💻

機械学習の実装：教科書は縦ベクトルなのに、なぜPythonでは横ベクトルが一般的なの？

に公開
Python
機械学習
tech

🔹 教科書では「縦ベクトル」が一般的な理由

  1. 線形代数の標準的な表記に従っているから
    数学の教科書では、

    \mathbf{x} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix}

    のように**縦ベクトル（列ベクトル）**で表現するのが一般的です。

  2. 行列積と一致する形だから
    重み行列 W を使った入力との線形結合も、

    Wx + b

    と自然な形で書けるためです。
    （このとき、W は出力次元×入力次元の行列）

🔹 Python（特にNumPyやPyTorch）で「横ベクトル」が多い理由

  1. 1次元配列は「横ベクトル」のように扱われる

    • NumPyやPyTorchでは、np.array([1, 2, 3])は1次元配列（shape: (3,)）ですが、これは見た目上横ベクトル的に動作します。
    • 一方、縦ベクトルとして扱うにはnp.array([[1], [2], [3]])（shape: (3,1)）が必要で、記述がやや面倒。

  2. バッチ処理で行ベクトルが都合がよい
    多くのディープラーニングライブラリでは、複数データ（バッチ）の入力をまとめて扱うため、以下のような行列を使います：

    [[x11, x12, x13],   ← 1つ目のデータ（行ベクトル）
 [x21, x22, x23],   ← 2つ目のデータ
 ...
]

    → つまり、**1データ = 1行（横ベクトル）**で表現される

  3. 行優先の言語文化（CやPython）
    PythonやC系の言語では、行優先（row-major）の配列処理が基本なので、処理的にも行ベクトルの方が効率的なことが多いです。

🔸実際どうすればよい？

  • 数学的に考えるときは「縦ベクトル」を前提に。
  • 実装で困ったら、shape を確認して x.T（転置）や x.reshape(-1, 1) を使えば、縦ベクトル的に扱えます。
  • PyTorchなどでは、nn.Linear は横ベクトル（行入力）を想定しているため、特に意識が必要です。

🔽 まとめ

項目 教科書（数学） Python実装（NumPy/PyTorch）
ベクトルの形 縦ベクトル（列） 横ベクトル（行）または1次元
行列積 Wx xW^T またはブロードキャスト対応
バッチ 各列 各行が1データ

Discussion