04-附注 三维空间中的线性变换

最新推荐文章于 2024-11-06 22:49:54 发布
最新推荐文章于 2024-11-06 22:49:54 发布
阅读量136 收藏 1
点赞数
分类专栏： 向量、矩阵、坐标变换 文章标签： 向量运算 矩阵 线性代数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gongfuyd/article/details/134227451
版权

附注 三维空间中的线性变换


这是关于3Blue1Brown "线性代数的本质"的学习笔记。

三维空间线性变换

在这里插入图片描述

图1 绕y轴旋转90°
绕y轴旋转90°后，各基向量所在的坐标如图1所示。用旋转后的各基向量作为矩阵的列，就得到变换矩阵。变换矩阵就是对原向量就是缩放、旋转。
gongfuyd
关注
专栏目录
附注-三维空间的线性变化--3b1b课程笔记
yubth的博客
01-02 121
3b1b课程笔记 md版本
线性代数的本质--笔记整理
qq_36735125的博客
08-23 2664
线性代数笔记 00 序言 尽管一批教授和教科书编者用关于矩阵的荒唐至极的计算内容掩盖了线性代数的简明性，但是鲜有与之相较更为初等的理论。 一一让.迪厄多内 线性代数不仅仅是数值的运算，还需要了解潜在的几何直观。（从数值水平和几何水平理解） ------------------------------------------------------------------------------------------ 01 向量是什么？ “The introducti...
线性代数的本质
yn3535_的博客
10-13 1011
v和w均为向量v×w＝平行四边形面积，如果v在w右侧，那么v叉乘w为正，并且值＝平行四边形面积，如果相反，那么v叉乘w为负，即平行四边形面积的相反数。顺序会对叉积有影响，i帽叉乘j帽结果为正，实际上，基向量的顺序就是定向的基础，因为i帽在j帽的右侧，所以记得v在w的右侧时，v叉乘w为正。行列式就是变换前后面积变化比例的度量，而我们关注的就是以i帽和j帽为边的正方形，变换之后 这个单位正方形变成我们关心的平行四边形。真正的叉积是通过两个三维向量生成一个新的三维向量。
线性代数的本质——学习笔记
qq_45440921的博客
02-17 2345
线性代数的本质——学习笔记 该课程为b站上，3Blue1Brown大佬出的一系列线代视频。花了几天时间好好消化了一下，受益匪浅。欢迎各位没看懂视频的老哥过来看看我的理解，有什么错误也希望能指出，非常感谢。 1-向量究竟是什么 向量的表示 建议：将向量的第一印象看作是在原点上的有向线段 我们可以用中括号框住的竖列的多元数组来表示向量，用以区分向量与坐标点 v⃗=[v1v2...v3] \vec{v}=\left[ \begin{aligned} v1 \\ v2 \\ ... \\ v3 \end{align
线性代数的本质-学习笔记2
不积跬步，无以至千里
06-19 1892
03 矩阵与线性变换 变换，本质上是函数，“变换”这个词在暗示你用运动区思考。 线性变换满足两点：1.直线在变换后仍然保持为直线，不能有所弯曲。（不仅仅指横、竖的网格，还有对角线）2.原点保持固定。 总的来说，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。 如何用数值描述线性变换？ 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，其他向量都会随之而动。 我们完全可以
线性代数的本质学习日记01-04
weixin_42402978的博客
03-31 128
数字即标量 标量与向量 将每一个左边看作一个标量 每一个标量拉伸或者压缩一个向量 每当我们用数学描述向量时，它都依赖于我们正在使用的基 对二维平面的基“缩放向量并且相加” Linear combination The “span” of v and w is the set of all their linear combinations. 张成的空间 二维向量的集合或者终点落在一...
【第四章 线性代数之矩阵乘法和线性变换复合】3Blue1Brown
Ving_x的博客
10-12 495
矩阵乘法和线性变换复合
附注2 - 非方阵
Rilkean Heart
03-31 470
附注2 - 非方阵 回到目录 我们之前讲的例子都是以方阵形式展开的，对于非方阵应该这样理解 先看一个二维向量到三维向量的变换 但是二维向量和三维向量记得是2个完全不同的东西，它们各自生活在没有任何关联的空间当中。当我们硬要把一个2维的坐标变换到3维上，还是从i和j下手，把变换后3维的i和j分别作为矩阵的列： 这样我们就得到了一个3X2的矩阵，实际上它是三维空间中一个过原点的二维平面。尽...
线性代数的本质笔记
SLAM小土堆
10-20 1637
两个向量的叉积表示的是这两个向量围成的平行四边形的面积。如果v在w的右侧，此时面积值为正，而如果v在w的左侧，面积值为负（右手定则大拇指朝内为负/ 以基向量i和j的定向为基础）。也就是说，顺序对叉积会有影响。如果不想去判断方向，只想进行数值计算，那么也可以用行列式来求值，见05-行列式以上两种不算是严格的叉积。真正的叉积是通过两个三维向量生成一个新的三维向量。如下所示，垂直于平行四边形的会有两个向量，使用右手定则确定。
SVM-支持向量机学习（1）：线性可分SVM的基本型
鸟恋旧林的博客
08-31 8486
1. foreword先看的是李航老师的书第7章，比较传统按照以下三节展开： 线性可分SVM 线性SVM 非线性SVM SMO算法 李航老师讲东西向来不拖泥带水，但本节也几乎用了40页的篇幅，足见涉及内容之多。7月底硬着头皮啃了下来，边看边在笔记上摘抄标注，花了2天时间对SVM有了基本认识。一个月过去了，如今重新整理为博客，再看轻松许多，并不断对比西瓜书的内容，启望达到融会贯通。西瓜书此节明显节奏轻
3DSMAX中英文对照大全(从A-Z分类)
Zen
11-05 4618
A 　　Absolute Mode Transform Type-in绝对坐标方式变换输入 　　Absolute/Relative Snap Toggle Mode绝对/相对捕捉开关模式 　　ACIS Options ACIS选项 　　Activate活动；激活 　　Activate All Maps激活所有贴图 　　Activate Grid激活栅格；激活网格 　　Activate Grid Object激活网格对象；激活网格物体 　　Activate Home Grid激活主栅格；激活主网格 　　Act
埃尔朗根纲领（1872）的中译本（2010-01-03 21:53:27）
u010401391的专栏
11-02 2322
 克莱因的数学成就： 一、分析 1.1对椭圆模函数（Elliptic Modular Functions）的研究 DedekindEta(tau) Dedekind eta function η(tau) KleinInvariantJ(tau) Klein invariant modular function J(tau) ModularLambda(tau) modular l
Java面试八股文（素材来自网络）
热门推荐
weixin_50776418的博客
07-14 1万+
不定时更新，素材来自网络，都附注有超链接，侵删 联系邮箱：zhenyu_li1998@163.com
非[I,P]结构的生成矩阵如何巧妙计算校验矩阵
Frost_Descent的博客
11-06 592
核心在于：通过初等行变换得到[I,P]结构的生成矩阵。这 4 个码字是线性无关的，所以它们也是。的一组基，所以它们的线性组合都是。初等行变换即可得到上述矩阵。的第1，2,4行之和),的第1，3,4行之和),
73. 矩阵置零
release_lonely的博客
11-06 471
因为当我们记录i,j是需要置0的行和列时，我们可以使用原矩阵的首行和首列置0来代替集合记录，因为后续操作这些位置也要置0的.时间复杂度O(nm),空间复杂度O(1)我们可以使用两个vector来记录需要置零的行和列，然后遍历这两个vector，将对应的行和列置零。这样的空间复杂度最大是O(n+m)时间复杂度O(nm),空间复杂度O(n+m)
旋转对称性，旋转矩阵的特征矢量也是T3矩阵的特征矢量
m0_53271604的博客
11-06 114
旋转对称性要求T3矩阵，在旋转后，特征矢量没发生改变，特征值大小也没变，即T3矩阵没有改变。
抖音短视频矩阵源码/矩阵系统搭建/短视频矩阵系统源码开发知识分享
shen161611的博客
11-06 620
在构建短视频矩阵系统时，通常会采用三种核心的框架技术：Spring、Struts和Hibernate。每种框架都承担着不同的职责，共同支撑起系统的高效运行。：作为全栈式的Java开发平台，它提供了IOC容器、AOP以及事务管理等关键功能，极大地简化了企业级应用的开发流程。：遵循MVC设计模式，主要用于构建动态网站或Web应用程序。通过将业务逻辑层、视图展示层及控制层相互独立开来，使得代码更加模块化且易于维护。
LoRA：大型语言模型（LLMs）的低秩适应；低秩调整、矩阵的低秩与高秩
最新发布
ZJQ的博客
11-06 71
目录LoRA：大型语言模型（LLMs）的低秩适应一、LoRA的基本原理二、LoRA的举例说明三、LoRA的优势低秩调整、矩阵的低秩与高秩一、低秩调整（LoRA）二、矩阵的低秩三、矩阵的高秩LoRA（Low-Rank Adaptation of LLMs），即大型语言模型（LLMs）的低秩适应，是一种高效的微调技术。它通过向模型中添加少量可训练参数（以低秩矩阵的形式），同时保持原始模型参数不变，实现了对LLM的快速定制化。以下是对LoRA的详细举例说明：发现更多精彩视频 - 抖音搜索假设我们有一个预训练的大型
第七章： 7.3求一个3*3的整型矩阵对角线元素之和
2301_78189441的博客
11-03 375
第七章： 7.3求一个3*3的整型矩阵对角线元素之和
SV360智能三维测绘系统：图形分幅与API安全设计指南
本指南详细阐述了在三维测图领域中，如何通过SV360智能三维测绘系统进行安全而高效的绘接图表操作，以及与之相关的API安全设计。章节涉及的主要内容包括： 1. 图形分幅设置：用户在进行地图制作时，需通过【分幅...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值