3blue1brown线性代数系列学习笔记01-点积和对偶性

线性代数系列学习笔记 - 点积和对偶性

定义点积（dot product）：
$$\vec{v}\cdot \vec{w}=\left[\begin{array}{c}{v}_1\\ v_2\\ v_3\end{array}\right]\cdot \left[\begin{array}{c}{w}_1\\ w_2\\ w_3\end{array}\right]=v_1{w}_1+v_2{w}_2+v_3{w}_3$$

首先作者提及我们可能对点积这个概念有一定的理解，知道它可以通过做投影（projection）后相乘的方式被理解。但是为何按照上述的定义，在数学操作层面，先把对应元素配对相乘后再相加得到的一个数值，会恰恰同几何学上的一个特殊的投影变换操作（transformation）对应起来呢？

作者提醒我们从对偶性（duality）的角度去看待这个问题，由此也引出了所谓的点积的两重性的概念。

正文

不同与数学书上的概念性解读：
$$L(a\vec{v}+b\vec{w})=aL(\vec{v})+bL(\vec{w})$$
作者提出先从直观上理解什么是线性变换（linear transformation）：

假设存在一个向量空间为二维平面，任意找一条直线，假若一个函数能把其上均匀分布（evenly spaced）的一系列点（也即是向量），都最终输出为一条新的直线，且对应的一系列点之间的距离也是均匀分布的，那么这个函数（变换）就是一个将二维输入转换为一维输出的线性变换。

事实上，只需知道变换 $L$ 将 $\hat{i}$ 和 $\hat{j}$ 分别映射为哪两个数值，以这两个数值构成的 $1\times 2$ 矩阵就完全表示了该变换。那么，任意给定二维平面中的向量 $\vec{u}$ ，都可以由下式：
[ L ( i ^ ) L ( j ^ ) ] ⏞ T r a n s f o r m [ u 1 u 2 ] ⏟ V e c t o r = L ( i ^ ) ⋅ u 1 + L ( j ^ ) ⋅ u 2 \overbrace{ \begin{bmatrix} L(\hat{i}) & L(\hat{j}) \end{bmatrix} }^{Transform} \underbrace{ \begin{bmatrix} u_1 \\ u_2 \\ \end{bmatrix} }_{Vector}= L(\hat{i}) \cdot u_1 + L(\hat{j}) \cdot u_2