矩陣乘法

「縱向的一條線（column）」的各地常用名稱
「縱向的一條線（column）」的各地常用名稱
中國大陸	列
臺灣	行

「橫向的一條線（row）」的各地常用名稱
「橫向的一條線（row）」的各地常用名稱
中國大陸	行
臺灣	列

線性代數
	向量 · 向量空間 · 基底 · 行列式 · 矩陣
向量
	標量 · 向量 · 向量空間 · 向量投影 · 外積（叉積 · 七維叉積） · 內積（點積） · 二重向量
矩陣與行列式
	矩陣 · 行列式 · 線性方程組 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩陣 · 方塊矩陣 · 分塊矩陣 · 三角矩陣 · 非奇異方陣 · 轉置矩陣 · 逆矩陣 · 對角矩陣 · 可對角化矩陣 · 對稱矩陣 · 反對稱矩陣 · 正交矩陣 · 幺正矩陣 · 埃爾米特矩陣 · 反埃爾米特矩陣 · 正規矩陣 · 伴隨矩陣 · 余因子矩陣 · 共軛轉置 · 正定矩陣 · 冪零矩陣 · 矩陣分解（LU分解 · 奇異值分解 · QR分解 · 極分解 · 特徵分解） · 子式和餘子式 · 拉普拉斯展開 · 克羅內克積
線性空間與線性變換
	線性空間 · 線性變換 · 線性子空間 · 線性生成空間 · 基 · 線性映射 · 線性投影 · 線性無關 · 線性組合 · 線性泛函 · 行空間與列空間 · 對偶空間 · 正交 · 特徵向量 · 最小二乘法 · 格拉姆-施密特正交化
	閱; 論; 編;

數學中，矩陣乘法（英語：matrix multiplication）是一種根據兩個矩陣得到第三個矩陣的二元運算，第三個矩陣即前兩者的乘積，稱為矩陣積（英語：matrix product）。設 $A$ 是 $n\times m$ 的矩陣， $B$ 是 $m\times p$ 的矩陣，則它們的矩陣積 $AB$ 是 $n\times p$ 的矩陣。 $A$ 中每一行的 $m$ 個元素都與 $B$ 中對應列的 $m$ 個元素對應相乘，這些乘積的和就是 $AB$ 中的一個元素。

矩陣可以用來表示線性映射，矩陣積則可以用來表示線性映射的複合。因此，矩陣乘法是線性代數的基礎工具，不僅在數學中有大量應用，在應用數學、物理學、工程學等領域也有廣泛使用。^[1]^[2]

一般矩陣乘積

矩陣相乘最重要的方法是一般矩陣乘積。它只有在第一個矩陣的行數（column，中國大陸作列數）和第二個矩陣的列數（row，中國大陸作行數）相同時才有定義。一般單指矩陣乘積時，指的便是一般矩陣乘積。若 $A$ 為 $m\times n$ 矩陣， $B$ 為 $n\times p$ 矩陣，則他們的乘積 $AB$ (有時記做 $A\cdot B$ ）會是一個 $m\times p$ 矩陣。其乘積矩陣的元素如下面式子得出：

(AB)_{ij}=\sum _{r=1}^{n}a_{ir}b_{rj}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots +a_{in}b_{nj}

以上是用矩陣單元的代數系統來說明這類乘法的抽象性質。本節以下各種運算法都是這個公式的不同角度理解，運算結果相等：

由定義直接計算

左邊的圖表示出要如何計算 $AB$ 的 $(1,2)$ 和 $(3,3)$ 元素，當 $A$ 是個 $4\times 2$ 矩陣和B是個 $2\times 3$ 矩陣時。分別來自兩個矩陣的元素都依箭頭方向而兩兩配對，把每一對中的兩個元素相乘，再把這些乘積加總起來，最後得到的值即為箭頭相交位置的值。

(AB)_{1,2}=\sum _{r=1}^{2}a_{1,r}b_{r,2}=a_{1,1}b_{1,2}+a_{1,2}b_{2,2}

(AB)_{3,3}=\sum _{r=1}^{2}a_{3,r}b_{r,3}=a_{3,1}b_{1,3}+a_{3,2}b_{2,3}

向量方法

這種矩陣乘積亦可由稍微不同的觀點來思考：把向量和各係數相乘後相加起來。設 $\mathbf {A}$ 和 $\mathbf {B}$ 是兩個給定如下的矩陣：

\mathbf {A} ={\begin{bmatrix}a_{1,1}&a_{1,2}&\dots \\a_{2,1}&a_{2,2}&\dots \\\vdots &\vdots &\ddots \end{bmatrix}}={\begin{bmatrix}A_{1}&A_{2}&\dots \end{bmatrix}},

\mathbf {B} ={\begin{bmatrix}b_{1,1}&b_{1,2}&\dots \\b_{2,1}&b_{2,2}&\dots \\\vdots &\vdots &\ddots \end{bmatrix}}={\begin{bmatrix}B_{1}\\B_{2}\\\vdots \end{bmatrix}}

其中

A_{1}

是由所有

a_{x,1}

元素所組成的向量(column)，

A_{2}

是由所有

a_{x,2}

元素所組成的向量，以此類推。

B_{1}

是由所有

b_{1,x}

元素所組成的向量(row)，

B_{2}

是由所有

b_{2,x}

元素所組成的向量，以此類推。

則

\mathbf {AB} ={\begin{bmatrix}a_{1,1}{\begin{bmatrix}b_{1,1}&b_{1,2}&\dots \end{bmatrix}}+a_{1,2}{\begin{bmatrix}b_{2,1}&b_{2,2}&\dots \end{bmatrix}}+\cdots \\\\a_{2,1}{\begin{bmatrix}b_{1,1}&b_{1,2}&\dots \end{bmatrix}}+a_{2,2}{\begin{bmatrix}b_{2,1}&b_{2,2}&\dots \end{bmatrix}}+\cdots \\\vdots \end{bmatrix}}=A_{1}B_{1}+A_{2}B_{2}+\dots

舉個例子來說：

{\begin{bmatrix}1&0&2\\-1&3&1\end{bmatrix}}\cdot {\begin{bmatrix}3&1\\2&1\\1&0\end{bmatrix}}={\begin{bmatrix}1{\begin{bmatrix}3&1\end{bmatrix}}+0{\begin{bmatrix}2&1\end{bmatrix}}+2{\begin{bmatrix}1&0\end{bmatrix}}\\-1{\begin{bmatrix}3&1\end{bmatrix}}+3{\begin{bmatrix}2&1\end{bmatrix}}+1{\begin{bmatrix}1&0\end{bmatrix}}\end{bmatrix}}={\begin{bmatrix}{\begin{bmatrix}3&1\end{bmatrix}}+{\begin{bmatrix}0&0\end{bmatrix}}+{\begin{bmatrix}2&0\end{bmatrix}}\\{\begin{bmatrix}-3&-1\end{bmatrix}}+{\begin{bmatrix}6&3\end{bmatrix}}+{\begin{bmatrix}1&0\end{bmatrix}}\end{bmatrix}}

={\begin{bmatrix}5&1\\4&2\end{bmatrix}}

左面矩陣的列為為係數表，右邊矩陣為向量表。例如，第一行是[1 0 2]，因此將1乘上第一個向量，0乘上第二個向量，2則乘上第三個向量。

向量表方法

一般矩陣乘積也可以想為是行向量和列向量的內積。若 $\mathbf {A}$ 和 $\mathbf {B}$ 為給定如下的矩陣：

\mathbf {A} ={\begin{bmatrix}a_{1,1}&a_{1,2}&a_{1,3}&\dots \\a_{2,1}&a_{2,2}&a_{2,3}&\dots \\a_{3,1}&a_{3,2}&a_{3,3}&\dots \\\vdots &\vdots &\vdots &\ddots \end{bmatrix}}={\begin{bmatrix}A_{1}\\A_{2}\\A_{3}\\\vdots \end{bmatrix}}

且

\mathbf {B} ={\begin{bmatrix}b_{1,1}&b_{1,2}&b_{1,3}&\dots \\b_{2,1}&b_{2,2}&b_{2,3}&\dots \\b_{3,1}&b_{3,2}&b_{3,3}&\dots \\\vdots &\vdots &\vdots &\ddots \end{bmatrix}}={\begin{bmatrix}B_{1}&B_{2}&B_{3}&\dots \end{bmatrix}}

其中，這裡

A_{1}

是由所有

a_{1,x}

元素所組成的向量，

A_{2}

是由所有

a_{2,x}

元素所組成的向量，以此類推。

B_{1}

是由所有

b_{x,1}

元素所組成的向量，

B_{2}

是由所有

b_{x,2}

元素所組成的向量，以此類推。

則

\mathbf {AB} ={\begin{bmatrix}A_{1}\\A_{2}\\A_{3}\\\vdots \end{bmatrix}}\times {\begin{bmatrix}B_{1}&B_{2}&B_{3}&\dots \end{bmatrix}}={\begin{bmatrix}(A_{1}\cdot B_{1})&(A_{1}\cdot B_{2})&(A_{1}\cdot B_{3})&\dots \\(A_{2}\cdot B_{1})&(A_{2}\cdot B_{2})&(A_{2}\cdot B_{3})&\dots \\(A_{3}\cdot B_{1})&(A_{3}\cdot B_{2})&(A_{3}\cdot B_{3})&\dots \\\vdots &\vdots &\vdots &\ddots \end{bmatrix}}

即

\left(\mathbf {AB} \right)_{ij}=A_{i}B_{j}

性質

矩陣乘法是不可交換的（即 $AB\neq BA$ ），除了一些較特別的情況。很清楚可以知道，不可能預期說在改變向量的部份後還能得到相同的結果，而且第一個矩陣的列數必須要和第二個矩陣的行數相同，也可以看出為什麼矩陣相乘的順序會影響其結果。

雖然矩陣乘法是不可交換的，但 $AB$ 和 $BA$ 的行列式總會是一樣的（當 $A$ 、 $B$ 是同樣大小的方陣時）。其解釋在行列式條目內。

當 $A$ 、 $B$ 可以被解釋為線性算子，其矩陣乘積 $AB$ 會對應為兩個線性算子的複合函數，其中B先作用。

在試算表中做矩陣乘法

${\begin{bmatrix}1&0&2\\-1&3&1\end{bmatrix}}\cdot {\begin{bmatrix}3&1\\2&1\\1&0\end{bmatrix}}={\begin{bmatrix}5&1\\4&2\end{bmatrix}}$

以 Google Sheet 為例，選取儲存格範圍或者使用陣列，在儲存格輸入

=MMULT({1,0,2;-1,3,1},{3,1;2,1;1,0})

在某些試算表軟體中必須必須按Ctrl+⇧ Shift+↵ Enter 將儲存格內的變數轉換為陣列

純量乘積

矩陣 $A=(a_{ij})$ 和純量 $r$ 的純量乘積 $rA$ 的矩陣大小和 $A$ 一樣， $rA$ 的各元素定義如下：

(rA)_{ij}=r\cdot a_{ij}\

若我們考慮於一個環的矩陣時，上述的乘積有時會稱做左乘積，而右乘積的則定義為

(Ar)_{ij}=a_{ij}\cdot r\

當環是可交換時，例如實數體或複數體，這兩個乘積是相同的。但無論如何，若環是不可交換的話，如四元數，他們可能會是不同的。例如，

i{\begin{bmatrix}i&0\\0&j\\\end{bmatrix}}={\begin{bmatrix}-1&0\\0&k\\\end{bmatrix}}\neq {\begin{bmatrix}-1&0\\0&-k\\\end{bmatrix}}={\begin{bmatrix}i&0\\0&j\\\end{bmatrix}}i

阿達馬乘積

給定兩個相同維度的矩陣可計算有阿達馬乘積（Hadamard product），或稱做逐項乘積、分素乘積（element-wise product, entrywise product）。兩個 $m\times n$ 矩陣 $A$ 、 $B$ 的阿達馬乘積標記為 $A\circ B$ ，定義為 $(A\circ B)_{ij}=a_{ij}b_{ij}$ 的 $m\times n$ 矩陣。例如，

{\begin{bmatrix}1&3&2\\1&0&0\\1&2&2\end{bmatrix}}\circ {\begin{bmatrix}0&0&2\\7&5&0\\2&1&1\end{bmatrix}}={\begin{bmatrix}1\cdot 0&3\cdot 0&2\cdot 2\\1\cdot 7&0\cdot 5&0\cdot 0\\1\cdot 2&2\cdot 1&2\cdot 1\end{bmatrix}}={\begin{bmatrix}0&0&4\\7&0&0\\2&2&2\end{bmatrix}}

需注意的是，阿達馬乘積是克羅內克乘積的子矩陣。

克羅內克乘積

給定任兩個矩陣 $A$ 和 $B$ ，可以得到兩個矩陣的直積，或稱為克羅內克乘積 $A\otimes B$ ，其定義如下

{\begin{bmatrix}a_{11}B&a_{12}B&\cdots &a_{1n}B\\\vdots &\vdots &\ddots &\vdots \\a_{m1}B&a_{m2}B&\cdots &a_{mn}B\end{bmatrix}}

當 $A$ 是一 $m\times n$ 矩陣和 $B$ 是一 $p\times r$ 矩陣時， $A\otimes B$ 會是一 $mp\times nr$ 矩陣，而且此一乘積也是不可交換的。

舉個例子，

{\begin{bmatrix}1&2\\3&1\\\end{bmatrix}}\otimes {\begin{bmatrix}0&3\\2&1\\\end{bmatrix}}={\begin{bmatrix}1\cdot 0&1\cdot 3&2\cdot 0&2\cdot 3\\1\cdot 2&1\cdot 1&2\cdot 2&2\cdot 1\\3\cdot 0&3\cdot 3&1\cdot 0&1\cdot 3\\3\cdot 2&3\cdot 1&1\cdot 2&1\cdot 1\\\end{bmatrix}}={\begin{bmatrix}0&3&0&6\\2&1&4&2\\0&9&0&3\\6&3&2&1\end{bmatrix}}

若 $A$ 和 $B$ 分別表示兩個線性算子 $V_{1}\to W_{1}$ 和 $V_{2}\to W_{2}$ ， $A\otimes B$ 便為其映射的張量乘積， $V_{1}\otimes V_{2}\to W_{1}\otimes W_{2}$

共同性質

上述三種乘積都符合結合律：

A(BC)=(AB)C

以及分配律：

A(B+C)=AB+AC

(A+B)C=AC+BC

而且和純量乘積相容：

c(AB)=(cA)B

(Ac)B=A(cB)

(AB)c=A(Bc)

注意上述三個分開的表示式只有在純量體的乘法及加法是可交換（即純量體為一可交換環）時會相同。

另見

外部連結

WIMS Online Matrix Multiplier （頁面存檔備份，存於網際網路檔案館）
Animated Matrix Multiplication Examples (purplemath) （頁面存檔備份，存於網際網路檔案館）

Matrix Multipication in Javascript （頁面存檔備份，存於網際網路檔案館）（works in Firefox）

參考

^ Lerner, R. G.; Trigg, G. L. Encyclopaedia of Physics 2nd. VHC publishers. 1991. ISBN 3-527-26954-1 （英語）.
^ Parker, C. B. McGraw Hill Encyclopaedia of Physics 2nd. 1994. ISBN 0-07-051400-3 （英語）.

其它參考文獻包括：

Strassen, Volker, Gaussian Elimination is not Optimal, Numer. Math. 13, p. 354-356, 1969.
Coppersmith, D., Winograd S., Matrix multiplication via arithmetic progressions, J. Symbolic Comput. 9, p. 251-280, 1990.
Horn, Roger; Johnson, Charles: "Topics in Matrix Analysis", Cambridge, 1994.
Robinson, Sara, Toward an Optimal Algorithm for Matrix Multiplication, SIAM News 38(9), November 2005.

[Physics_1991-1] Lerner, R. G.; Trigg, G. L. Encyclopaedia of Physics 2nd. VHC publishers. 1991. ISBN 3-527-26954-1 （英語）.

[2] Parker, C. B. McGraw Hill Encyclopaedia of Physics 2nd. 1994. ISBN 0-07-051400-3 （英語）.

[1]

[2]

閱論編線性代數的相關概念
重要概念	標量向量向量空間向量子空間線性生成空間線性映射投影線性無關線性組合基標記列空間行空間零空間對偶空間正交特徵值特徵向量數量積內積空間點乘轉置格拉姆-施密特正交化線性方程組克萊姆法則
矩陣	矩陣矩陣乘法矩陣分解行列式子式和餘子式矩陣的秩克萊姆法則逆矩陣高斯消去法線性變換分塊矩陣
數值線性代數	浮點數數值穩定性基礎線性代數程序集稀疏矩陣