n 维向量 = 用 n 个数字化特征去具象化现实信息，是现实世界和人工智能数学计算的中间桥梁。任何信息，图像、音频、文字、电信号，要想被AI模型处理，必须先被具象化成n维度向量的数值数据。并实例说明图像、音频、文字是如如何向量化的。

核心公理：图像、音频、文本、传感电信号，计算机无法直接理解原始数据，全部要映射为 n 维数值向量，向量就是现实信息→AI 数学运算的标准化媒介。

原始信号（像素 / 声波 / 汉字）→特征提取→N 维特征向量→送入模型训练 / 推理。

一、文本向量化（NLP，前面已学四类方案）

1.OneHot（单词稀疏向量）

词典：[苹果,香蕉,书桌]，\(n=3\)苹果：\([1,0,0]\)、香蕉：\([0,1,0]\)每一维：是否为对应词语。

2.BoW 词袋（文本稀疏向量）

词典\([\text{我,爱吃,苹果,香蕉}]\)，句子：我爱吃苹果 \(\rightarrow[1,1,1,0]\)每一维：对应词语出现频次。

3.Word2Vec 稠密词向量

单个词语映射 \(n=300\) 维浮点向量：\(\vec{苹果}=[0.12,0.35,-0.21……]\)，维度是模型自学的隐性语义特征。

4.BGE 稠密句向量

整段文本直接输出 768/1024 维向量，承载全句语义。

本质：文字符号 → 语义特征 → N 维向量。

二、图像向量化（CV 计算机视觉）

1. 原始像素向量（最简单）

2. 深度学习特征向量（CNN/ResNet）

图片经过卷积神经网络，丢弃原始像素，模型自动提取轮廓、纹理、颜色特征（语义信息），输出固定维度稠密向量（如 512 维、1024 维）。

• 猫的图片→512 维特征向量；
• 同类动物图片特征向量余弦相似度更高。

本质：像素点阵 → 视觉特征 → N 维向量。

三、音频向量化（语音识别 / 声纹）

1. 原始波形采样：声波是连续模拟电信号，采样量化变成时序数字；一段 1s 音频采样率 16000，原始向量维度\(n=16000\)。
2. 工程常用：MFCC 梅尔倒谱特征对音频做傅里叶变换 + 梅尔滤波，压缩提取声学特征，单条音频转为39 维 / 128 维固定向量。例：“你好” 音频 \(\rightarrow[2.31,0.55,-1.22……]\)（128 维）。说话人相同，音频向量相似度偏高。

本质：模拟声波电信号→频域声学特征→N 维向量。

四、传感器电信号向量化（工业 / 物联网）

温度、电压、震动这类连续模拟电信号，定时采样得到数值序列。设备 1 秒采集 5 项指标：温度、电压、电流、湿度、震动值，\(n=5\)。

样本：\([25.3,220.5,1.2,45,0.02]\)送入异常检测模型做故障识别。

本质：连续模拟电信号→离散采样特征→N 维向量。

五、统一总结四类数据演进规律

1. 原始非数值信息（文字 / 图片 / 声波 / 电信号）
2. 特征工程 / 模型提取特征
3. 标准化 n 维数值向量（稀疏 / 稠密）
4. 模型输入：矩阵运算、梯度下降、相似度计算、分类预测

六、稀疏 / 稠密区分回顾

1. 稀疏向量（OneHot、原始大尺寸像素、原始采样音频）：大量数值为 0，维度极高、信息冗余；
2. 稠密向量（Word2Vec、BGE、CNN 图像特征、MFCC 音频特征）：低维浮点数组，特征高度压缩，是现代 AI 主流输入。