本科数学 · 矩阵与行列式

二

模块二：线性代数

Linear Algebra · 空间变换与数据压缩

你以为线性代数在玩数字表格？错——它在玩空间变换、数据压缩和 AI 的底层运算。一张图片在计算机里就是个矩阵，一次人脸识别就是做矩阵乘法。特征值一节更是直通 PageRank、PCA、人脸识别；而 SVD 一节直通图像压缩、语义检索和 LoRA 微调。本模块 6 节，是程序员和算法岗的命根子。

这一模块在整条线里的位置：上一块你学会了怎么处理"变化"（微积分），这一块换个赛道——学怎么摆弄一堆数、怎么把向量搬到别的地方。因为 AI 的本质就是"海量矩阵乘来乘去"，所以这是算法岗的命根子。学完能看懂神经网络每一层在干嘛；到了研究生你会学矩阵论、算子理论，把这套语言搬到无穷维去。

本模块要学什么 · 一张小图

工具：⑪矩阵与行列式 → 方程组：⑫线性方程组与秩 → 空间观：⑬向量空间与线性变换 → ⑭SVD 与四个基本子空间 → 精华：⑮特征值与特征向量 · ⑯二次型与正定
依赖链：行列式/矩阵是零件 → 秩告诉你信息有没有冗余 → 向量空间是把操作拔高成"空间" → 特征值/二次型是它的"性格诊断"。

矩阵与行列式

Matrix & Determinant · 一张 Excel 表的变形魔法

【章首引子】你在 Excel 里填了张三行三列的表——那就是个矩阵。但矩阵不只是表格，它还是一段"变形魔法"：你给它一个坐标，它吐出来一个新坐标。游戏角色旋转、照片缩放、神经网络前向传播，底层全是矩阵乘法。

卡必背公式 / 记忆口诀

矩阵秩 r(A+B)≤r(A)+r(B)

特征值：Σλᵢ=tr(A)，Πλᵢ=det(A)

正定矩阵：所有特征值>0

口诀：线代核心——特征值

① 是什么：矩阵是表，也是变换

啥矩阵运算的规矩

矩阵：m 行 n 列的一堆数。乘法：行点乘列——A（m×n）乘 B（n×k）得 C（m×k），中间维度 n 必须对上。转置 Aᵀ：行列互换。逆矩阵 A⁻¹：满足 A·A⁻¹ = I（单位矩阵），是"操作的撤销键"。

行列式 det(A)：只有方阵能算，结果是一个数。几何上 = 这个变换把单位正方形放大了几倍面积。det ≠ 0 可逆（能撤销），det = 0 意味着空间被压扁（信息丢了）。性质：det(AB) = det(A)·det(B)。

② 怎么想到的：为什么要行列式

思解题心法

矩阵乘法：(i,j) 位置 = A 的第 i 行 · B 的第 j 列，逐项相乘再相加。

证矩阵与行列式的核心定理与公式

核心定理：①行列式的完全展开：$\det A=\sum\limits_{\sigma}\mathrm{sgn}(\sigma)\prod\limits_{i=1}^{n}a_{i,\sigma(i)}$（对全体排列求和）。②乘法性：$\det(AB)=\det A\cdot\det B$，由此 $\det(A^{-1})=\frac{1}{\det A}$。③可逆判据：$A$ 可逆 $\Leftrightarrow\det A\neq 0$。④转置与求逆的次序反转：$(AB)^{\top}=B^{\top}A^{\top}$，$(AB)^{-1}=B^{-1}A^{-1}$。⑤初等变换对行列式的影响：换行变号、某行乘 $k$ 则行列式乘 $k$、倍加不变；且 $\det(A^{\top})=\det A$。

推导思路：①对矩阵做一次初等行变换，等价于左乘一个初等矩阵 $E$；三种变换分别让行列式乘 $-1$、乘 $k$、不变，而 $\det E$ 恰好也是这三个值，所以恒有 $\det(EM)=\det E\cdot\det M$。②若 $A$ 不可逆，消元后必出现一整行零的行阶梯形，故 $\det A=0$；同时 $AB$ 也不可逆，$\det(AB)=0$，等式 $\det(AB)=\det A\det B$ 两边都是 $0$。③若 $A$ 可逆，则 $A$ 可写成初等矩阵之积 $A=E_1E_2\cdots E_k$。④反复用①：$\det(AB)=\det E_1\cdots\det E_k\cdot\det B=\det(E_1\cdots E_k)\det B=\det A\cdot\det B$。

直觉把握：行列式的几何意义是"这个线性变换把面积/体积放大了多少倍"，符号表示有没有翻转方向。$\det A=0$ 意味着把空间压扁了（比如把平面压成一条线），信息丢了，所以不可逆。AI/工程里，$|\det J|$ 叫雅可比行列式，normalizing flow 靠它把"噪声分布"换算成"数据分布"的密度；$\det\approx 0$ 对应特征冗余、矩阵病态、回归系数抖得厉害。

2×2 行列式：|a b; c d| = ad − bc，就是平行四边形面积。

逆矩阵公式：A⁻¹ = A*/|A|（伴随矩阵除以行列式）。det=0 时不存在。

③ 完整解法：三个例题

例题1：矩阵 A 是 2×3，B 是 3×4，AB 能乘吗？

【审题】看中间维度。

思路：列数=行数才行。

逐步解法：A 的列数 3 = B 的行数 3，能乘，结果 AB 是 2×4。但 BA 不能乘。

例题2：算 A = [2 3; 1 4] 的行列式

【审题】2×2 套公式。

思路：ad − bc。

逐步解法：det = 2×4 − 3×1 = 8−3 = 5。det≠0，可逆。

例题3：旋转矩阵

【审题】把点 (x,y) 绕原点转 θ 角。

思路：乘旋转矩阵。

逐步解法：[cosθ −sinθ; sinθ cosθ]·(x,y)ᵀ。几何意义：矩阵就是一段变形魔法——游戏角色旋转、照片缩放全靠它。

矩阵与行列式核心公式 $det(AB) = det(A)\cdot det(B)$ | $A^{-1} = A*/|A|$ | $|A| = \Sigma _j (−1)^(i+j) a_{ij} M_{ij}(\text{按第} i \text{行展开})$
$\text{可逆} \Leftrightarrow det(A) \neq 0$ | $\text{转置} (AB)^{T} = B^{T}A^{T}$

④ 用途与案例

图像处理

每个像素亮度是矩阵，旋转缩放是矩阵乘法；美图秀秀拉大脸就是每个坐标乘矩阵。

3D 图形学

3D 模型 → 旋转、缩放、透视投影一连串矩阵 → 屏幕 2D 像素。

AI 神经网络

每一层就是一次矩阵乘法 + 激活函数。GPU 并行算矩阵，就是为这个。

经济投入产出表

列昂惕夫投入产出模型用矩阵求逆算各部门需求——诺贝尔经济学奖。

⑤ 延展

展知识衔接地图

往研究生走：具体矩阵 → 抽象代数里的线性空间、线性变换；行列式的几何意义推广成"体积伸缩率"。往算法走：GPU 矩阵乘法优化、稀疏矩阵、高性能计算。

思维陷阱

矩阵乘法不交换。AB ≠ BA。先缩放再旋转 ≠ 先旋转再缩放，像先穿袜子再穿鞋和反过来。

顺序反了直接报错。A 的列数必须等于 B 的行数才能乘。

练习

【基础】算 A = [1 2; 3 4] 的行列式。

查看思路与解答

det = 1×4 − 2×3 = 4−6 = −2。

【自评反馈】和答案对得上 → 继续下一题；对不上 → 回到本页"是什么"和例题区，把卡住的那步再推一遍。

【进阶】为什么 det=0 的矩阵不可逆？

查看思路与解答

det=0 意味着变换把空间压扁（二维正方形压成一条线），信息丢了，无法还原——就像你把照片压成一条线，再也变不回去。

【自评反馈】和答案对得上 → 继续下一题；对不上 → 回到本页"是什么"和例题区，把卡住的那步再推一遍。

费曼学习法：讲给别人听

① 用自己的话讲：矩阵是一张数表，更是一套"把向量搬到别处"的线性操作；行列式是方阵的缩放因子，为 0 就是退化。

② 举个反例（什么条件下不成立）：矩阵乘法不交换（AB≠BA，就像先穿袜子再穿鞋≠先穿鞋再穿袜子）；行列式为 0 就没有逆矩阵。

③ 哪里还说不清：行列式按行展开的符号 (±1)⁽ⁱ⁺ʲ⁾ 怎么一眼不画错？

记

小结卡

① 矩阵 = Excel 表 + 变换魔法；行列式 = 面积放大倍数，det=0 不可逆。

② 矩阵乘法不交换、维度要对齐；A⁻¹=A*/|A| 是撤销键。