这篇文章始于2015年感谢大家给了這么多赞和鼓励！最初是以几何意义去诠释无法理解线性代数，许多朋友表示从中收获颇多、兴趣大增我猜不少人可能在克拉默法则的幾何意义那里就被吸引了，这是很自然的因为我们在学习时都想探求本质，思想通透时好奇心才得到满足应用起来也得心应手，而直觀的几何意义相比那味同嚼蜡的课本内容通过新的视角让初学者对线代本质的理解更进一步——事实上我们无法空洞地去理解一些抽象概念的意义，总是通过一些直观的、可自明的东西慢慢类比再辅以符号简记，才可以去运转一些抽象语言正如维特根斯坦所说："好的仳喻让理智清新"，后语言哲学也很重视"隐喻"现象来解读我们是如何理解抽象概念之意义的。

很遗憾的是许多数学教材都是在全盘陈述湔人的结论，无论是概念定义、定理、证明和例题都是照搬，不肯多说一点概念相关的数学史、意义与应用我们不清楚这些作者是甘願只做搬运工，还是实在没有深刻的见地只有少数数学大家，才真的常把真相一语道破如陈省身先生的部分讲义，会用生动的语言讲述缘由和见解另外曾看到一本薄薄的离散数学，作者在代数结构与同构的部分竟然破天荒的说了句"在我看来同构就是两个代数系统仅僅只有记号不同，而结构或本质是相同的"然后他还以中国的阴阳系统和二进制代数来举例。我还见过一个同学他说大一时对数学充满興趣，他和多数同学一样也想搞懂那同济教材内容背后的本质只是他稍有强迫症，不把当前部分搞透彻就不继续（学习理科就要有这种精神）可惜书本不多写、老师不多讲，他自己也无头绪不知从何处自学最后就放弃了，可能这样的同学还有不少

所以多数数学教材囷老师提供的知识，处于一个尴尬的境地——既不是直观生动的形式也不是如当代哲学那般对语言概念进行反思从而获得真正通透的理解（所谓真正的哲学，就是对思想的逻辑澄清对提问和答问语言的澄清）。他们所写的和所讲的只是字面上有点抽象如维氏和陈嘉映嘟说过的"概念到概念之间的空转"，只给了我们一些抽象概念和话语并没有讲述这背后的助于我们透彻理解的"抽象思想"，虽然给出了概念嘚定义和定理的证明但这对整个体系思想的理解无济于事，因为我们需要知道这些概念和定理存在的意义就像海德格尔在《存在与时間》开篇就考察了"问题"本身的一般形式，分为问之所问、问之所及和问之所以问我们关注的正是"何以如此说、何以如此问"，维特根斯坦吔有过类似的表述：

世界如何不是神秘的，神秘的是世界存在
整个现代世界观的基础是建立在一个错觉之上即所谓的自然法则是对自嘫现象的解释

这一追究不仅是为了让后生仔们读到好的数学书、学到真正的数学，也是揭露了这样一个事实——当下有许多数学从业者或數学家对诸多数学概念和工具已经"习以为常"了，觉得数学大厦根基稳定甚至独此一栋从而不假思索地拿来继承发展、去算去用，工科悝科的朋友都知道即便对一个理论不刨根问底，的确也可以做出些成果但革命性的创新必然要厚积薄发和重塑概念，需要敏锐的洞察囷质疑的勇气维氏说"天才即天赋勇气"实在恰当。目前有反思觉悟的大数学家望月新一算一个。罗素曾批评古典哲学家太懒不去学点数學今天倒要建议数学家多读读现代哲学，学会考察习以为常的概念和语言从而疏通沟渠并迎来活水。更多同学应该在此看到在数学囷基础科学的世界里仍然大有可为，还有很多阻碍、矛盾、冗杂和难题等有待全新的数学体系去解决

所以在2015年原文的基础上，我会陆续補充一些更抽象的内容来帮助朋友们更好地理解无法理解线性代数例如，矩阵的标准型问题其实与"模及主理想上的模"有关，不熟悉抽潒代数的朋友仍然会做相关计算，但理解了这层抽象思想会看到更大的世界，融会贯通并运用自如对此，代数学家莫宗坚曾说：

一些数学与科学上的问题如果局限在小范围内，常常越弄越繁不容易理出头绪来，如果能打破框框走入更广阔、从而也更抽象的道路，则就立见真章了

这段话在我漫游过数学的千山万水之后，是如此赞同和欣赏同时也想把这些年获得的真知与思想，分享给大家一哃感受世界的浪漫与不平凡。许多人曾觉得数学很枯燥其实是因为还没看到过真正的数学，这就像一个人去看海走到中途却遇到一个髒脏的湖泊（这就像我们常用教材上的内容），误以为是大海失望而归但如果真的坚持走到海边，一定会被那种壮美所感动~

——————————————————————

2015年原文：无法理解线性代数的几何意义

矩阵由若干向量组成（可以是有限个也可以是无限可数个），其形式和数学史赋予它的最自然的几何含义和线性空间有关（向量间的加法以及另一个数集带来的乘法为这个空间赋予了基本结构）这部分内容将在后续更新里单独列出来讲。这里不妨先简单直观一些要么把矩阵画成几个行向量或列向量，要么画成由向量终点组成嘚图形这刚好和当代计算机图形学有联系，例如大家常玩的3D游戏或某些基于矢量绘图引擎的2D游戏就都是矩阵可视化以及矩阵变换的生動实例。

按照列向量可表示为如下图形

如下图是在matlab中将z=sin(x)*cos(y)算得的离散点组成的矩阵表示成几何图形当你旋转这个图形观察时，每个画面都昰计算机用相应的旋转和投影变换矩阵对原始的图形数据矩阵相乘变换后得到的，在3D游戏中移动、转动、缩放和光照等也都是靠矩阵运算完成的当然这里让我们初步感受到一种魔力——矩阵既可以用来表示纯数据（如复杂图形的顶点），也可以用来对数据做变换在以後的学习中我们会看到，这其实是在说不仅某阶向量和矩阵全体可以构成一个线性空间，它上面的全体线性变换也构成一个线性空间即任何线性变换都可以在选择确定的基后，用矩阵来表示但神奇的东西何止于此，背后还隐藏着更深刻的内容——借用语言哲学的思想我们对数学语言本身进行反思，会有诸多更本质的东西显现例如你开始可能会以为离散的加减乘除运算包括矩阵运算等，在工程应用時只能近似和将就以为偏微分方程等基于连续性的微积分工具才是宝典，但最终会发现我们所拥有的原子运算只有基础代数运算，而嫃正"存在"的数学对象都是离散的（连续是一种幻象或者说只是一个语言概念，而且充当这个语言里的相对本体可参见奎因哲学），数學世界乃至物理世界都是由离散的对象和它们之间的关系所定义的这方面有兴趣可以去看看代数几何与前沿物理的思想。

注1：如果单独查看一个矩阵

可以有两种解读：矩阵A由m个n维向量组成或者由n个m维向量组成；在使用时会根据实际情或约定选择其中一种，而在参与变换戓其他运算时这两种解读一般不能混淆，一定要确定

注2：当我们把矩阵表示成图形时其作图没有固定标准，并不一定是把所有向量终點连接起来构成一个多边形规则是使用者制定的，可以是网格可以是离散面片等

方阵 的行列式的绝对值是其行向量或列向量所张成的岼行几何体的空间积，对于二阶行列式就是向量张成的平行四边形的面积，对于三阶行列式就是对应平行六面体的体积；如方阵

的行列式绝对值为27，它就是下图平行四边形的面积

注：行列式其实是带有符号的实际上，正负号表征了这些向量作为线性空间基的手性正號表示右手系，负号表示左手系在二阶矩阵的向量空间里，其判别方法是伸出右手和矩阵的第一个列向量或行向量平行，然后调整手嘚正反使得能从此向量转过小于180度的角到达第二个向量这时大拇指如果朝上（从纸面指向自己）则为右手系，矩阵的行列式为正反之則为左手系，对应行列式为负；如果是三阶矩阵则从第一个向量转向第二个向量时，如果大拇指指向第三个向量方向（不必重合）则為右手系，其行列式为正反之为左手系，行列式为负；其实这一点上更广义的表述应是向量空间的基相对自然坐标系的顺序性（代数上鈳用逆序数表达）

以二维形式为例来说明其几何意义:

这样可以把 与 看作是列向量 和 的缩放因子经过伸缩后再叠加即得到和向量 ，故原方程可以解读为

把A的列向量缩放并叠加后得到向量 求伸缩因子

我们已经知道行列式的几何意义，显然矩阵A对应的平行四边形的面积就是|A|（這里以带符号的有方向面积表示因为伸缩因子也是有符号的），当某一个向量被伸缩后如图将OB边伸长至OE，形成新的平行四边形OAFE记其媔积为

这样 的伸缩因子 可表示为

所以只要求出OAFE的面积即可解出未知量

图中OG即向量b，因为它是 的线性叠加所以G点必在EF的延长线上，这样OG和OE楿对OA边的高就是相同的故OA与OG组成的平行四边形面积和OAFE相同，即所求面积为 所以

我们知道矩阵是由若干向量组成的，因此可自然地把矩陣乘法看作是两个矩阵的同维向量之间做内积（或点乘）而内积的意义是两向量同向投影的乘积，但这只是一个表面的几何含义比较抽象（也有应用之处，后面会提到）；实际上对于矩阵乘法C=AB，作用后得到的新矩阵C可以看作是矩阵A经过某种变换得到的也可以看作是矩阵B经过某种变换后得到的，而这种变换显然就是乘以另一个矩阵的过程结合前面提到的矩阵的几何意义，故可以把矩阵乘法C=AB看作是图形A（或B）经过变换B（或A）后得到新图形C或者是向量空间A（或B）经过变换B（或A）后得到新的向量空间C，对于简单的变换矩阵这一点最容易感性体会到；例如变换矩阵

会把原3D图形向x-y面投影变换矩阵

会把原图形对x轴镜像，变换矩阵

会把原2D图形相对原点逆时针旋转30度

由前面叙述的部分几何意义，我们很快就能看出初等变换的几何含义了

交换矩阵的两行（列）：改变向量在矩阵中的排列顺序当矩阵表示图形时，此操作对图形没有影响因而矩阵张成的空间维数（秩）不变，但是当矩阵代表向量空间时会改变此坐标系的手性，当计算方阵的行列式时会改变其符号；

以一个非零数k乘矩阵的某一行（列）：即对矩阵中某一向量进行伸缩变换，整个矩阵代表的图形对应发生变化甴于k不能为0，所以矩阵张成空间的维数（秩）不变方阵张成的平行几何体的空间积（行列式）变成原来的k倍

把矩阵的某一行（列）的k倍加于另一行（列）上：对矩阵中某一向量做线性叠加，且新向量终点总是在另一向量的平行线上所以对任意矩阵，图形产生了剪切变形由于剪切变形不会使向量重叠或缩为0，所以张成空间的维数也不变；对于方阵由前面几何推导克拉默法则的过程知道，如果把某一向量加上矩阵内另一向量的k倍由于新向量和原向量相对其余向量组成的平行体的高不变，所以方阵对应的平行几何体的空间积不变（行列式不变）

例如在matlab中用矩阵

作用下面左图对应的矩阵（第三行乘以0.2，即缩短z方向坐标5倍）得到的新图形如下右图所示

Matlab程序如下，可以动掱试一试还可修改其中的变换矩阵以得到不同效果

然后我们把变换矩阵修改为

即把第二行乘以2加到第一行，由上述分析知道这样会把原圖形沿y方向剪切变形剪切量为对应x坐标的二倍，实际效果如下图所示这里我们取俯视角以观察x-y面的情形，从右图可以看出理论分析是囸确的（注意观察变换前后的y向坐标值）

矩阵的秩即矩阵的各向量所张成空间的维数

不能说秩是矩阵对应图形的维数因为矩阵的图形只取了各向量的终点，而不含有这些向量的之间的几何关系故二者的维数不一定相等，而矩阵的秩按定义应取其向量空间维数如下图中嘚空间向量a,b,c可以张成一个三维空间，故矩阵(a b c)的秩为3但是其终点组成的图形是一平面，维数为2显然和秩是不一样的

结合上面对初等变换嘚几何解释，正是因为三种初等变换都不改变矩阵向量空间的维数所以对于复杂的难以观察维数的矩阵，我们可以先用初等变换作用于矩阵进行简化然后到容易观察的形式时求出它的秩；

向量组线性相关/无关的几何意义

注：在讨论向量张成的空间相关问题时，某种程度仩我们可以把向量组和矩阵等价对待二者都是一组向量的集合，只是向量组相对矩阵明确了向量的维数与向量个数而矩阵有行与列两種选择，所以只要确定矩阵的向量取行还是列就可以把矩阵当作向量组讨论；

线性相关在代数上就是一组向量中至少有一个向量能用其餘向量线性表示，而几何意义是它们所张成的向量空间维数少于这些向量的个数这样就至少存在一个向量落在其余向量形成的向量空间Φ，而向量空间实际上是一个坐标系统所以处于其中的点（向量）都可以由这些向量定位出来（线性表示），在向量之间表现出一种相關性；而线性无关的几何意义就是一组向量张成空间的维数等于这些向量的个数这样没有任何一个向量落在其余向量形成的空间里，每┅个向量对其余向量来说都是超越自身空间维度的（独立的）因而无法被定位（线性表示），表现成一种相互无关性

以上图棱锥为例洇为HI处于GH和GI所形成的面里，所以HI必然可以由这两个向量表示所以三者线性相关（三者形成的空间维数为2<3）；而HI在IG和IF形成的平面之外，所鉯H点无论如何都不能被GI和IF定位到同时IF也不在IG和HI形成的平面里，IG不在IH和IF形成的平面里同理可知它们之间不能线性表示，所以三者线性无關（三者形成的空间维数为3=向量个数）

方程Ax=0的几何意义

由前面叙述容易看出此方程表示向量x与A的每一个行向量都垂直或者说向量x垂直于矩阵A的行向量空间。这样我们可以直接根据几何意义得到结论：Ax=0有非零解的充要条件是矩阵A的秩要小于x的维数n；这是因为对于确定维度的姠量空间M如果我们可以找出独立于它的一维或多维空间N，则在空间N里的向量总是垂直于空间M；例如在直角坐标系O-xyz中设A是x-y平面上的向量涳间，x是空间向量因为z维上的向量总是垂直于A，所以x在这一方向上存在无数非零解反之若矩阵A的秩等于n，且x非零则由于x也在n维空间內，所以它和A中的行向量必然线性相关无法独立于A的行向量空间，所以这时仅有零解

当方程有非零解时，设A的向量空间维数为R（秩）由上叙述可知解向量x中存在n-R个分量取值自由，如果我们把这n-R个自由变量看作是一个n-R维空间中的向量坐标时显然此空间中每一个向量都能确定原方程组的一个解，又因为每一个向量都可以用这个n-R维空间的一组单位正交基线性表示所以这组单位正交向量所确定的一组解通過线性组合就可以表示出原方程的任意解，故这组解就是原方程的一个基础解系上述叙述也正是基础解系的几何意义

方程Ax=b的几何意义

设A昰m*n矩阵，x是n维向量由前述几何意义知道，如果b处于A的向量空间中（b和A的向量线性相关）则一定可以由A的向量线性表示，也即解存在洏b落在A的向量空间等价于b的维数小于等于向量空间A的维数，也可表述为R(A)=R(A b)=R即A的秩等于增广矩阵的秩，这种表达也是许多教科书中常用的當R=n时，n维向量x的每个分量都是线性表示的确定系数故只有唯一解，而R<n时向量空间有n-R个维度不存在，故这些维度上对应的系数可任意（洎由变量）这时存在无穷多解

某次上b站首页推了一个的视频，用动画形象地展示了傅里叶变换的过程以直观的方式去感受过程，最后将直观的感受换成相应的公式看完如醍醐灌顶... 喜欢这个up主的視频的讲解模式，有趣又容易理解顺藤摸瓜看到有一个，此前上机器学习的课老师一直在强调无法理解线性代数的重要性，问我们是否理解如特征值特征向量的实际应用到底是什么当作复习和作为更好地理解机器学习的相关内容，找了两天看完理解并做笔记最后在此写下此篇文章。

此篇文章将会是的11个视频的简要笔记记录我个人觉得新颖的、有意义的内容，和对视频难点内容的理解更重要的是從这个系列视频中引发的发散思考。由于篇幅较长分为上篇（视频1-6）和下篇（视频7-11）。想要了解更多细节推荐看原视频。

除了更深的悝解无法理解线性代数的本质解答以前自己学无法理解线性代数时候的疑惑之外，更重要的是思考优秀的学习知识的方式应该是怎样的这里具体特指如数学知识。系列视频通过先直觉（intuition）的引入学习具体的例子，熟悉之后再推广到抽象的泛化层面对于学习者来说会囿更好的学习效果，能够在脑补出运算的具体意义是什么理解为什么要教科书为什么要那样抽象地描述。对于教师而言可作为一种教學方式的参考。在的课程里吴恩达也是采用了先用 intuition(直觉)作为新概念的前引视频，让学习者能够理解为何要引入新的概念(or方法)

而这种让矗觉方式先行认识的方式，或许就是我们教科书式教学中所缺乏的东西即学生知道怎么计算矩阵乘法，特征值（因为记住了定义）却鈈是很明白为什么矩阵乘法要这么乘，为什么特征值可以这么算或者行列式的意义是什么。

- 01 - 向量究竟是什么

关键词：【不同视角的向量】【为什么向量相加是这样而不是那样】【坐标点与向量区别】

1-1向量是什么？在不同身份的人看向量的不同

1-2向量相加的定义为什么是这樣子的

1-3坐标点与向量的表示

- 02 - 线性组合、张成的空间与基

关键词：【向量加&数乘】【为何叫线性组合】【张成空间】【什么是线性相关】

2-1為什么无法理解线性代数研究向量的加法（addiction）和数乘（scaling）？

2-2为什么叫线性组合

2-3什么是张成空间？

2-4什么是线性相关

关键词：【核心· 重點】【矩阵相乘是怎么一回事为什么是这样子】

3-1矩阵相乘为什么是这样子计算？

- 04 - 矩阵乘法与线性变换复合

关键词：【矩阵乘法的几何意义-變换】

4-1矩阵乘法和线性变换有什么联系

4-2复合变换又是什么？

关键词：【行列式determinant的意义】

- 06 - 逆矩阵、列空间与零空间

关键词：【线性方程组】【秩列空间，零空间】

以下是系列视频1-6的笔记

关键词：【不同视角的向量】【为什么向量相加是这样而不是那样】【坐标点与向量区別】

1-1 向量是什么在不同身份的人看向量的不同

• 物理专业学生认为向量是空间中的箭头，由长度和所指方向决定並可以自由移动
• 计算机专业学生认为向量是有序数字列表，列表数字顺序有意义不可颠倒
• 数学家认为向量可以是任何东西，只要它满足兩个向量相加有意义和数字与向量相乘有意义两个条件即可

（注意：后面视频内容的提及向量时，指在坐标系中尾部在原点的有向箭頭）

1-2 向量相加的定义为什么是这样子的？

教科书式的定义是：（）将各个向量依次首尾顺次相接结果为第一个向量的起点指向最后一个姠量的终点。

学习的时候只是记住加法是要这样做但为什么要这样做就不是很清楚了。

视频中便提出这个问题

视频中提供了一种思路，那就是二维向量相加是一维的拓展在一维的相加上面，2+5是在数轴上面右移2在那基础上再右移5（即，续），结果和直接右移7的结果是等价的而拓展到二维空间上面，也是这种操作v走完在那基础上（v的箭头）续┅波w。拓展到三维上面也是成立虽然这种理解方式（配合动画食用效果更佳）不是很严谨，但是很好接受容易记住加法是中怎样的操莋。

1-3 坐标点与向量的表示

通常来说向量写成列的形式，并且以方括号包裹如

而如果使用圆括号包裹，则是坐标上的点如(2, 1)

关键词：【姠量加&数乘】【为何叫线性组合】【张成空间】【什么是线性相关】

2-1 为什么无法理解线性代数研究向量的加法（addiction）和数乘（scaling）？

因为在坐標系中所有向量可以都使用基向量（如i-hat和j-hat）的线性组合（ai+bj）来得到，且后面重要的无法理解线性代数中的计算都是跟向量的加法与数塖有关，即这两种操作是无法理解线性代数中的基础

2-2 为什么叫线性组合？

这是一种历史遗留的叫法视频中给出一种直观理解方法是，假如固定系数a或b其中的一个只剩下一个任意变化，最终会得到一条线所谓的“线性”组合。只是一种好记的名词理解方式

2-3 什么是张荿空间？

向量的线性组合得到的向量集合即为张成空间

2-4 什么是线性相关？

此处是一个直观感受易理解，但不够严谨

一组向量中存在著能由其他向量的线性组合构成的向量。即这组向量不是最小集有的向量是多余的，能够使用更少的向量来表示这组向量

对于一组有兩个向量的，如果他们线性相关那他们的线性组合将无法张成整个二维空间，最多只能张成一维的空间

对于一组有三个向量的，如果怹们线性相关那他们的线性组合将无法张成整个三维空间，最多只能张成二维的空间甚至只是一维。

线性无关则是一组向量中彼此無法由其他向量的线性组合构成，即每一个都是必要的不是多余的。

关键词：【核心 · 重点】【矩阵相乘是怎么一回事为什么是这样子】

线性变换（Linear Transformation）是无法理解线性代数中一个很重要的部分这部分强烈推荐去看视频，能够体会到那种变化明白什么叫骚操作。

虽说是變换（transformation）其实是个函数（function），输入一个向量输出变换后的向量。

而线性（linear）限定了这种变换应该满足条件：变换后原点还在原点位置其他线段（横竖斜）还是保持是直线，平行等距。实例比如旋转（rotation）倾斜（shear）。

也就是说线性变换是一类函数它将输入的向量，映射到新的向量变换能够旋转向量，拉伸向量或者其他效果。（这部分看视频动画会很好理解）

3-1 矩阵相乘为什么是这样子计算

并且鉮奇的是，这种变换函数我们可以使用一个矩阵来表示，也就是用list of numbers来描述从这种直觉的视角看线性变换的话，普通的矩阵相乘不是不奣所以的套入某个计算公式的计算过程而是被赋予了具体的几何意义：相乘的两个矩阵左边的是变换矩阵（函数）[a b; c d]，右边的是输入[x y]用玳码的方式表示可以是matrix = transform(matrix); 用数学的方式表示可以是f(x)。（数学和编程语言的设计有很大的联系呢）

（备注：使用MATLAB的矩阵描述方式书写矩阵方括号中以第一行开始，数字之间以空格隔开分号表示行的结束，进入新的一行）

其实左边这个变换函数[a b; c d]第一列是 i-hat 基向量变换后的结果，第二列是 j-hat 基向量变换后的结果即这个2x2的矩阵是线性转换后的基向量。在原来的 i-hat 和 j-hat 的基向量下x 对应的是 i-hat的系数，y 对应的是 j-hat的系数而茬变化后的基向量[a b; c d]中，它们仍然是如此于是有上图等式的中间部分 x[a; c] + y[b; d]，而他们相加的结果就是矩阵相乘的结果这就是线性变换的直观表現。后面的内容很多需要理解这个内容才能理解

（备注：这里涉及了无法理解线性代数的一个特性：L(cV) = cL(V), 其中L是变换函数，c是系数V是向量，即先数乘再变化和先变化再变化的结果是等价的）

在教科书中，公式并没有中间部分只是告诉读者矩阵相乘是这样这样乘的，然后僦没有然后了为什么要这么乘并没有说。

关键词：【矩阵乘法的几何意义-变换】

4-1 矩阵乘法和线性变换有什么联系

拿2x2矩阵和2x2矩阵的相乘來说，可以看作是左边矩阵仍然是变换函数右边矩阵有n列表明有n个输入，即有n次的线性变换操作

4-2 复合变换又是什么？

上面提到的线性變换都是变换一次而复合变换就像复合函数，进行多次的变换

比较简单的变换矩阵有明确的几何意义，比如旋转但一些看起来杂乱嘚变换矩阵，可能是几种简单的转换的复合结果比如上图的复合矩阵是rotation和shear的复合结果。

并且上面的等式运用了一个矩阵相乘的性质结匼律。(AB)C = A(BC)

假如用数值计算去证明的话可以证但是计算繁杂也没啥启发。

可以用上面提到的线性变换的思想证明：对于等式左边的变换先進行C变换，再进行B变换最后是A变换；对于等式右边的变换，也是先进行C变换再进行B变换，最后是A变换也就是说其实过程是一样的，嘟不需要啥证明的

另外，复合变换可用复合函数作类比如下图所示，他们都是从右往左读也就是计算是从右往坐。其实到了后面會发现函数也是一种向量(vector)，具有和向量拥有的那些性质

关键词：【行列式determinant的意义】

行列式表明了一个矩阵的性质，通过计算一个矩阵的行列式可以得到一个值对于二阶方阵（二维向量）来说，这个值等于基向量进行矩阵的线性变换后的平行四邊形的面积对于三阶方阵来说则是平行六面体的体积。

这个值的比1大则是这个矩阵的线性变换的会扩大面积（对于二维来说下同），尛于1大于0则是缩小面积

等于0则说明面积为0，即只有一条线即这个矩阵的列向量线性相关了。

负数则是“变向”对于二阶矩阵，第一個列向量（下图中的绿色箭头）应该在第二个列向量的右边（下图中的橙红色箭头）而特征值为负数，说明该变换会使第一个列向量在苐二个列向量的左边（变向）

关键词：【线性方程组】【秩，列空间零空间】

线性方程组是多元一次的方程组，如下图左侧的方程组可以用矩阵来描述（右侧），简写成单行的等式

而解方程组则可以使用逆矩阵也就是逆向的线性变换。可以得到

当然要找到A变换的逆矩阵，首先要满足det(A)≠0因为从线性变换的角度来说，det(A)=0说明变换矩阵线性线性相关即变换会降维，因而丢失了一些信息比如二维面会變成一维的线。而我们无法从一条线找到一个逆变换，将线变换成原来的面也就是说逆变换不存在。（然而逆矩阵不存在也有可能能夠解出方程组）

一个变换矩阵的输出的集合称为列空间（即列向量的张成空间）

秩（rank）指列空间的维度。当列空间的维度和列向量的个數一样称为满秩。

零空间（null space）也叫核（kernel）对于满秩变换，只有[0 ; 0]落在原点而非满秩的时候，会有无数的向量在变换后落在原点上这些向量的集合称为零空间。可由Ax=[0; 0]求得零空间x

写到这里是无法理解线性代数本质系列视频的一半。第三节的线性变换从介绍后它的思想僦贯穿后面的内容，可见其在直觉理解上面的重要性但也有一些定义感觉似乎没有给到自己一种恍然大悟的刷新认识。

前半部分的内容嘟好理解和好接受后半部分将会是相对比较难理解。

前半部分更多的是刷新一些基础的认知而后半部分讲完知识后有做了抽象，让人發现数学的一些联系和普适性的问题并且指出了教科书式的教学的弊端，引发思考两部分各有侧重。

学到后面东西似乎都联系起来叻，数学真是奇妙的东西

下篇将接着讲述系列视频的后半部分，并作出总结与反思推荐继续阅读下去(??????) ?

我相信很多人在大一学习无法理解线性代数的时候都和我一样满脑子都是三个字，为什么（神他妈）

为什么一上来学行列式？为什么突然蹦出了一个叫矩阵的东西為什么矩阵的乘法这样子定义？为什么要学习相似为什么要搞什么矩阵对角化？

这些问题都是有答案的而且正是这些答案推动了无法悝解线性代数这些理论的发展。没错有的学生能靠自己理解这些抽象的定义，比如我的舍友所以他问老师问题的时候，老师总像是找箌继承人一般欣慰地微笑而我，一脸懵逼

不出意外，我大一无法理解线性代数考的特别差但是这门课又特别重要，于是我开始重学無法理解线性代数慢慢地，我理解了当时莫名其妙的概念并且思考用什么方法学无法理解线性代数能更加轻松和有效。这便是我写这篇文章的初衷

这其实是从工科生怎么学无法理解线性代数引申开来的问题。以我之见有以下几个特点。

学数学的时候最怕一头扎进概念的海洋里然后麻木地靠背和刷题应付考试。

解决这种问题的方法就是时刻问自己所学的知识能怎么用这包括两方面。首先现在学嘚内容是为了解决什么数学问题或者说抽象的问题。其次现在所学的内容在实际生活中有什么应用。等到学的内容多了要把所有的内嫆串起来，思考为什么课本选择以这种顺序展开个部分内容之间是什么联系（当然，很多课本简直是瞎写的根本找不出联系。。）

尤其是低维情况下你要能给自己讲清楚，这个公式是在干什么最好自己或者是查资料能找到可视化的表达方式。比如矩阵的变换严格來说是空间之间的变换但是作为工科生，你可以利用二维和三维的坐标去理解这个变换的实际含义哪怕你最后还是不得不死记公式，當你知道低维特例的含义时背起来也简单些。

这是我当时学习复变的时候又一次遇到了傅里叶变换（第一次是微积分），我决心不再靠背而是弄清楚这个看起来这么nb的公式到底在搞什么。于是查到了这篇文章

这是直观理解的范例。文末作者的故事让我当时差点哭出來这tm就是我这个工科狗心酸的经历啊。感谢作者

啰嗦半天，最后上干货

1. 一本严谨的教材是少不了的，弄明白各个定义才能一步步构建无法理解线性代数的世界

这个课本是我认为写的最好的。国内的教材大都一上来就介绍行列式各个部分的内容转换也特别生硬。而這本教材从几何意义入手再讲到线性空间的性质和变换，既保证了直观性又保持了比较高的视角。形成了非常有特色的体系一生推。

当教材中遇到困难时除了去网上查之外，还可以看网课但注意，网课优点在于讲述清楚但应试难度达不到国内大学的要求，所以呮能当作补充

老爷子讲得非常细致有条理。我现在还在用他教的方法做矩阵乘法后面讲到的投影矩阵初学不知所云，等后来学多元统計分析的时候才发现回归的几何解释实际上就是投影公式也是老爷子所教的那一个。

3. 可视化理解无法理解线性代数

这是B站的一个up主叫3Blue1Brown，他用动画解释各种数学知识其中无法理解线性代数系列特别精彩！靠这个动画，我才真正明白坐标转换和线性变换真正的意义最后怹还提到了一点相似的意义，受益匪浅

等你按照上面的路线学完无法理解线性代数，可以看一看孟岩的《理解矩阵》好像是三篇。他抽象地解释了矩阵乘法、矩阵变换和相似的意义配合上面的视频，简直是醍醐灌顶下水道顿开。

当然初学的时候也可以看一下根据怹提出的问题一步步走下去。

矫情地说无法理解线性代数是第一门让我体会到数学之美的课程，也是一门改变我学习方式让我对知识嘚本质更深入思考的课程。我在这上面吃了很多亏花了很多时间，也有很多收获趁着还没忘记，在这里写下来

感谢这些资源的作者，你们的良苦用心让人敬佩祝大家学习顺利