线性变换与矩阵（3Blue1Brown视频笔记）

dd_cs_ccc

已于 2022-11-07 09:59:37 修改

阅读量603

点赞数

分类专栏：机器学习文章标签：矩阵线性代数算法

于 2022-10-28 12:10:25 首次发布

本文链接：https://blog.csdn.net/qq_43561370/article/details/127569157

版权

机器学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

线性变换（Linear transformation）

线性变换角度解读矩阵

变换和“函数”的定义大体相当，都是获得输入，输出对应的结果。线性变换考虑的是接受一个向量输出一个向量的变换。

对于线性变换而言，它突出“线性”原则。直线在变换后仍然为直线，原点保持固定。线性变换可以看做是“保持网格线平行且等距分布”。我们可以得到线性变换的一个重要推论，即变换后的 $\overrightarrow{v}$ 同样本为变换后的 $\hat{i}$ 和变换后的 $\hat{j}$ 的线性组合，并且该线性组合和变换前一致。如下图，他们保持了 $\overrightarrow{v} = -1 \hat{i} + 2 \hat{j}$ 的关系。

变换后的基向量分别落在了 $1 \,\, -2]^T$ 和 $3 \,\, 0]^T$ 这两个位置上，那么根据 $\overrightarrow{v}$ 和基的线性组合关系，可以简答的计算出变换后的 $\overrightarrow{v}$ 坐标为 $5 \,\, 2]^T$ 上。

在线性代数中，我们通常使用 $\hat{i}$ 和 $\hat{j}$ 来表示二维空间的基向量（向量空间中任意一个元素都可以唯一地表示成基向量的线性组合）。如果基中元素个数有限，就称向量空间为有限维向量空间，将元素的个数称作向量空间的维数。那么对于二维空间的线性变换而言，我们只需要记录两个基向量变换后的位置，就可以得到任意向量经过该线性变换后的结果。

如此以来， $\overrightarrow{v}$ 可以是向量空间中的任意元素。在看待线性变换时，我们其实可以从向量的层次跳出来，以整个空间维度来研究线性变换带来的影响。换而言之，更好地体会线性变换对整个空间形状的改变，我们可以对空间中所有的点同时做变换。在下面的图中，白色线为变换前的空间形状，蓝色线为变换后的空间形状。（需要特别指出变换后 $\overrightarrow{v}$ 的坐标 $5 \,\, 2]^T$ 代表的是变换后的 $\overrightarrow{v}$ 是在原始空间的位置。在变换后的空间中，用新的基地表示 $\overrightarrow{v}$ 的话，还是 $1 \,\, 2]^T$ ）

那么推广一下，该变换对于空间中任意的元素，可以有如下的表示。

由此可以得出，一个二维线性变换可以仅由四个数字完全确定。如果我们将变换后的基地坐标放到一个 $2\times 2$ 的格子中，称其为 $\times 2$ 的矩阵。这样我们将可以从线性变换的角度看待矩阵，矩阵的列为变换后的基向量，矩阵和向量的乘法看做他们的线性组合。

特殊的线性变换

旋转

将空间逆时针旋转 $\degree$ ，有了第一部分的铺垫，可以很快的写出来这个线性变换， $0 \,\, 1]^T \,\,[-1\,\, 0]^T]$ 。原理上讲就是同时旋转 $\hat{i}$ 和 $\hat{j}$ ，然后写出他们旋转后的坐标。

剪切（Shear）

保持 $\hat{i}$ 不变， $\hat{j}$ 移动到 $1 \,\, 1]^T$

矩阵对应的线性变换

上面我们分析的主体是线性变换，引出了矩阵这一强大的载体。那如果给定矩阵，同样的可以把它分解为线性变换。将原空间的基底对应矩阵的列进行转换，就得到了矩阵如何对应一个线性变换。

那么，考虑一种特殊情况，变换后的基底之间成倍数关系，那么该矩阵会将二维空间（以二维空间为例）的形状改变成什么样子呢？直接上图，也就是将二维空间压成了一维空间。

矩阵乘法

矩阵乘法，在线性变换视角下，可以看做是一个线性变换作用域某个特定向量。向量 $x \,\, y]^T$ 可以看做是对基底（矩阵的列）的线性组合。在线性变换前， $x \,\, y]^T$ 作用的对象是 $1 \,\, 0]^T \,\,\, [0 \,\, 1]^T]$ ，即 $[\hat{i} \,\, \hat{j}]$ 。