在数学和机器学习中，向量之间的运算有多种形式，主要包括内积（点积）、外积（叉积）、哈达玛积（逐元素积）、张量积（Kronecker积） 等。以下是它们的定义、写法、几何意义和使用场景。

1. 内积（Dot Product / Inner Product）

定义与写法

• 标准定义：两个向量 $\mathbf{a} = (a_1, a_2, \dots, a_n)$ 和 $\mathbf{b} = (b_1, b_2, \dots, b_n)$ 的内积为：

$$ \langle \mathbf{a}, \mathbf{b} \rangle = \mathbf{a} \cdot \mathbf{b} = \sum_{i=1}^n a_i b_i $$

• 复数表示（二维情况）：

$$ \mathbf{a} \cdot \mathbf{b} = \text{Re}(\mathbf{a} \mathbf{b}^) $$ 其中 $\mathbf{b}^$ 是共轭复数。

几何意义

• 衡量两个向量的相似度：
  • 如果 $\mathbf{a} \cdot \mathbf{b} > 0$，夹角 $\theta < 90^\circ$（方向相近）。
  • 如果 $\mathbf{a} \cdot \mathbf{b} = 0$，夹角 $\theta = 90^\circ$（正交）。
  • 如果 $\mathbf{a} \cdot \mathbf{b} < 0$，夹