08 以线性变换的眼光看叉积

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89 收藏
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/134239978
版权
本文通过线性变换探讨叉积，解释了如何将三维向量u和v关联到一维空间，揭示其与对偶向量的关系，从而清晰地展示计算过程与几何意义的联系。
摘要由CSDN通过智能技术生成

以线性变换的眼光看叉积


这是关于3Blue1Brown "线性代数的本质"的学习笔记。

回顾

在这里插入图片描述

图1 叉积的运算

总体计划

1、根据 u ⃗ \vec{u} u 和 v ⃗ \vec{v} v 定义一个三维到一维空间的线性变换
2、将这个变换与三维空间中的对偶向量相关联
3、说明这个对偶向量就是 u ⃗ \vec{u} u X v ⃗ \vec{v} v
之所以这样做，是因为理解这个变换能够解释清楚叉积的计算过程和几何含义之间的关系。
在这里插入图片描述

图2 叉积的计算过程和几何含义之间的关系

gongfuyd
关注
专栏目录
线性代数【19】叉积
山云的专栏
12-11 6863
1 标准的定义： 1.1 两个向量，他们围成平行四边形的面积就是叉乘的结果： 1.2 考虑叉乘的符号： v如何在w的右侧，那么为正，否则为负 对于基向量而言，符号的确认也是一样的， 【^i】在【^j】的右侧，所以，为正的。 2 行列式和面积的关系： 2.1 行列式的意义： (30条消息) 线性代数【16】再从向量空间理解行列式和重要的右手原则_山云的专栏-CSDN博客 2.2 行列式的计算值如何和叉积对应起来： 2.2.1 绝对值： 叉积就是计算这...
线性代数的本质 - 08 - 以线性变换的眼光看叉积
nbl97
06-05 2658
线性变换的眼光看叉积 我们在计算向量v⃗ ,w⃗ v→,w→\vec v,\vec w的叉积p⃗ p→\vec p时，通常如此： 并且被告知p⃗ p→\vec p具有如下三个几何性质： 长度等于v⃗ ,w⃗ v→,w→\vec v,\vec w张成的平行四边形的面积 方向与v⃗ ,w⃗ v→,w→\vec ...
线性代数——以线性变换的眼光看待叉积
weixin_44646187的博客
03-23 147
1.向量的叉积 2.从线性变换角度理解叉积
叉乘 线性代数_线性代数本质(8下)--以线性变换的观点看叉积
weixin_34692565的博客
12-23 722
上一部分内容我们介绍了叉积的基本知识，同时也留下了疑问，为什么叉积可以是这样计算的？ 另外，叉积有如下性质，如果通过计算验证，将是非常繁琐的： 如果采用线性变换的思想，这一部分内容将变得非常简单。8.1 主要内容主要内容可以拆分为以下三点： 1. 根据 定义三维向量映射到一维的变换； 2. 找到它的对偶向量 3. 这个对偶向量=在完成三个内容之后，就可以清晰地解释清楚叉乘计算过程与几何...
【线性代数的本质】以线性变换的眼光看待叉积
Veeupup博客
04-09 279
叉积 文章目录叉积的标准解释从线性变换看待叉积 叉积的标准解释 如果我们有两个向量，我们以这两个向量为边做一个平行四边形，这个平行四边形的面积就是这两个向量叉积的结果。 但是我们还是需要考虑定向问题，其实就是 i 和 j 向量的顺序，如果 j 在 i 的逆时针方向，那么就称为正的，否则为负的。 然后我们就可以计算出这个叉积的结果： 严格意义意义上说，以下三维向量才是叉积的定义（这里写成了...
叉积 证明_线性代数的本质08 叉积
weixin_36024829的博客
02-06 541
08-1 叉积基本介绍【熟肉】线性代数的本质 - 08第一部分 - 叉积的标准介绍_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com叉积也可以从线性变换的角度来深刻理解。在这之前先讨论一下叉积的基本知识。二维空间两个向量v和w，叉积v x w等于它们所围成的平行四边形的面积。请注意这种叉积计算是有正负的，代表取向。可以通过基向量i和j的相对位置关系来进行记忆，i...
线性代数的本质-08第二部分-以线性代数的眼光看叉积
weixin_30338497的博客
08-17 175
叉积究竟应该如何理解呢？如何从多维空间压缩到一维空间呢？如何解读他们的坐标呢？ 对偶性的思想在于：当观察到多维空间向数轴的线性变换时，它均与空间中的唯一一个向量所对应，应用线性变换和这个向量点乘等价。 数值上说：这是因为这类线性变换可以用一个只有一行的矩阵描述，而它的每一列给出了基向量变换后的位置。 叉积 根据向量v和向量w定义一个三维到一维的线性变换 ...
【线性代数的本质|笔记】从线性变换的角度看向量的点积和叉积
kodoshinichi的博客
08-29 1200
向量的点积和叉积，如何从线性变换的角度去理解其中的几何与代数意义。
两个三维向量叉积_线性代数的本质08 叉积
weixin_39625305的博客
12-30 715
08-1 叉积基本介绍【熟肉】线性代数的本质 - 08第一部分 - 叉积的标准介绍_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili​www.bilibili.com叉积也可以从线性变换的角度来深刻理解。在这之前先讨论一下叉积的基本知识。二维空间两个向量v和w，叉积v x w等于它们所围成的平行四边形的面积。请注意这种叉积计算是有正负的，代表取向。可以通过基向量i和j的相对位置关系来进行记忆，i...
线性代数的本质（七）——叉积
LFasd97的博客
09-20 2470
叉积的标准介绍 我们知道叉积的这个 在学习线性代数的时候，我们知道，两个向量做叉积运算会得出一个新的向量，新向量垂直于原两个向量所在的平面，而且新向量的长度是原两个向量所围成的面积大小。 a⃗×b⃗=det⁡([i^j^k^axayazbxbybz])=det⁡([i^axbxj^aybyk^azbz])\vec{a} \times \vec{b} = \det \left( \begin{bm...
图形变换与矢量叉积——三维几何运算解析
"矢量叉积-第二讲 图形变换、表示" 在计算机图形学中，矢量叉积是一个至关重要的概念，特别是在三维图形变换和表示中。它是一种仅适用于三维空间的运算，用于找到与两个给定矢量垂直的新矢量。这个运算在几何上具有...
多元函数第三：线性变换（1）Rn上的线性变换
汪星人来地球的博客
08-22 2918
线性变换是最基本的多元函数。因此要学习多元函数，首先需要对线性变换做一个彻底的了解。本文依然从代数学的角度去阐述线性变换的性质。自从泛函分析这门学科提出以来，代数学与分析学的联系越来越紧密。因此，多学习一些代数学的知识，很有必要。代数学其实并不难学，任何的代数学系统，都不是凭空捏造的。它只是我们熟知的数学运算的一个概括总结而已。例如，对我们的实数运算法则进行抽象，便有了域的概念。对我们n维实数空间...
线性代数几何意义解析-从线性函数到线性变换
向量作为线性代数的基础，它的加法、内积和叉积等运算都有明确的几何解释，例如向量加法表示位置的合成，内积表示向量的长度和方向的乘积，而叉积则描述了向量的旋转效应。向量的这些基本操作在处理复杂问题时扮演着...
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
11-06 113
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
11-06 619
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
11-03 374
第七章： 7.3求一个3*3的整型矩阵对角线元素之和
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