【线性代数的本质 - 系列合集】03 矩阵与线性变换（万字详文）

Hfjsbdhc

已于 2023-06-21 09:21:33 修改

阅读量212

点赞数 1

分类专栏：线性代数的本质文章标签：线性代数矩阵

于 2023-06-16 14:52:27 首次发布

本文链接：https://blog.csdn.net/HAICHANG1105/article/details/131240945

版权

线性代数的本质专栏收录该内容

4 篇文章 1 订阅

订阅专栏

兄弟们，没看过视频的先滚去看视频！！！笔记是用来复习的

课程是blibli和youtube上的：
线性代数的本质 - 系列合集
 Linear transformations and matrices | Chapter 3, Essence of linear algebra

开场

嘿大家好！
如果要我选出一个主题，它不仅让线性代数的其他内容一目了然
又经常被初次学习线性代数的人忽视
我会选择这个——线性变换的概念以及它和矩阵的关系
在这里插入图片描述

在这期视频中，我只会集中讨论
这些变换在二维空间中长什么样
在这里插入图片描述

以及它们如何与矩阵向量乘法关联
尤其是展示一种不用死记硬背的考虑矩阵向量乘法的方法
在这里插入图片描述

线性变换

首先，我们先来解析“线性变换”这个术语
“变换”本质上是“函数”的一个花哨的说法，它也是接收输入的内容，并输出对应的结果。
在这里插入图片描述
函数的输入和输出如下，

特别地，在线性代数的情况下，我们考虑的是输入一个向量，并输出一个向量的变换。

既然“变换”和“函数”意义相同，为什么还要使用前者而不是后者？

在这里插入图片描述

因为使用“变换”是在暗示以特定方式来可视化这一输入-输出关系
一种理解“向量的函数”的方法是使用运动
在这里插入图片描述
如果一个变换接收一个向量并输出一个向量
我们想象这个输入向量移动到输出向量的位置

接下来，要理解整个变换
我们可以想象每一个输入向量都移动到对应输出向量的位置
因为将向量看作箭头时，同时考虑所有二维向量会变得非常拥挤
在这里插入图片描述

所以按照我上期视频所说的，一个好技巧是
将每一个向量看作它的终点，而不是一个箭头
在这里插入图片描述
用这种方法考虑所有输入向量都移动到对应输出向量的位置时
我们只用看空间中的所有点移动到其他点的位置

二维空间变换这种情况下
为了更好地体会整个空间形状上的改变
我喜欢对无限网格上的所有点同时做变换
我有时也喜欢在背景中保留原始网格的副本
以便追踪终点与起点的相对关系
在这里插入图片描述

你得承认，各种各样对空间的变换所产生的效果是很美妙的
它们能给你一种挤压和变形空间的感觉
在这里插入图片描述

在这里插入图片描述
你也能想象到，任意一个变换可以非常复杂

但幸运的是，线性代数限制在一种特殊类型的变换上
这种变换更容易理解，称为“线性变换”

整个线性代数都是考虑“线性”的情况下

在这里插入图片描述

直观地说，如果一个变换具有以下两条性质，我们就称它是线性的
一是直线在变换后仍然保持为直线，不能有所弯曲
二是原点必须保持固定
在这里插入图片描述

举几个例子，现在所示的这个变换不是线性变换
因为直线变得弯曲了
在这里插入图片描述

而对于这一个变换，即便保持直线平直，它也不是一个线性变换
因为它移动了原点的位置
在这里插入图片描述

这一个变换保持原点不动，乍一看它好像保持直线平直
但实际并非如此，因为我只给你展示了水平和竖直的网格线
当你看看它对一条对角线作用时，很明显它不是一个线性变换
因为这条线变弯曲了在这里插入图片描述

总的来说，你应该把线性变换看作是“保持网格线平行且等距分布”的变换
在这里插入图片描述

部分线性变换很容易思考，比如关于原点的旋转
在这里插入图片描述

其他的稍显复杂，难以言表
你觉得应该如何用数值去描述这些线性变换呢？
在这里插入图片描述

比如说，你在通过编程制作动画和视频来教授这一主题
你应该给计算机什么样的计算公式
使得你给它一个向量的坐标，它能给你变换后向量的坐标呢？
在这里插入图片描述

实际结果是，你只需要记录两个基向量i帽和j帽变换后的位置

是变换后的基向量

在这里插入图片描述
其他向量都会随之而动

比如说，考虑坐标为(-1, 2)的向量v
这个向量就是-1与i帽之积和2与j帽之积的和
在这里插入图片描述

如果我们运用一些变换，并且跟随这三个向量的运动
网格线保持平行且等距分布的性质有一个重要的推论
变换后的向量v的位置，是-1与变换后的i帽之积，加上2与变换后的j帽之积
换句话说，向量v是i帽和j帽的一个特定线性组合
那么变换后的向量v也是变换后i帽和j帽的同样的线性组合
这意味着，你可以只根据变换后的i帽和j帽，就推断出变换后的v
这也是为什么我喜欢在背景中保留原始网格的副本
在这里插入图片描述

对于现在所示的变换，我们可以看出i帽落在坐标(1, -2)上
j帽落在x轴上，坐标为(3, 0)
也就是说，-1乘以i帽加上2乘以j帽所代表的向量
会落在-1乘以向量(1, -2)加上2乘以向量(3, 0)的位置上
简单运算之后，你就能推断出向量v一定落在向量(5, 2)上
因为这个过程非常重要，所以值得你停下来体会一番