人工智能AI（5）：线性代数之矩阵、线性空间

在前面的篇幅中，我们简单的介绍过矩阵的定义，按照原计划本来，今天准备写特征分解以及奇异值分解，但是发现这其中涉及到比较多的矩阵相关的知识，所以在讨论这些问题之前，我们先来学习一下矩阵以及线性空间、线性变换等矩阵的知识。

在数学中，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，详细的定义可以参考人工智能AI（2）：线性代数之标量、向量、矩阵、张量。

1 矩阵运算

矩阵运算在科学计算中非常重要 ，而矩阵的基本运算包括矩阵的加法，减法，数乘，转置，共轭和共轭转置。

加法

矩阵的加法满足下列运算律(A，B，C都是同型矩阵)：

应该注意的是只有同型矩阵之间才可以进行加法 。

减法

数乘

矩阵的数乘满足以下运算律：

矩阵的加减法和矩阵的数乘合称矩阵的线性运算 。

转置

把矩阵A的行和列互相交换所产生的矩阵称为A的转置矩阵 ，这一过程称为矩阵的转置

矩阵的转置满足以下运算律：

乘法

两个矩阵的乘法仅当第一个矩阵A的列数和另一个矩阵B的行数相等时才能定义。如A是m×n矩阵和B是n×p矩阵，它们的乘积C是一个m×p矩阵

，它的一个元素：并将此乘积记为:

例如：

矩阵的乘法满足以下运算律：

结合律：

左分配律：

右分配律：

矩阵乘法不满足交换律。

2 线性空间

线性空间又称为向量空间。

假设是两个长度不等的相交的向量（不在一条直线），则整个二维平面上的点，显然都可以通过的方式来表示。

用数学的语言：就是所张成的线性空间。

如果在一条直线上，则那么就只能张成一维空间。

如果都是原点，那么就只能张成零维空间了，也就是点。

直观上可以理解为给元素装配了加法和数乘的非空集合。

完成定义我们拆分这句话就成：

1）非空集合

首先它是一个非空集合，我们记为

2）给元素装配加法（元素与元素加法）

其次我们给中的元素装配上加法运算，满足4个基本属性

1, 加法结合律：u +(v + w) = (u + v)+ w

2, 加法交换律：u + v=v + u

3, 有单位元：存在一个元素e,使得对任意u∈，都有u +e=u,这里e其实是零元，一般用表示。

4, 有逆元：对任意u∈v∈u + v=0

3）给元素装配数乘（数值与元素乘法）

然后给中的元素装配上数乘，满足数乘的4个基本属性(选择一个数域,记a,b为其中任意数值)

1. 数乘对元素加法满足分配律：a·(v + w) =a·v +a·w.

2. 数乘对域加法（数值与数值加法）满足分配律：(a+b)·v=a·v +b·v.

3. 数乘与域乘法（数值与数值乘法）相兼容：a(b·v) = (ab)·v

4. 数乘有单位元：存在一个数值, 使得对于任意,都有·v=v

此部分来自知乎：三思孔明 （版权归作者所有）

链接：https://www.zhihu.com/question/24086219/answer/140270125

更多历史文章请关注此号，点击公众号底部的菜单。

在这里，遇见更好的自己

转载请联系作者，非常感谢。