（观条件醒，这是工科AI相关的数学基础的学习条记，不是数学专业的文章，所以没有严谨的证明和界说，数院大神请勿批评）
3. 矩阵和线性变换
3.1 界说和例子
3.1.1 矩阵的界说
由 m × n m\times n m×n个数 a i j ( i = 1 , 2 , ⋯ , m ; j = 1 , 2 , ⋯ , n ) a_{ij}(i=1,2,\cdots,m;j=1,2,\cdots,n) aij(i=1,2,⋯,m;j=1,2,⋯,n)排成的 m m m行 n n n列的数表
a 11 a 12 ⋯ a 1 m a 21 a 22 ⋯ a 2 m ⋮ ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n m \begin{array}{cccc} a_{11} & a_{12} & \cdots & a_{1 m} \\ a_{21} & a_{22} & \cdots & a_{2 m} \\ \vdots & \vdots & \vdots & \vdots \\ a_{n 1} & a_{n 2} & \cdots & a_{n m} \end{array} a11a21⋮an1a12a22⋮an2⋯⋯⋮⋯a1ma2m⋮anm
称为 m m m行 n n n列矩阵，简称 m × n m\times n m×n矩阵，为表现它是一个团体，总是加一个括弧，并用大写黑体字母表现它，记作：
A = ( a 11 a 12 ⋯ a 1 m a 21 a 22 ⋯ a 2 m ⋮ ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n m ) \mathbf{A}=\left(\begin{array}{cccc} a_{11} & a_{12} & \cdots & a_{1 m} \\ a_{21} & a_{22} & \cdots & a_{2 m} \\ \vdots & \vdots & \vdots & \vdots \\ a_{n 1} & a_{n 2} & \cdots & a_{n m} \end{array}\right) A= a11a21⋮an1a12a22⋮an2⋯⋯⋮⋯a1ma2m⋮anm
这 m × n m\times n m×n个数称为矩阵 A \mathbf{A} A的元素，简称为元（我超，元），数 a i j a_{ij} aij位于矩阵 A \mathbf{A} A的第 i i i行第 j j j列。
3.1.2 特殊的矩阵
- 行数与列数都即是 n n n（即行数与列数相等）的矩阵称为 n n n阶方阵， n n n阶矩阵 A \mathbf{A} A也记作 A n \mathbf{A}_n An；
- 只有一行的矩阵，也称行矩阵大概行向量；
- 只有一列的矩阵，也称列矩阵大概列向量。
3.1.3 例子
灰度图像在盘算机中是一个二维的矩阵，像素点的数值越小，该像素点对应的颜色越靠近于黑色；像素点的数值越大，该像素点对应的颜色越靠近白色，像素点的取值是0-255：
某厂向三个市肆发送四种产品的数目可列成矩阵：
A = ( a 11 a 12 a 13 a 14 a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 ) \mathbf{A}=\left(\begin{array}{llll} a_{11} & a_{12} & a_{13} & a_{14} \\ a_{21} & a_{22} & a_{23} & a_{24} \\ a_{31} & a_{32} & a_{33} & a_{34} \end{array}\right) A= a11a21a31a12a22a32a13a23a33a14a24a34
此中 a i j a_{ij} aij为工厂向第 i i i店发送这第 j j j种产品的数目。
3.2 线性变换
3.2.1 线性变换的几何表现
线性空间种的运动，被称为线性变换，线性空间种的一个向量酿成另一个向量，都可以通过一个线性变换来完成。输入向量（Input vector）通过线性变换变到输出向量（Output vector）
线性变换需要满足两个条件：
- 变换后的坐标原点在空间中要保持稳定；
- 向量的箭头的外形（不能被弯曲）在变换后也要保持稳定。
线性变换可以对空间中所有的向量进行，比如把二维空间中的所有向量想象成填满空间的点。
那么空间里的线性变换，实在就相当于对空间这个平面进行拉扯（坐标原点没变）。
下面哪个是线性变换？
只有右下角的图是线性变换，其他要么原点发送改变，要么箭头出现弯曲。
3.2.2 线性变换的数值描述——矩阵
在一个线性空间中，选定一组基向量，将变换之后的基向量的数值列表放在一个矩阵里，那么这个矩阵就可以代表这个线性变换。我们对下图中两个向量进行线性变换后，这两个基向量到了别的一个位置，然后用一组新的数值列表表现它们，这个矩阵就代表了线性变换。
比如在这张图中有两个基向量 i ⃗ \vec{i} i 和 j ⃗ \vec{j} j ，黄色的向量为 V ⃗ \vec{V} V ，一旦向量空间中的基向量确定，那么空间中的任何一个向量都可以用基向量的线性组合来表现。比如 V ⃗ \vec{V} V 就可以通过两个基向量 i ⃗ \vec{i} i 和 j ⃗ \vec{j} j 线性组合表现为 V ⃗ = − 1 i ⃗ + 2 j ⃗ \vec{V}=-1\vec{i}+2\vec{j} V =−1i +2j ，在几何上可以如许理解：向量 V ⃗ \vec{V} V 可以通过基向量 i ⃗ \vec{i} i 在反方向上进行一个单位的拉伸，然后对于 j ⃗ \vec{j} j 这个基向量在它原本的方向上进行两个单位的拉伸，然后将拉伸后的二者相加得到向量 V ⃗ \vec{V} V .
之后我们对空间进行拉伸，得到了下图（图中 i ⃗ \vec{i} i 和 j ⃗ \vec{j} j 是拉伸后的结果，黄色向量是 V ⃗ \vec{V} V 拉伸之后的结果）：
我们可以看到，由于线性变换的性质，网格线在变换之后会保持平行且等距，新空间里的黄色向量仍然可以通过 i ⃗ \vec{i} i 和 j ⃗ \vec{j} j 线性组合得到。
在对空间进行变换后， V ⃗ \vec{V} V 仍然可以由基向量表现，但是 变换后的 V ⃗ = − 1 变换后的 i ⃗ + 2 变换后的 j ⃗ 变换后的\vec{V}=-1变换后的\vec{i}+2变换后的\vec{j} 变换后的V =−1变换后的i +2变换后的j ，这个过程就是对我们的 V ⃗ \vec{V} V 在空间上进行一个线性变换，用公式来表现就是 A x = y \mathbf{Ax}=\mathbf{y} Ax=y，此中 A = ( 1 3 − 2 0 ) , x = ( − 1 2 ) , y = ( 5 2 ) \mathbf{A}=\left(\begin{array}{cc} 1 & 3 \\ -2 & 0 \end{array}\right), \mathbf{x}=\binom{-1}{2}, \mathbf{y}=\binom{5}{2} A=(1−230),x=(2−1),y=(25)
3.3 矩阵的运算
3.3.1 矩阵的加法
对应元素相加，与向量的加法运算一致。只有当两个矩阵的行数和列数一致时才可以相加，即：
C = A + B = ( a i j ) m × n + ( b i j ) m × n = ( c i j ) m × n , \mathbf{C}=\mathbf{A}+\mathbf{B}=\left(a_{i j}\right)_{m \times n}+\left(b_{i j}\right)_{m \times n}=\left(c_{i j}\right)_{m \times n}, C=A+B=(aij)m×n+(bij)m×n=(cij)m×n,
此中， c i j = a i j + b i j ( i = 1 , 2 , ⋯ , m ; j = 1 , 2 , ⋯ , n ) c_{i j}=a_{i j}+b_{i j}(i=1,2, \cdots, m ; j=1,2, \cdots, n) cij=aij+bij(i=1,2,⋯,m;j=1,2,⋯,n)，即对应元素相加。
3.3.2 矩阵的数乘
设 k k k是一个数， A \mathbf{A} A是一个 m × n m\times n m×n矩阵，数 k k k和 A \mathbf{A} A的乘积称为数乘矩阵，即
k A = A k = k [ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a m 1 a m 2 ⋯ a m n ] = [ k a 11 k a 12 ⋯ k a 1 n k a 21 k a 22 ⋯ k a 2 n ⋮ ⋮ ⋮ k a m 1 k a m 2 ⋯ k a m n ] = ( k a i j ) m × n , \begin{aligned} k \mathbf{A} & =\mathbf{A} k=k\left[\begin{array}{cccc} a_{11} & a_{12} & \cdots & a_{1 n} \\ a_{21} & a_{22} & \cdots & a_{2 n} \\ \vdots & \vdots & & \vdots \\ a_{m 1} & a_{m 2} & \cdots & a_{m n} \end{array}\right]=\left[\begin{array}{cccc} k a_{11} & k a_{12} & \cdots & k a_{1 n} \\ k a_{21} & k a_{22} & \cdots & k a_{2 n} \\ \vdots & \vdots & & \vdots \\ k a_{m 1} & k a_{m 2} & \cdots & k a_{m n} \end{array}\right] \\ & =\left(k a_{i j}\right)_{m \times n}, \end{aligned} kA=Ak=k a11a21⋮am1a12a22⋮am2⋯⋯⋯a1na2n⋮amn = ka11ka21⋮kam1ka12ka22⋮kam2⋯⋯⋯ka1nka2n⋮kamn =(kaij)m×n,
即 A \mathbf{A} A的每个元素都乘以 k k k.
3.3.3 矩阵和向量的乘法
矩阵和向量的乘法，本质上是对向量在空间上进行线性变换.
如果是左乘向量，那就是按向量的行和矩阵的列向量做内积，也就是按3.3.4的算法进行，右乘也一样，列向量可看作列矩阵，行向量可看作行矩阵，矩阵和向量的乘法完全可以按照3.3.4矩阵和矩阵的乘法法则进行。
3.3.4 矩阵和矩阵的乘法
代数上，矩阵之间的乘法是如许的（也就是矩阵 M 2 \mathbf{M}_2 M2的行向量和 M 1 \mathbf{M}_1 M1的列向量进行内积得到，矩阵的每一行可视为行向量，矩阵的每一列可视为列向量），矩阵的乘法只能是 m × n m\times n m×n的矩阵与 n × s n\times s n×s的矩阵相乘，如果左边矩阵的列数不即是右边矩阵的行数，则没法相乘。
几何上，矩阵相乘是空间中两种线性变换的叠加，比如在下图当中，我们起首对向量空间进行一个旋转（Rotation），然后再进行一个剪切（Shear），这个结果相当于对向量左乘一个矩阵（错切(shear)变换实际上是平面风景在投影平面上的非垂直投影效果。图像错切变换也称为图像剪切、错位或错移变换。）
3.5 矩阵的转置
把矩阵 A \mathbf{A} A的行换成同序数的列得到一个新矩阵，叫做 A \mathbf{A} A的转置矩阵，记作 A T \mathbf{A}^{T} AT.
比方矩阵：
A = ( 1 2 0 3 − 1 1 ) \mathbf{A}=\left(\begin{array}{ccc} 1 & 2 & 0 \\ 3 & -1 & 1 \end{array}\right) A=(132−101)
的转置矩阵为：
A = ( 1 3 2 − 1 0 1 ) \mathbf{A}=\left(\begin{array}{cc} 1 & 3 \\ 2 & -1 \\ 0 & 1 \end{array}\right) A= 1203−11
矩阵的转置也是一种运算，满足下述运算规律（假设运算都是可行的，加法需要满足矩阵行和列一致，乘法需要满足其条件，见3.3.4）
( A T ) T = A ( A + B ) T = A T + B T ( λ A ) T = λ A T , λ 是标量 ( A B ) T = B T A T . \left(\mathbf{A}^{T}\right)^{T}=\mathbf{A} \\ (\mathbf{A}+\mathbf{B})^{T}=\mathbf{A}^{T}+\mathbf{B}^{T} \\ (\lambda \mathbf{A})^{T}=\lambda \mathbf{A}^{T},\lambda是标量 \\ (\mathbf{A B})^{T}=\mathbf{B}^{T} \mathbf{A}^{T} . (AT)T=A(A+B)T=AT+BT(λA)T=λAT,λ是标量(AB)T=BTAT.
3.6 矩阵的行列式
3.6.1 行列式的界说
行列式是数学中的一个函数，将一个 n × n n\times n n×n方阵 A \mathbf{A} A映射成一个标量，记作 det ( A ) \det(\mathbf{A}) det(A)或 ∣ A ∣ |\mathbf{A}| ∣A∣。
3.6.2 二阶和三阶行列式的盘算
四阶及以上行列式盘算方法详见：
【高等代数条记】（8-13）N阶行列式
【高等代数条记】（14-17）N阶行列式
【高等代数条记】（18）N阶行列式
2阶行列式盘算公式：
∣ A ∣ = ∣ a b c d ∣ = a d − b c |A|=\left|\begin{array}{ll} a & b \\ c & d \end{array}\right|=a d-b c ∣A∣= acbd =ad−bc
3阶行列式盘算公式：
∣ A ∣ = ∣ a b c d e f g h i ∣ = a e i + b f g + c d h − c e g − b d i − a f h |A|=\left|\begin{array}{lll} a & b & c \\ d & e & f \\ g & h & i \end{array}\right|=a e i+b f g+c d h-c e g-b d i-a f h ∣A∣= adgbehcfi =aei+bfg+cdh−ceg−bdi−afh
3.6.3 行列式的几何意义
在二维空间里，行列式表现矩阵对应的线性变换前后的面积比，若在高维空间里，则是体积。
如果一个矩阵的行列式为负数，说明空间里的向量都进行了180度的翻转。
3.7 逆矩阵
3.7.1 逆矩阵的界说
给定一个 n n n阶方阵 A \mathbf{A} A，若存在一 n n n阶方阵 B \mathbf{B} B，使得 A B = B A = I n \mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}=\mathbf{I}_n AB=BA=In，此中 I n \mathbf{I}_n In是 n n n阶单位矩阵（就是从左上角到右下角的这个对角线上的元素满是1，其余位置满是0的方阵），则称 A \mathbf{A} A是可逆的，且 B \mathbf{B} B是 A \mathbf{A} A的逆矩阵，记作 A − 1 \mathbf{A}^{-1} A−1.
只有方阵才大概但非一定有逆矩阵，若方阵 A \mathbf{A} A的逆矩阵存在，则称 A \mathbf{A} A为非奇异方阵或可逆方阵。
比方：
( 1 1 0 1 ) ( 1 − 1 0 1 ) = ( 1 0 0 1 ) \left(\begin{array}{ll} 1 & 1 \\ 0 & 1 \end{array}\right)\left(\begin{array}{cc} 1 & -1 \\ 0 & 1 \end{array}\right)=\left(\begin{array}{ll} 1 & 0 \\ 0 & 1 \end{array}\right) (1011)(10−11)=(1001)
3.7.2 逆矩阵的几何意义
几何上，一个矩阵的逆矩阵代表的是该矩阵的反运动。
3.8 求解线性方程组
任何一个线性方程组可以写成矩阵和向量组相乘得到另一个向量，比如：
我们知道，矩阵和向量乘法相当于一个向量上施加矩阵 A \mathbf{A} A描述的线性变换：
那么如果要从 v ⃗ \vec{v} v 酿成 x ⃗ \vec{x} x ，实在就相当于在向量 v ⃗ \vec{v} v 上施加矩阵 A \mathbf{A} A的反运动，也就是矩阵 A − 1 \mathbf{A}^{-1} A−1，代数上，相当于在 A x ⃗ = v ⃗ \mathbf{A}\vec{x}=\vec{v} Ax =v 的两边同时乘上 A − 1 \mathbf{A}^{-1} A−1，得到 A − 1 A x ⃗ = A − 1 v ⃗ \mathbf{A}^{-1}\mathbf{A}\vec{x}=\mathbf{A}^{-1}\vec{v} A−1Ax =A−1v ，因为 A − 1 A = I \mathbf{A}^{-1}\mathbf{A}=\mathbf{I} A−1A=I，所以 x ⃗ = A − 1 v ⃗ \vec{x}=\mathbf{A}^{-1}\vec{v} x =A−1v ，当然，这里的条件是矩阵 A \mathbf{A} A的逆矩阵存在。
如果逆矩阵不存在，那也有两种情况：
如果线性变换的结果使得空间中所有的向量在一条直线上，这种情况下，如果 V ⃗ \vec{V} V 刚好在这条线上，那么解存在（Solution exist）；如果 V ⃗ \vec{V} V 不在这条直线上，说明线性方程组的解不存在（No solution exist）。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
