线性变换——线性代数的本质（二）

线性变换——线性代数的本质（二）

本节讲述线性变换与矩阵的关联、矩阵的作用，对后续矩阵乘法、行列式等等内容都极为重要，请各位阅读此节的朋友们务必掌握并了解里面的内容，为后面的学习打下基础。

线性变换

要了解线性变换，首先要知道它的定义嘛，以下来自百度词条：

线性映射（ linear mapping）是从一个向量空间是线性空间V到其自身的线性映射。而线性变换（linear transformation）是线性空间V到其自身的线性映射。

（emmm，对于我来说看了和没看一样哈哈哈😪）

抛开上面定义，我们来通俗地聊聊“线性变换”。

1、先说说变换：

其实你可以将变换理解为函数。函数是我们再熟悉不过的东西了：

接收数值，一顿内部操作，输出结果。

只不过，在线性代数里面，这个变换（函数）接收和输出不再是数值，而是向量。

那么说到这里，有人肯定会好奇了 ，既然是函数嘛，为什么还要整一个“变换“的新名词去包装它呀，和真正的函数有什么区别呀？

这里用的变换，其实是暗示我们用一种”运动”的角度去看待这种输入–输出关系，在大脑里面形成动画，可视化地表示出这输入向量移动到输出向量时的运动过程。

(自动脑补成动画形式)

2、再说说线性：

所谓线性变换，只需要满足两点即可：

1、变换前后原点必须保持固定。

2、变换前后直线依然是直线。

总的来说，线性变换是保持网格线平行且等距分布的变换。

概念倒是看懂了，那我们应该怎么描述线性变换呢？

经过线性代数的本质（一）基向量和线性组合的学习，我们知道只要改变标量的大小，就可以用基向量表示线性空间内的所有向量。

因此，空间中每一个向量都可以表示成基向量与标量数乘后相加，也就是我们说的缩放向量再相加。

还没看线性代数的本质（一）的兄弟们请就坐！

【线性代数的本质（一）链接】

在前面，我们知道线性变换是保持网格线平行且等距分布的变换。因此在这个过程中，线性变换中标量的度量标准没有发生改变，使得基向量发生了改变，标量并未发生改变。
所以，我们可以根据变换后的基向量推出变换结果。

我们以$\left[\begin{array}{c}-1\\ 2\end{array}\right]$为例讲解变换结果的推理。我们将该向量进行线性变换，变换到如图所示的位置。

此时初始向量$\vec{v}$的表示如下：

$$\vec{v}=-1\vec{i}+2\vec{j}\text{\hspace{1em}(1)}$$

由于线性变换中只有基向量发生了改变，因此我们更新一下$\vec{v}$的表达式，如下：

$$\vec{v}=-1(变换后的\vec{i})+2(变换后的\vec{j})\text{\hspace{1em}(2)}$$

下一步我们要找出变换后的基向量。

整个变换过程如下所示：

一个二维空间的变换仅由4个数字就可以完全确定！

就这样，看似抽象的线性变换，最后可以具体到向量数乘与相加，这就是线性代数的奇妙之处啊！只要我们知道这个线性变换中的基向量是怎么变换的，我们就可以推断任意向量在变换后的结果。

矩阵

我们将上面变换后的基向量$\vec{i}$ 和$\vec{j}$ 包装在一个2X2的格子中，称它为2X2矩阵。

假定一个二维向量$\left[\begin{array}{c}5\\ 7\end{array}\right]$，让其进行线性变换。来，我们拿出我们包装好的代表变换后的基向量的2X2矩阵，变换过程如下图：

所以，矩阵在这里只是一个记号，它含有描述一个线性变换的信息。

我们将其一般化成

$$\left[\begin{array}{cc}a& c\\ b& d\end{array}\right]$$
的形式。

那它是怎么作用于向量呢？

我们来列举一个实例。

假设我们在二维平面做一个逆时针的线性变换，相当于把网格逆时针旋转90°，基向量的变化情况如下：

$$\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\Rightarrow \left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$$
我们取任意一个二维变量，变换如下：

我们要注意一种特殊情况，如果二维空间线性变换后的基向量线性相关，则说明形成的矩阵是列相关的，最终这个二维平面会被压缩成一维平面，也就是直线。

今后，每当你看到矩阵的时候，你都可以把它解读为对空间一种特定的变换。

写在最后

本节内容为作者学习线性代数的笔记的整理，写得不足之处请大家指出，共同进步。如有兴趣，可关注我个人公众号“马克波罗的鸡腿”了解更多内容。