线性变换与矩阵

在学习检查器中查看要点和时刻，或切换阅读标签查看完整笔记。

章节

学习解说文稿

依据视频画面与讲解整理，并非逐字语音转写。

0:00线性代数的核心在于理解“变换”——即将输入向量映射到输出向量的函数。虽然数学上称为“函数”，但使用“变换”一词更能唤起对运动的直观感受。我们通过观察二维平面上每一个点的位移来可视化这一过程。与其绘制无数条箭头，不如追踪整个坐标系网格的形变。这种视角揭示了映射的全局结构，展示了空间本身如何围绕原点发生拉伸、旋转或剪切。

2:31线性变换的定义是保持加法与实数数乘：$T(av+bw)=aT(v)+bT(w)$，因此必定固定原点。网格的平行、等距和笔直是几何线索；非可逆线性映射也允许将直线压成一点或将整个平面压成直线，不能把“直线仍笔直”误解为必须保持维数。

3:33我们如何用数字编码如此复杂的空间运动？令人惊讶的是，我们只需要追踪两个特定的向量：标准基向量 $\hat{i} = [1, 0]^T$ 和 $\hat{j} = [0, 1]^T$。由于线性变换保持向量加法和标量乘法不变，任意向量 $\vec{v} = x\hat{i} + y\hat{j}$ 都将严格按照相同的系数应用于移动后的基向量上进行变换。因此，只要知道 $\hat{i}$ 和 $\hat{j}$ 落在哪里，就能确定平面上任何其他点的去向。

6:18我们将这些关键的落点坐标打包成一个 $2 \times 2$ 矩阵。第一列记录 $\hat{i}$ 的去向，第二列记录 $\hat{j}$ 的去向。当该矩阵乘以向量 $[x, y]^T$ 时，实际上是在计算 $x(\text{第1列}) + y(\text{第2列})$。这将矩阵乘法从繁琐的算术配方重构为直观的几何构造：缩放变换后的基向量并将它们相加，从而在以矩阵定义的倾斜坐标系中找到最终位置。 这里的输入、输出坐标都按固定的标准基底记录；这是主动移动向量，而不是自动切换到一个新坐标系。变换后的基向量可能相关，未必构成新的基底。

8:00来看具体的例子。逆时针旋转 $90^\circ$ 会将 $\hat{i}$ 送到 $[0, 1]^T$，将 $\hat{j}$ 送到 $[-1, 0]^T$，生成的矩阵为 $[[0, -1], [1, 0]]$。相反，水平剪切保持 $\hat{i}$ 固定在 $[1, 0]^T$，同时将 $\hat{j}$ 沿对角线滑动至 $[1, 1]^T$，产生矩阵 $[[1, 1], [0, 1]]$。通过读取这些基向量的终点，我们可以立即构建出代表该变换的矩阵，从而在抽象几何与计算代数之间架起桥梁。

10:00矩阵第一列记录标准基向量î的像，第二列记录ĵ的像。把这些像与输入分量结合，就能求出所有向量的输出。若两列相关，映射会降维；两列仍是有效的矩阵表示。

10:08矩阵乘输入列向量[x,y]ᵀ，得到在同一个标准坐标系中记录的输出坐标，等于x倍第一列加y倍第二列。基底转换与主动线性映射有关联，但不是同一个操作。

10:14当把该特定矩阵作用于标准笛卡尔网格时，所有点都随移动的基向量一致偏移。注意平行线在整个运动过程中始终保持均匀间距且笔直；这种几何特征将有效的线性变换与非线性扭曲（如弯曲变形）区分开来。单纯将矩阵视为空间操作算子的思维方式，能为后续学习特征值、基底变换及行列式计算奠定关键直觉基础。

知识卡片