讲解稿 · 第02章第04节 · 线性变换¶

口播时长：约 15–20 分钟｜建议语速：中速偏慢，公式处停两拍｜字数：约 3800 字

开场钩子¶

嘿，先做一件事：把手机拿起来，随手拍一张照片，然后在相册里点"编辑"，把它旋转 90 度。

你看，图像整齐地转过去了。像素没错乱、直线还是直线、平行的边还平行。

我问你——手机在这一瞬间到底干了啥？

它没有一个像素一个像素地问"你要去哪儿"。它做的事只有一件：把一张矩阵，套在你照片的每一个像素坐标上。一次矩阵乘法，全部像素就到了新位置。

这就是这一节要讲的东西——线性变换。你今天用过的每一个滤镜、每一次拖拽缩放、每一款游戏里角色的转身，背后都是同一个动作：拿一个矩阵，去乘一个向量。

更关键的是：现在最火的那些大模型，Gemini、ChatGPT、Claude、DeepSeek——它们之所以叫 Transformer，是因为整个网络的骨头，就是一层一层的线性变换。数据一路穿过去，穿一层就被变换一次。

所以这一节，你别只当是学"矩阵在几何上代表什么"。你在学的是从图像编辑器一路通到大模型的同一个动作。

扶稳了，我们开始。

复习昨日 & 今日路线¶

先花 30 秒把上下文对齐。

昨天我们讲了 §03 矩阵运算——你会加、会乘、知道 $AB \ne BA$。再往前 Ch01 §05，我们讲了基变换：换一组坐标看同一个向量，口诀是——

"$P$ 的列是新基，$P$ 把新坐标搬回旧描述。"

今天这一节，我们把这两个东西钉在一起：矩阵不只是数字表，矩阵本身就是一个变换。你乘一个矩阵，就是在对向量施加一次几何动作。

下一节 §05 我们会讲矩阵分解——把一个复杂矩阵拆成几个简单变换的连乘，SVD、LU、QR 都是干这个的。所以今天你先把"矩阵 = 变换"这个直觉锁死，下一节拆解才有得拆。

好，进正题。

核心概念一 · 什么样的映射才配叫"线性"（约 3 分钟）¶

先给直觉。

想象一张网格纸，横竖都是直线，格子都是正方形。现在有一台"变形机器"，你把网格纸塞进去，它出来的时候——

直线还是直线（不能扭成弧）；
平行线还是平行（不能一边张开一边收拢）；
原点还在原点（网格中心那个点不能挪）。

只要这台机器满足这三条，我们就叫它线性变换 (linear transformation)，也叫线性映射 (linear map)。

正式定义。线性变换 $T : V \to W$ 是一个函数，把 $V$ 里的向量映到 $W$ 里的向量，并且满足下面这套公理。

好，这里到了 Ch02 第一次正式给公理，我给你三件套——每条公理都是"名字 + 大白话 + 反例"，别背符号，背反例。

公理 1 · 加性 (additivity)：$T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$。

大白话：先把两个向量加起来再变换，跟分别变换完再加，结果一样。

反例：$T(x) = x^2$ 不是线性的。为什么？$T(1 + 1) = T(2) = 4$，但 $T(1) + T(1) = 1 + 1 = 2$。$4 \ne 2$，加性破了。

公理 2 · 齐次性 (homogeneity)：$T(c\mathbf{u}) = c \, T(\mathbf{u})$。

大白话：先缩放再变换，跟先变换再缩放，结果一样。缩放的因子可以"穿过"变换。

反例：$T(x) = x + 1$ 不是线性的。$T(2 \cdot 1) = T(2) = 3$，但 $2 \cdot T(1) = 2 \cdot 2 = 4$。$3 \ne 4$，齐次破了。

公理 3 · 零映射 (maps zero to zero)：$T(\mathbf{0}) = \mathbf{0}$。

大白话：原点必须待在原点，不许挪。

反例：平移（translation）不是线性的。若 $T(\mathbf{x}) = \mathbf{x} + (3, 0)^\top$，那 $T(\mathbf{0}) = (3, 0)^\top \ne \mathbf{0}$。零点跑了，线性性直接破产。

顺便说一句，公理 3 其实是从前两条推出来的（把 $c = 0$ 代进公理 2），但我们把它单列出来，是因为这条最直观、最容易用来一眼判断"这个变换是不是线性的"——先看原点动没动，动了就不是。

符号首现——今天要用到 $T$ 这个符号，四件套走一遍。

$T$ — 变换 (transformation)：一个从向量空间到向量空间的函数，写作 $T(\mathbf{v})$ 或 $T\mathbf{v}$。例子：$T(x, y) = (2x + y,\ x + 2y)$ 是从 $\mathbb{R}^2$ 到 $\mathbb{R}^2$ 的一个线性变换。

你验证一下这个例子：$T(\mathbf{0}) = (0, 0)$ ✓；$T((1, 0) + (0, 1)) = T(1, 1) = (3, 3)$，而 $T(1, 0) + T(0, 1) = (2, 1) + (1, 2) = (3, 3)$ ✓。三条公理都过。

一句话总结：线性变换 = 保持加法 + 保持缩放 + 原点不动。三件缺一，不是线性。

核心概念二 · 矩阵就是变换本身（约 2.5 分钟）¶

现在我要跟你说这一节最重要的一句话。

每一个线性变换，都可以写成一次矩阵乘法。矩阵不是"表示"变换——矩阵就是变换本身。

怎么理解？我们从一个观察出发。

在 $\mathbb{R}^2$ 里，你随便一个向量 $\mathbf{v} = (x, y)$，其实是 $x \hat{\mathbf{i}} + y \hat{\mathbf{j}}$，其中 $\hat{\mathbf{i}} = (1, 0)$、$\hat{\mathbf{j}} = (0, 1)$ 是标准基。

现在一个线性变换 $T$ 来了，因为 $T$ 保加法、保缩放，所以

\[T(\mathbf{v}) = T(x\hat{\mathbf{i}} + y\hat{\mathbf{j}}) = x \, T(\hat{\mathbf{i}}) + y \, T(\hat{\mathbf{j}})\]

看到没？只要我知道 $T$ 把 $\hat{\mathbf{i}}$ 和 $\hat{\mathbf{j}}$ 送到哪里，剩下所有向量的去处就全定了。

那我把 $T(\hat{\mathbf{i}})$ 摆成矩阵的第一列，把 $T(\hat{\mathbf{j}})$ 摆成第二列，这个矩阵就完整刻画了 $T$。

数字例子。取 🟢

\[A = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix}\]

看第一列 $(2, 1)^\top$——这告诉你 $\hat{\mathbf{i}} = (1, 0)$ 被送到 $(2, 1)$。看第二列 $(1, 2)^\top$——$\hat{\mathbf{j}} = (0, 1)$ 被送到 $(1, 2)$。

现在拿个具体向量算：$\mathbf{v} = (3, 4)$，套 $A$ 上去：

\[A \mathbf{v} = 3 \cdot (2, 1) + 4 \cdot (1, 2) = (6 + 4,\ 3 + 8) = (10, 11)\]

这一步在黑板上，我会画：先把 $(3, 4)$ 拆成"三份 $\hat{\mathbf{i}}$ + 四份 $\hat{\mathbf{j}}$"，然后把 $\hat{\mathbf{i}}$ 换成 $(2, 1)$、$\hat{\mathbf{j}}$ 换成 $(1, 2)$，三份加四份，得到 $(10, 11)$。

记住这句口诀：矩阵的每一列 = 对应基向量被送到的位置。整章的几何直觉都靠它。

⏸️ 暂停思考 · 第一次

停一下。矩阵 $$ B = \begin{bmatrix} 0 & 1 \ 1 & 0 \end{bmatrix} $$ 在几何上干了什么？提示：看看它的两列，$\hat{\mathbf{i}}$ 跑哪去了？$\hat{\mathbf{j}}$ 跑哪去了？把标准坐标系画出来，你就一眼看出来了。

（答案：$\hat{\mathbf{i}}$ 跑到 $(0,1)$、$\hat{\mathbf{j}}$ 跑到 $(1,0)$——两者交换。这就是沿直线 $y = x$ 的反射。）

核心概念三 · 五种典型变换的形状（约 3.5 分钟）¶

现在我们把最常见的几种线性变换，一个一个过。你别死记矩阵长啥样，就记住"两列 = 基向量送去哪"。

🟢 旋转 (rotation)¶

想让 $\hat{\mathbf{i}}$ 顺时针不动、转到 $(\cos\theta, \sin\theta)$；$\hat{\mathbf{j}}$ 从 $(0, 1)$ 转到 $(-\sin\theta, \cos\theta)$。摆成矩阵：

\[R(\theta) = \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}\]

代 $\theta = 90°$：$\cos 90° = 0$、$\sin 90° = 1$，得到

\[R(90°) = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix}\]

验证：$\hat{\mathbf{i}} = (1, 0)$ 送到 $(0, 1)$（第一列），确实转了 90 度。

旋转矩阵有两个漂亮的性质：长度不变、行列式为 $+1$。

🟢 缩放 (scaling)¶

沿 $x$ 轴拉 $s_x$ 倍、沿 $y$ 轴拉 $s_y$ 倍：

\[S(s_x, s_y) = \begin{bmatrix} s_x & 0 \\ 0 & s_y \end{bmatrix}\]

数字例：$S(2, 0.5)$ 把 $(1, 4)$ 送到 $(2, 2)$。对角矩阵永远是一次缩放。当你在电脑上把图片长边缩到一半，就是在对每个像素乘 $S(0.5, 0.5)$。

🟢 反射 (reflection)¶

沿 $x$ 轴照镜子——$y$ 分量翻负号：

\[\text{Ref}_x = \begin{bmatrix} 1 & 0 \\ 0 & -1 \end{bmatrix}\]

$(3, 2)$ 变成 $(3, -2)$。反射矩阵的行列式是 $-1$，负号提醒你朝向翻了。旋转和反射合起来叫刚体变换——保距离、保角度，只是可能翻个身。

🟡 错切 (shearing)¶

想象一副印刷字，正体和斜体的差别就是错切。水平错切因子 $k$：

\[\text{Sh}_x(k) = \begin{bmatrix} 1 & k \\ 0 & 1 \end{bmatrix}\]

含义：$\hat{\mathbf{i}}$ 不动、$\hat{\mathbf{j}}$ 从 $(0, 1)$ 挪到 $(k, 1)$。$k = 0.5$、高度为 2 的点会向右滑 1。底不动，顶跑了。斜体字就是这样做出来的。

🔴 退化变换 (degenerate)¶

这是最有意思的一种：信息被压塌。看这个矩阵：

\[D = \begin{bmatrix} 1 & 2 \\ 2 & 4 \end{bmatrix}\]

两列 $(1, 2)$ 和 $(2, 4)$——第二列是第一列的 2 倍。也就是说，$\hat{\mathbf{i}}$ 和 $\hat{\mathbf{j}}$ 变换后落在同一条直线上。整个二维平面被这个矩阵压塌成一条直线。

行列式为零，$\det D = 1 \cdot 4 - 2 \cdot 2 = 0$。信息永久丢失，这个变换没有逆。

生活里的例子：彩色图转灰度。RGB 三通道压到亮度一维，就是一次退化变换——你没法从灰度图恢复出原来的颜色。

核心概念四 · 平移为什么"不算"线性（约 2.5 分钟）¶

到这里你可能会问：那平移呢？我把整张图往右挪 3 格，是不是也是一种线性变换？

答案是——不是。

回想公理 3：$T(\mathbf{0}) = \mathbf{0}$。平移 $T(\mathbf{x}) = \mathbf{x} + \mathbf{t}$ 把零向量送到了 $\mathbf{t}$，只要 $\mathbf{t} \ne \mathbf{0}$，公理 3 直接破产。

那问题来了：电子游戏里角色明明又转又平移，怎么做到"一个矩阵搞定"的？

答案是——仿射变换 (affine transformation) + 齐次坐标 (homogeneous coordinates)。

仿射变换定义为：

\[\mathbf{y} = A\mathbf{x} + \mathbf{t}\]

它是"线性变换 + 平移"的组合。仿射保直线、保平行，但不保距离和角度。

trick 在这里：为了把 $A\mathbf{x} + \mathbf{t}$ 写成一次矩阵乘法，我们给每个向量后面补一个 1：

\[\begin{bmatrix} A & \mathbf{t} \\ \mathbf{0}^\top & 1 \end{bmatrix} \begin{bmatrix} \mathbf{x} \\ 1 \end{bmatrix} = \begin{bmatrix} A\mathbf{x} + \mathbf{t} \\ 1 \end{bmatrix}\]

$n$ 维空间的仿射变换就升到 $(n+1) \times (n+1)$ 的矩阵。这样"平移"也被塞进矩阵乘法框架里了。

数字例。在 $\mathbb{R}^2$ 里，"旋转 90 度再平移 $(3, 0)$"合起来就是

\[M = \begin{bmatrix} 0 & -1 & 3 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{bmatrix}\]

用它去乘 $(1, 0, 1)^\top$：得到 $(0 + 0 + 3,\ 1 + 0 + 0,\ 1)^\top = (3, 1, 1)^\top$。前两位是 $(3, 1)$——原点先转 90 度还在原点（因为旋转不动原点），再平移到 $(3, 0)$……等等，我说错了，我们送的是 $(1, 0)$。$(1, 0)$ 旋转 90 度到 $(0, 1)$，再平移 $(3, 0)$ 到 $(3, 1)$。对上了。

⏸️ 暂停思考 · 第二次

OpenGL 里，一个 3D 顶点的坐标写成 $(x, y, z, 1)$——四个数。为什么末尾多一个 1？想想我们刚刚干的事情。

（答案：因为要让 3D 空间里的平移也能用一次矩阵乘法表示。补 1 就是齐次坐标的 trick，让 $4 \times 4$ 矩阵同时装下旋转、缩放和平移。整个计算机图形学的坐标变换管线，靠的就是这个。）

核心概念五 · 换基后同一个变换长什么样（约 3 分钟）¶

到这一步，你已经会用矩阵刻画变换、会算复合变换、会区分线性和仿射。但还有最后一件事：同一个变换，在不同基下写出来的矩阵不一样。

回想 Ch01 §05 那条口诀——

"$P$ 的列是新基，$P$ 把新坐标搬回旧描述。"

设有个线性变换 $T$。在标准基下，它的矩阵是 $A$；在新基 $\{\mathbf{b}_1, \mathbf{b}_2\}$ 下，它的矩阵是 $\tilde A$。它俩什么关系？

相似变换公式（记牢，Ch02 后面对角化整节都靠它）：

\[\tilde A = P^{-1} A P\]

新 = $P^{-1}$ · 旧 · $P$。别写反，写反了后面特征值全崩。

怎么理解？直观上：拿一个"用新坐标写的向量"，先用 $P$ 把它翻译回旧坐标（因为 $A$ 只会读旧坐标），扔进 $A$ 变换一下，得到旧坐标下的结果，最后用 $P^{-1}$ 把结果翻译回新坐标。三步合起来就是 $P^{-1} A P$。

好，这里 Ch01 遗留了一个断层：$P^{-1}$ 具体怎么算？我们把这个坑今天填上。

$2 \times 2$ 的逆矩阵有闭式：若

\[M = \begin{bmatrix} a & b \\ c & d \end{bmatrix},\quad \det M = ad - bc \ne 0\]

则

\[M^{-1} = \frac{1}{ad - bc} \begin{bmatrix} d & -b \\ -c & a \end{bmatrix}\]

口诀：主对角调换，副对角变号，除以行列式。这是 $2 \times 2$ 唯一需要背的公式。$3 \times 3$ 及以上一般走高斯消元，我们放到 §05 讲矩阵分解时再展开。

完整数字例子（2×2 相似变换）。🟡

设标准基下的变换 $$ A = \begin{bmatrix} 2 & 0 \ 0 & 3 \end{bmatrix} $$——沿 $x$ 拉 2 倍、沿 $y$ 拉 3 倍。

新基 $\mathbf{b}_1 = (1, 1)^\top$、$\mathbf{b}_2 = (1, -1)^\top$。按口诀，$P$ 的列 = 新基旧坐标：

\[P = \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}\]

$\det P = 1 \cdot (-1) - 1 \cdot 1 = -2$，主对角调换、副对角变号：

\[P^{-1} = \frac{1}{-2} \begin{bmatrix} -1 & -1 \\ -1 & 1 \end{bmatrix} = \frac{1}{2} \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}\]

（这里巧了，$P^{-1}$ 和 $\frac{1}{2} P$ 长得一样，因为 $P$ 是对称的正交阵除以常数。别死记这个巧合，一般矩阵不这样。）

算 $AP$：

\[AP = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix} \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix} = \begin{bmatrix} 2 & 2 \\ 3 & -3 \end{bmatrix}\]

再算 $\tilde A = P^{-1}(AP)$：

\[\tilde A = \frac{1}{2} \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix} \begin{bmatrix} 2 & 2 \\ 3 & -3 \end{bmatrix} = \frac{1}{2} \begin{bmatrix} 5 & -1 \\ -1 & 5 \end{bmatrix} = \begin{bmatrix} 2.5 & -0.5 \\ -0.5 & 2.5 \end{bmatrix}\]

看结果：$A$ 在标准基下是对角阵，但在 $\{\mathbf{b}_1, \mathbf{b}_2\}$ 下变成了带副对角元的矩阵。为什么？因为新基不再和 $A$ 的拉伸轴对齐——沿 $\mathbf{b}_1$ 方向拉一下，会同时改变 $\mathbf{b}_1$ 和 $\mathbf{b}_2$ 方向的分量。

这个例子你先揣着。§05 讲特征分解时，你会看到反过来的操作：选一组特别的基，让 $\tilde A$ 变成对角阵——那就是"对角化"，也是 PCA 的核心操作。

$3 \times 3$ 及以上矩阵求逆的具体算法（高斯消元、LU 分解），我们放到 Ch03 §05 讲。这一节你先把 $2 \times 2$ 求逆手算会。

一个走完全程的例子（约 2.5 分钟）¶

现在把今天所有零件串起来，跟我一起做一遍。

任务：拿向量 $\mathbf{v} = (2, 1)$，依次施加三个变换——先旋转 90 度、再沿 $x$ 拉 2 倍、再做因子 $k = 1$ 的水平错切——最后落在哪？

我给你两条路，一条逐步算、一条合成矩阵一次算，你看它们结果一致。

路径 1 · 逐步算。

第一步，旋转 90 度：$$ R = \begin{bmatrix} 0 & -1 \ 1 & 0 \end{bmatrix} $$。

\[R \mathbf{v} = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix} \begin{bmatrix} 2 \\ 1 \end{bmatrix} = \begin{bmatrix} -1 \\ 2 \end{bmatrix}\]

第二步，沿 $x$ 拉 2 倍：$$ S = \begin{bmatrix} 2 & 0 \ 0 & 1 \end{bmatrix} $$。

\[S (R \mathbf{v}) = \begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} -1 \\ 2 \end{bmatrix} = \begin{bmatrix} -2 \\ 2 \end{bmatrix}\]

第三步，水平错切 $k = 1$：$$ \text{Sh} = \begin{bmatrix} 1 & 1 \ 0 & 1 \end{bmatrix} $$。

\[\text{Sh} \cdot S R \mathbf{v} = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} -2 \\ 2 \end{bmatrix} = \begin{bmatrix} 0 \\ 2 \end{bmatrix}\]

最终点：$(0, 2)$。

路径 2 · 合成矩阵。

把三个矩阵先乘起来，$M = \text{Sh} \cdot S \cdot R$。注意顺序——最先作用的写在最右边，因为它先撞上向量。

先算 $\text{Sh} \cdot S$：

\[\begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} 2 & 0 \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} 2 & 1 \\ 0 & 1 \end{bmatrix}\]

再乘 $R$：

\[M = \begin{bmatrix} 2 & 1 \\ 0 & 1 \end{bmatrix} \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix} = \begin{bmatrix} 1 & -2 \\ 1 & 0 \end{bmatrix}\]

对 $\mathbf{v} = (2, 1)$ 施加 $M$：

\[M \mathbf{v} = \begin{bmatrix} 1 & -2 \\ 1 & 0 \end{bmatrix} \begin{bmatrix} 2 \\ 1 \end{bmatrix} = \begin{bmatrix} 2 - 2 \\ 2 \end{bmatrix} = \begin{bmatrix} 0 \\ 2 \end{bmatrix}\]

对上了。

这个例子想让你记住三件事：

复合变换 = 矩阵乘积，顺序不能换（$AB \ne BA$）。
"最先作用的矩阵写最右边"——因为向量从右边被推进去。
你可以逐步算（省脑子），也可以先合并成一个矩阵再一次算（省时间，尤其在 GPU 上批量处理时）。

易错点回头看（约 1 分钟）¶

有三个坑，学生反复掉。

坑一 · 很多人以为"矩阵的每一行是新基"，其实是"每一列是基向量的落点"。看到 $$ \begin{bmatrix} 2 & 1 \ 1 & 2 \end{bmatrix} $$，第一列 $(2, 1)$ 才是 $\hat{\mathbf{i}}$ 去的地方。搞反的话，$AB$ 和 $BA$ 就分不清了。原因：我们用列向量做默认，$A \mathbf{v}$ 是"左行乘右列"，$\hat{\mathbf{i}} = (1, 0)^\top$ 挑出的正是第一列。

坑二 · 很多人以为"先旋转再缩放 = 先缩放再旋转"，其实一般不相等。原因：矩阵乘法不满足交换律，$SR \ne RS$。游戏引擎里"先转身再前进"和"先前进再转身"角色落在不同位置，就是这个道理。

坑三 · 很多人以为"平移是线性变换"，其实不是。原因：平移把原点挪走，破坏了 $T(\mathbf{0}) = \mathbf{0}$。要用矩阵表达平移，必须升到仿射 + 齐次坐标，多补一维、多补一个 1。

与下节的钩子¶

到这里，你已经知道每个矩阵都能读成一次变换，也会算复合变换、会算相似变换。

但你有没有觉得——一个复杂矩阵，看它数字表根本看不出它到底在干嘛？$$ \begin{bmatrix} 2.5 & -0.5 \ -0.5 & 2.5 \end{bmatrix} $$ 你光看数字，能想到它其实就是一次伪装成"沿新基拉伸"的对角阵吗？

下一节 §05，我们回答一个问题：能不能把任意矩阵，拆成几个我们已经认识的简单变换的乘积？ 比如"旋转 × 缩放 × 旋转"，或者"下三角 × 上三角"。

那就是矩阵分解——SVD、LU、QR、特征分解，全都是把复杂矩阵拆成简单积木。而 PCA、最小二乘、注意力机制，全都建立在这些分解之上。

下一节见。

讲解稿 · 第02章 第04节 · 线性变换¶