我们即将步入这一章的尾声,在本章前面的三个小节中,我们学习了矩阵和向量的表示方法以及加法、乘法等基本运算的规则,并能够熟练利用Python语言工具正确的对其进行描述和表示。但是显然我们不能仅仅满足于此,那么在这一小节里,我们一起回过头来静静的思考这样一个问题:矩阵A和列向量x的乘法运算Ax有没有其他更深层次的几何含义呢?
我们知道,向量需要选定一组具体的基底来进行坐标表示,在这一小节里,我们试图去寻找矩阵向量乘法和基底之间的关联关系,从而挖掘其中的深刻内涵。最终,我们将向读者揭示出这样一个重要事实,即:矩阵与向量的乘法,本质上可以看作是对向量基底的一种改变。本节的篇幅不长,但是内容极其重要,他将奠定了一种新的思想方法,请各位读者务必细细体会。
1.4.1 重温运算法则我们首先简单的回顾一下矩阵和向量相乘的运算法则。这里举一个简单的二阶方阵A与二维列向量x相乘的例子。当然,运算过程很简单,在之前的内容中已经涉及,运算公式是:
位于矩阵A第i行的行向量的各成分和列向量x各成分分别相乘后再相加,得到的就是结果向量中的第i个成分。这个计算方法有没有感觉到非常熟悉?没错,这不就是多次应用了向量点乘的定义式么?
即:
对于矩阵与向量的乘法运算,我们如果从行的角度来看确实就是如此。常规的计算操作就是按照这个过程进行执行的,但是看上去更多的是一种规则性的描述,似乎也没有更多可以挖掘的几何内涵。那么接下来,我们试试继续从列的角度再来看看,看看能否给我们带来一些新的收获。
1.4.2 列的角度:重新组合矩阵的列向量如果从列的角度来审视矩阵与向量的乘法运算,会有另一套全新的计算步骤。可能相比于前面刚刚介绍的从行角度入手的方法,大家对这种思考方式并不是非常熟悉。但是实质上这种方法从线性代数的角度来看,其实还要更为重要、更为直观一些。这里,我们还是用二阶方阵进行举例。
大家发现了一些规律没有?我们通过这种形式的拆解和组合,也能得到最终的正确结果,这就是从列的角度进行分析的乘法运算过程。
依托前面的知识我们可以对其进行这样的描述:从列的角度来看,矩阵A与向量x的乘法,实质上是对矩阵A的各个列向量进行线性组合的过程,每个列向量的组合系数就是向量x的各个对应成分。
这种理解的方式似乎有点新意,我们按照列的角度重新把矩阵A写成一组列向量并排的形式,然后再将其与向量x进行乘法运算,这样一来,从结果的表达式来看,他所包含的几何意义就更加