线性代数的本质
介绍:
线性代数在所有理工科,尤其是计算机科学的知识体系中,有着举足轻重的地位。但是传统的线性代数教材喜欢概念的罗列,晦涩的证明,以及复杂枯燥,又毫无意义的计算。让读者看到就头大,更别提体会到其中的美妙之处了。但是事实上,线性代数的提出是顺理成章的,线性代数的概念也是符合常识的。3Blue1Brown的B站系列视频就做到了以可视化的方式讲解线性代数的本质,看完这个系列视频,笔者受益匪浅。考虑到不是每个人都有时间和有必要看完全部视频,因此笔者整理了视频中的要点,希望对大家有所帮助。
传送门:
引入:
线性代数存在的意义:将现实生活的事物用计算机来识别并可以进行相应的处理。
正文:
基本概念
-
两个向量标量乘法之和:这两个向量的线性组合。
-
向量空间: 给定向量仅经过向量加法与数乘运算(全部线性组合构成的向量集合)。
-
线性相关:有多个向量,并且可以移除一个但不减少张成的空间,则称这些向量线性相关
其中一个向量可以表示为其他向量的线性组合。 -
向量空间的一个基:张成该空间的一个线性无关向量集。
-
复平面:z = a + bi
线性变换
- 变换只是函数的另一种说法,他们的共同点是获取输入,产生输出。而变换的特别点体现在变换体现了向量的移动过程。
- 线性变换需要满足的两个条件直线依然是直线,原点保持固定。即保持网格线平行且等距分布。
- 特殊的线性变换:
(1) 旋转:rotation
(2) shear剪切:i(1,0) j(1,1)
(3) 列线性相关:如i(2,1) j(-2,-1) 形成两个线性相关向量所张成的一维空间 - 两个矩阵相乘的几何意义(连续两次线性变换 即连续两次左乘 composition)
延伸到三维空间:3*3的矩阵表示一个线性变换
行列式(det):
- 线性变换有的将空间向外拉伸,有的向内挤压,行列式的绝对值用来描述变换究竟对空间有多少拉伸或挤压,即测量一个给定区域面积增大或减小的比例
- 行列式为0代表变换将空间压缩到更小的维度上
- 行列式为负值代表改变了空间的定向 (即将空间翻转:j由i的左边变到了右边)
线性方程组:
- Ax=v 即向量x经过线性变换A与向量v重合
- 逆矩阵:类似于倒带,观察v如何到x
恒等变换
- 解方程组:x = A^-1 v (det(A)!=0)
- 当变换的结果为一条直线时,也就是说结果是一维的,称变换的秩为1(即秩代表着变换后空间的维数)
- 所有可能的输出向量Av构成的集合,称为A的列空间
- 满秩:秩与列数相等
- 0向量一定在列空间里
- 对于满秩变换:有且只有0在变换后落在原点
- 对于非满秩变换:会有一系列向量被压缩,然后均落在原点。这些向量被称为矩阵的“零空间”/“核”
- 对于线性方程组,当v=0时,零空间给出的就是向量方程的所有可能解
- 3行2列矩阵的几何意义:将二维空间映射到三维空间上
1行2列矩阵的几何意义:将二维空间投影到一维空间上
点积:
- vw=w的投影长度v的长度
- 对应坐标相乘 结果相加
(正负与方向有关) - 两个向量做点积:将其中一个看作线性变换(从二维到一维)
- 对偶性:应用线性变换和使用对偶向量点乘等价
叉积:
- 将三维空间映射到一维,与这个变换对偶的向量p即为叉积
基
- 表达式:A^-1MA
暗示一种数学上的转移作用 - M代表一种变换
- 外侧矩阵代表一种转移
特征向量与特征值
- 几何意义:经过线性变换后,只经过了拉伸或压缩,并没有移动位置的向量称为矩阵(线性变换)的特征向量,拉伸/压缩的倍数称为特征值
- 举例:
旋转:特征值为1,特征向量为对称轴
对角矩阵:所有基向量均为特征向量,对角元为它们所属的特征值