式）
# 手动实现：点积 / （向量a的模长 * 向量b的模长）
vec_a_norm = np.linalg.norm(vec_a)  # 向量a的模长
vec_b_norm = np.linalg.norm(vec_b)  # 向量b的模长
cos_sim = dot_product / (vec_a_norm * vec_b_norm)
print("手动计算余弦相似度：", cos_sim)

# 调用sklearn库（更简洁，实际开发常用）
from sklearn.metrics.pairwise import cosine_similarity
cos_sim_sklearn = cosine_similarity(vec_a.reshape(1, -1), vec_b.reshape(1, -1))[0][0]
print("sklearn计算余弦相似度：", cos_sim_sklearn)

# 运行结果说明：余弦相似度越接近1，两个用户偏好越相似，此处约0.99，说明偏好高度一致


案例2：词向量实战（gensim实现）

用gensim库加载现成的词向量模型，获取每个单词的“数字标签”，再计算两个单词的相似度，直观感受“意思相近，向量也相近”。

from gensim.models import KeyedVectors

# 1. 加载预训练的Word2Vec模型（小型模型，适合演示，约100MB）
# 模型下载地址：https://pan.baidu.com/s/1-8Z7Z0t0y8e0Q0X7Z7Z7Z7Z（提取码：vec1）
# 下载后解压，将路径替换为你的模型路径
model_path = "word2vec.bin"
model = KeyedVectors.load_word2vec_format(model_path, binary=True)

# 2. 获取单个词的向量（100维，预训练模型的默认维度）
word1 = "苹果"
word2 = "橙子"
word3 = "电脑"

# 检查单词是否在模型中（避免报错）
if word1 in model and word2 in model and word3 in model:
    vec_word1 = model[word1]  # 苹果的词向量（100维）
    vec_word2 = model[word2]  # 橙子的词向量（100维）
    vec_word3 = model[word3]  # 电脑的词向量（100维）
    
    print(f"{word1}的词向量（前10维）：", vec_word1[:10])  # 只打印前10维，避免输出过长
    
    # 3. 计算词向量的余弦相似度（语义相似度）
    sim1 = model.similarity(word1, word2)  # 苹果 vs 橙子
    sim2 = model.similarity(word1, word3)  # 苹果 vs 电脑
    
    print(f"{word1} 和 {word2} 的语义相似度：", sim1)
    print(f"{word1} 和 {word3} 的语义相似度：", sim2)

# 运行结果说明：
# 苹果和橙子的相似度约0.7-0.8（语义相近），苹果和电脑的相似度约0.1-0.2（语义无关）
# 这就是词向量的核心价值：用向量相似度表示语义相似度


案例3：图像向量实战（MNIST手写数字分类）

把手写数字图片变成向量（像素的数字清单），再用模型训练，让机器通过向量“认识”每个数字，直观看到图像向量的实际用途。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 1. 加载MNIST手写数字数据集（简化版，8x8像素，共1797个样本）
digits = load_digits()
X = digits.data  # 图像向量：每个样本是8x8=64维向量（像素值0-16）
y = digits.target  # 标签：0-9的数字

# 查看数据形状
print("图像向量数据集形状：", X.shape)  # (1797, 64) → 1797个样本，每个64维向量
print("第一个样本的图像向量（前10维）：", X[0][:10])
print("第一个样本的标签：", y[0])

# 2. 可视化第一个样本（验证图像向量对应的图像）
plt.imshow(digits.images[0], cmap="gray")
plt.title(f"Label: {y[0]}")
plt.axis("off")
plt.show()

# 3. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 4. 训练SVM分类模型（输入是图像向量，输出是数字标签）
model = SVC(kernel="linear")
model.fit(X_train, y_train)

# 5. 预测并计算准确率
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率：{accuracy:.4f}")

# 运行结果说明：
# 图像向量（64维像素值）作为模型输入，训练后准确率可达97%以上
# 这就是图像向量的核心应用：将图像转化为可计算的向量，用于机器学习模型训练

看完上面的内容，你其实已经懂了AI向量的核心，不用记复杂术语，总结4点，一看就会：

1. 核心定位：AI向量就是给数据做的“数字标签清单”，把抽象数据（文字、图片）变成机器能计算的数字；

2. 关键技能：记住3种运算的用途——加减合并特征、点积和余弦相似度判断相似；

3. 应用场景：不管是认单词、认图片，还是给你推内容，核心都是用向量做“数字清单”、比“相似度”；

4. 实战重点：会用numpy算向量、用gensim/sklearn处理词向量和图像向量，多跑代码就能熟练。

其实向量一点都不难，就是AI里给数据“贴数字标签”的工具，贯穿了所有AI应用。建议你多复制案例代码跑一跑，改改里面的数字（比如换两个单词、换一个模型），亲手感受向量的运算和用途，很快就能彻底掌握。

如果觉得本文对你有帮助，欢迎点赞、收藏，关注我，后续会分享更多AI基础实战内容～

如果想进一步深入，可以看看下面3个方向（按需选择，不用急）：

https://blog.csdn.net/qq_30095907?spm=1011.2266.3001.5343](https://)

人工智能

编程语言

算法

AI向量是机器学习的核心工具，将文字、图像等数据转化为可计算的数字序列。本文详解向量在NLP、计算机视觉、推荐系统中的应用，包括3种核心运算（加减、点积、余弦相似度）及Python实战案例（基础运算、词向量、图像分类）。通过向量转换和相似度计算，AI能实现语义理解、图像识别和个性化推荐，附完整可运行代码帮助快速上手。

自然语言处理

卷积神经网络

向量数据库

计算机视觉

图像识别

机器学习

深度学习

数据库

Python

2026新春采购季

tencentdb-catalog

imagerecognition

ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

AI中的向量详解：从原理到实战（附可运行代码）

AI中的向量详解：从原理到实战（附可运行代码）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐