funcman's blog
加权求和式子的各种写法
2026年09月01日 星期二同一个"加权求和"概念，在不同数学/物理/工程语境下有多种等价表达式。以下是常见的几种：
1. 求和符号（Sigma Notation）
$$\sum_{i=1}^{n} w_i x_i$$
最基础的形式，明确写出下标从 1 到 \(n\) 遍历。
2. 点积/内积（Dot Product）
$$\mathbf{w} \cdot \mathbf{x}$$
这是向量语言，简洁且强调几何意义（两个向量的夹角关系）。
3. 矩阵乘法（Matrix Multiplication）
$$\mathbf{w}^\top \mathbf{x}$$
把向量看作列向量时，\(\mathbf{w}^\top\)（转置）是 \(1 \times n\) 行向量，\(\mathbf{x}\) 是 \(n \times 1\) 列向量，相乘得到 \(1 \times 1\) 标量。
4. 爱因斯坦求和约定（Einstein Summation Convention）
$$w_i x_i$$
在物理学和微分几何中广泛使用。约定：重复的下标自动求和，不需要写 \(\sum\) 符号。
5. 分量展开（Component-wise）
$$w_1 x_1 + w_2 x_2 + \cdots + w_n x_n$$
最直观，完全展开，适合初学者理解每一项的贡献。
6. 指标/下标形式（Index Notation）
$$[\mathbf{w}]_i [\mathbf{x}]_i$$
强调这是向量的第 \(i\) 个分量相乘后求和。方括号表示"取第 \(i\) 个分量"。
7. 对偶配对（Dual Pairing）
$$\langle \mathbf{w}, \mathbf{x} \rangle$$
泛函分析中的写法，强调这是一个线性泛函（\(\mathbf{w}\)）作用在向量（\(\mathbf{x}\)）上的结果。
8. 内积空间写法（Inner Product Space）
$$(\mathbf{w}, \mathbf{x})$$
抽象向量空间中的标准内积记号，与点积在欧几里得空间中等价。
对比总结
| 表达式 | 适用领域 | 特点 |
|---|---|---|
| \(\sum_{i=1}^{n} w_i x_i\) | 基础数学、教学 | 最显式，不易歧义 |
| \(\mathbf{w} \cdot \mathbf{x}\) | 几何、物理 | 强调向量角度 |
| \(\mathbf{w}^\top \mathbf{x}\) | 机器学习、线性代数 | 适合矩阵运算链 |
| \(w_i x_i\)（爱因斯坦） | 物理、张量分析 | 最简洁，但需熟悉约定 |
| \(w_1x_1 + w_2x_2 + \cdots\) | 入门讲解 | 最直观，无抽象 |
| \(\langle \mathbf{w}, \mathbf{x} \rangle\) | 泛函分析 | 最抽象，最一般化 |
核心结论：这些写法数学上完全等价，区别只在于语境和习惯。在机器学习中，最常见的是 \(\sum\) 求和式、点积 和 转置矩阵乘法 这三种。