线性代数

1.求矩阵的逆

（帮助理解：花了10分钟，终于明白矩阵的逆到底有什么用）

2.求特征值/特征向量

【工程数学基础】1_特征值与特征向量             这个B站视频基本上算是讲透了

3.矩阵的秩（rank）

Rank (linear algebra)

Tensor Values 

A tensor's rank is its number of dimensions 

3.1 矩阵满不满秩影响了什么

首先要说一下矩阵的本质是什么。一句话总结:矩阵是一种操作。对谁的操作呢？是对向量的操作。

 不满秩的矩阵，对向量会产生降维操作的影响。

首先要说一下矩阵的本质是什么。

一句话总结:矩阵是一种操作。

对谁的操作呢？是对向量的操作。学习线性代数前，我们一直在实数的范畴考虑问题，学习线性代数后，就应该以向量（也就是一组数）作为考虑问题的基本单元。

考虑二维向量的集合。可以直观地看到，二维平面中点的集合就等同于二维向量的集合。

矩阵A乘以向量b，可以得到另一个向量c。若向量b,c均是二维，矩阵A就可以看做一个对二维向量的操作。

矩阵不满秩有两种情况（讨论行不满秩）：

一，某一行或者列为零。二，某两行或者多行线性相关。

一：讨论某行为零

这时可以发现，如果向量b两个元素全都不是零，而矩阵A没有0行，则向量c两个元素一定都不是0。

如果矩阵A仅有一个非零行，则向量c必有一个元素为零，另一个非零。

如果矩阵A没有非零行，则向量c为零向量。

这时候，你可以理解为，一个有零行的矩阵，会对一个向量构成一种"降维"的操作。

对于n维向量b，元素均不为零，若前面乘以n维，非零行数为m的矩阵A，计算出的向量c中有n-m个零。

二：讨论线性相关：

若矩阵A某两行线性相关，则这两行分别乘以向量b，得到的两个元素必为k倍的关系。

想象整个空间中所有向量都被矩阵A乘在前面，那么，得到的新的向量，全部都有两个元素成k倍的关系，在二维空间中，就是整个二维平面经过操作后，所有向量都在y=kx直线上。这也可以看做一种“降维”。相应的，n维空间，经过秩为m的矩阵操作。得到的新向量有n-m个元素满足方程约束，新向量的集合构成一个维度小于n的空间。

 作者：Yuanqi Li
链接：https://www.zhihu.com/question/299765564/answer/517121739
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

4.矩阵的样子与元素的位置

          之前记Am*n，总是分不清行？列？竖着的？横着的？

          直接记住下面这个矩阵的样子吧，还有左下角、右下角上的元素。直接对应，就和当时三角函数直接及三角形的样子和边长一样，不用计算sin之类的直接倍数就得出来。

         左上角是a11,不用记，鬼都知道。   右上角是a1n，左下角am1，右下角amn。

         嗯，右下角是amn,这个矩阵是Am*n。关键记住最低行开头是am1，结尾是amn；第一行结尾是a1n。

5.矩阵的行列式

线性代数复习笔记——第一章

行列式

（1）由二元线性方程组引出二阶行列式。行列式是一个值，不是一个矩阵。

（2）二阶和三阶行列式的值可以通过对角线法则计算，更高阶的不符合对角线法则。

矩阵可以对向量进行变换，而行列式代表的是矩阵变换前后的面积（体积）之比。

也就是之前遇到的说法，体积扩大的倍数。

               无法理解线性代数怎么办？           这篇写得很好

而矩阵可以对向量进行变换，比如通过旋转矩阵可以让某个正方形变换为旋转后的正方形：

而行列式代表的是矩阵变换前后的面积（体积）之比：

很显然旋转正方形不会导致面积改变，所以旋转矩阵变换前后的面积之比为1，或者说行列式为1：

6.方阵

只有方阵才能求逆         （矩阵论中有伪逆，非方阵可求伪逆）

只有方阵才有行列式

自己的理解：当矩阵操作  的后面跟的向量组的模样确定之后，矩阵的长式确定的，只有长等于后面向量的维数，这个相乘才有意义。而被认为是一个操作的这个矩阵，它的高决定了操作完产生的新的矩阵的高，也就是新的向量组的向量的维度。只有是方阵的时候，新的到的矩阵跟原来的被操作的那个矩阵 的高才相同。 

7.张量——tensor

 这篇说得很清楚                 这是一份文科生都能看懂的线性代数简介

 

标量

标量就是一个简单的数，比如 24。

向量

向量是一个有序数组，能够写成一行或者一列的形式。向量只包含一个索引，用来表示向量中的某个特定元素。比如 V_2 表示向量中的第二个元素，在上面淡黄色的图中是-8。

矩阵

矩阵是一个有序的二维数组，有两个索引。第一个索引表示行，第二个索引表示列。例如，M_23 表示的是第二行、第三列的元素，在上面淡黄色的图中是 8。矩阵可以有多个行或者列，注意一个向量也是一个矩阵，但仅有一行或者一列。

淡黄色图中有一个矩阵的例子：一个 2×3 的矩阵 (行数×列数)。下图中是另一个矩阵和对应的表示形式。

张量

三维张量是按照一定规律排列在方格中的数组，其中一个变量数字表示轴。张量有三个索引，其中第一个索引表示行，第二个索引表示列，第三个索引表示轴。例如，V_232 指向第二行、第三列、第二轴的元素，在下图右边的张量中表示 5。

张量是上面谈到的概念中最常用的一个，因为张量是一个多维数组，同时可以是一个向量或者一个矩阵，具体取决于它的索引数量。例如，一阶张量可以表示向量（1 个索引），二阶张量可以表示矩阵（2 个索引），三阶就是张量（3 个索引），更高阶的称为高阶张量（超过 3 个索引）。