python如何使三维矩阵对位进行矩阵乘法_机器学习 线性代数基础 | 2.1 矩阵：描述空间中的映射...

关注我们更多精彩等你发现! 第2章  空间与映射：矩阵的灵魂

“空间”，是全书知识介绍的概念主轴。矩阵所扮演的角色就是完成向量在不同空间之间的映射过程，理解了这一点就能把控住了整个线性代数的灵魂所在。那么，本章就将具体讨论不同形态的矩阵所对应的不同映射过程，并在此基础上探讨逆映射、逆矩阵存在的条件。

为夯实本章甚至全书的理论基础，我们还将专门安排一节的内容讨论向量空间和其中最重要的四个子空间。最后会从空间的角度出发，谈谈线性方程组的解这个实际应用问题，目的就是为了理解好空间这个核心概念。

本章主要涉及到的知识点有：

◇  介绍矩阵如何表示空间中的映射关系 ◇  介绍不同形态的矩阵所对应的不同映射关系 ◇  探讨逆矩阵和逆映射存在的条件 ◇  介绍向量空间和子空间的基本概念 ◇  介绍列空间、零空间、行空间、左零空间这四个重要的子空间 ◇  从空间的角度讨论线性方程组的解问题 2.1  矩阵：描述空间中的映射

在上一章的内容中，我们学习到矩阵与向量的乘法会使得向量的空间位置甚至其所在空间的维度和形态都发生变化。那么，映射前的原始空间和映射后的目标空间之间存在着什么样的对应关系？这种对应关系的决定因素是什么？这将是我们这一小节要重点分析讨论的问题。

我们将从矩阵的形状-----这个看上去最为明显的特征入手进行分析。我们会发现“矮胖”形态的矩阵和“高瘦”形态的矩阵对应了不同的空间映射关系，即使是方阵与方阵之间，也存在着多种不同的映射情况。基于这些不同的观察现象，我们最终将引出“秩”-----这个映射后空间形态的决定因素，并挖掘他包含的几何意义，还将演示如何利用Python语言工具去求解一个具体矩阵的秩。

矩阵表示的空间映射

回顾上一章，在默认基底所构成的空间中，矩阵A与列向量x的乘法：Ax，其本质就是变换原始向量的基底。将默认基底中的各个基向量分别对应的变换为矩阵A的各个列，由矩阵A的各列充当目标向量新的“基向量”，再结合原始向量的坐标，最终得到目标向量在目标空间中的新位置。

因此我们可以概况的说：由于矩阵乘法的作用，原始向量的空间位置甚至其所在空间的维度和形态都发生了改变，这便是矩阵乘法的空间映射作用。

我们要再次着重强调一下：在第一段中我们将基向量这个词打了一个引号，原因是因为这种说法并不完全准确，没有考虑到很多特殊的情况。因为我们在上一章的结尾曾经提到过：矩阵A的各个列向量作为原始向量x默认基底经过转换后得到的目标向量，由于其在维度和线性相关性方面存在着多种不同的情况，因此这组目标向量的张成空间和原始向量所在的空间之间，就会存在着多种不同的对应关系。

本节我们将围绕下面这个乘法式子，来重点讨论这个问题。

降维了，“矮胖”矩阵对空间的压缩

对于m行n列的矩阵A，当m中的一个n维向量，向量x的n个默认基向量分别被矩阵A映射成了n个m维的目标向量。

由于m中的任意向量x经过映射作用后，都被转换到了一个维数更低的新空间之中，位于新空间中的新位置上。

由此，我们可以这么说：在满足m。

说了这么多，可能还不是很直观。我们用一个2×3的实际矩阵A来举例：，映射前的原始列向量是。我们知道，原始向量x是空间中的一个三维向量，他所采用的是一组默认的基底：，向量x就是基底的任意线性组合中的具体一种。

依照我们介绍的基变换思想，经过矩阵A的基变换后，这组默认的基底就被映射到了三个新的目标向量：，而映射后的目标向量就相应的变成了：