# linear-algebra

主要用于python & 线性代数的学习以及代码的实现~




我将为这个线性代数项目创建一个简单的README文件。首先让我了解一下项目的结构和内容。


现在我将创建一个简单的README文件，总结这个线性代数项目的功能和结构：

```markdown
# 线性代数库 (LinearAlgebra)

一个基于Python的线性代数库，实现了向量和矩阵的基本运算功能。

## 项目结构

```
LinearAlgebra/
├── playLA/                 # 核心线性代数库
│   ├── Vector.py           # 向量类实现
│   ├── Matrix.py           # 矩阵类实现
│   └── _global.py          # 全局常量定义
├── main_vector.py          # 向量功能演示
├── main_matrix.py          # 矩阵功能演示
├── main_matrix_transformation.py  # 矩阵变换演示
├── main_numpy_vector.py    # NumPy向量对比演示
├── main_numpy_matrix.py    # NumPy矩阵对比演示
├── my_gptmodel/            # GPT模型相关文件
├── deepleaning_demo.py     # 深度学习演示
└── readme_deep.txt         # 深度学习相关内容说明
```

## 功能特性

### 向量 (Vector)
- 基本运算：加法、减法、数乘、除法
- 向量属性：模长、单位向量、点乘
- 特殊向量：零向量生成
- 向量取正、取负操作

### 矩阵 (Matrix)
- 基本运算：加法、减法、数乘、矩阵乘法
- 矩阵属性：形状、行列数、元素总数
- 特殊矩阵：零矩阵、单位矩阵生成
- 矩阵转置功能
- 矩阵与向量、矩阵与矩阵的乘法运算

## 使用示例

### 向量操作
```python
from playLA.Vector import Vecotr

# 创建向量
vec = Vecotr([5, 2])
vec2 = Vecotr([3, 1])

# 基本运算
print(vec + vec2)      # 向量加法
print(vec * 3)         # 数量乘法
print(vec.normalize()) # 单位向量
print(vec.dot(vec2))   # 点乘
```

### 矩阵操作
```python
from playLA.Matrix import Matrix
from playLA.Vector import Vecotr

# 创建矩阵
matrix = Matrix([[1, 2], [3, 4]])
matrix2 = Matrix([[5, 6], [7, 8]])

# 基本运算
print(matrix + matrix2)      # 矩阵加法
print(matrix * 2)            # 数量乘法
print(matrix.dot(matrix2))   # 矩阵乘法
print(matrix.T())            # 矩阵转置

# 矩阵与向量乘法
T = Matrix([[1.5, 0], [0, 2]])
p = Vecotr([5, 3])
print(T.dot(p))
```

## 项目说明

此项目实现了基础的线性代数运算功能，包括向量和矩阵的各种运算操作。代码结构清晰，易于理解和扩展。项目还包含了一些深度学习相关的演示代码和GPT模型相关内容。

## 运行演示

- `python main_vector.py`: 运行向量功能演示
- `python main_matrix.py`: 运行矩阵功能演示
- `python main_matrix_transformation.py`: 运行矩阵变换演示
- `python main_numpy_vector.py`: 运行NumPy向量对比演示
- `python main_numpy_matrix.py`: 运行NumPy矩阵对比演示
```