大家的AI
机器学习AI论文
加载中…

学习

🏅我的成就

Ch.05

逆矩阵与行列式：变换的逆运算与空间体积变化

按章节的数学图示

选择章节后，下方图示会切换为该章节内容。可一览中级数学的脉络。

行列式这一个数，告诉你面积变了几倍、图形有没有像镜子一样翻面

蓝色是起始正方形，红色是推挤后的倾斜四边形；虚线连接对应的角

两幅图一起动：格子越倾斜，红色图形的面积倍数和角点绕向是否反过来，会同步变化

PP′PP′
行列式把单位格变成红色平行四边形时的 面积放大倍数（绝对值） 和 是否像镜子一样翻面（符号） 压缩成一个数。左图面积变大，绕角方向不变（正）。
右图同理：面积比 可能差不多，但绕角方向反过来，所以 符号为负。
想象你在手机相册里放大、旋转、倾斜照片——在计算机内部，这些操作往往就是用矩阵去“触碰”空间。如果Ch.04把矩阵比作揉面团、捏橡皮泥，本章要问两件事：第一，揉过一次之后，还能不能把角度与比例完整倒回去？第二，面积或体积到底变大了几倍？前者对应逆矩阵，后者对应行列式。它们不只是纸面技巧，更是检查学习时信息有没有被压扁、稀释时最基础的“语法”。

逆矩阵与行列式：倒放与面积

1. 逆矩阵：魔法般的“撤销”按钮
若矩阵 AAA 把空间扭了一下，逆矩阵 A−1A^{-1}A−1 就沿着那条路精确往回走，把画面恢复原状。核心等式是 AA−1=A−1A=IAA^{-1}=A^{-1}A=IAA−1=A−1A=I。III 是单位矩阵，像数字里的 1，表示什么都不动。
但并非所有变换都能撤销。把三维橡皮泥一脚踩成薄饼，你很难知道它原来是球还是星。点被压扁、叠在一起、信息丢失时，逆矩阵就不存在。
2. 行列式：量面积变化的尺子
行列式 det⁡(A)\det(A)det(A) 告诉你变换后，原来的面积(体积)变成了几倍——一个倍率。最基本的 2×22\times22×2 公式是 det⁡(A)=ad−bc\det(A)=ad-bcdet(A)=ad−bc：两条对角各自相乘，再相减。
- 大小： 若是 3，面积大约放大3倍；0.5 则缩小一半。
- 符号： 负数(如 -2)表示大小仍是2倍，但空间像照镜子一样翻面。
- 零： 0 表示面积塌成0——平面被压成线或点，于是没有逆。
3. 手算时 2×2 记什么
记住 ad−bcad-bcad−bc 就够。不为0 时有逆；为0 时两列共线——典型的奇异情形。大块求逆公式交给小抄，脑中只留对角互换、变号的节奏。
4. 乘积的逆：袜子与鞋
连续变换写成积 ABABAB。一次性撤销的公式是 (AB)−1=B−1A−1(AB)^{-1}=B^{-1}A^{-1}(AB)−1=B−1A−1 ——顺序完全反过来。早上先穿袜子(BBB)再穿鞋(AAA)；回家想光脚，得先脱鞋再脱袜。矩阵撤销也一样：最后套上的，最先摘掉。面积倍率在各段上像连乘(与Ch.04合成一致)。
5. 奇异与“压扁的三明治”
det⁡=0\det=0det=0 表示信息被压进线或面里。像把厚三明治压扁后很难分清层次，方程可能无穷多解或无解，学习也容易跑偏。这时用岭回归、伪逆做近似撤销(Ch.06)。
一句话: 真正倒放需要信息没被压成一条线；行列式告诉你胀缩(绝对值)与是否翻面。养成先撤销最后一步的习惯，读优化与统计代码会轻松很多。
深度学习像越叠层、线性变换越连成长链的塔。有没有逆大致对应答案能不能唯一定下来；行列式是否贴近 0对应中间空间是否压扁、信息搅在一起——像红绿灯：模型有没有在层与层之间丢掉可用结构。逆坏了，更新方向会分叉或消失，训练就容易飘。行列式告诉你每一步体积放大几倍(绝对值)、有没有翻面(符号)，用来粗看数据有没有比较完整地流过。
公式名字各不相同，但常见底牌还是三问：能撤销吗？体积变几倍？翻面了吗？ 它串起线性回归系数、训练时的海塞矩阵(对损失做两次导数，概括哪个方向陡、哪个方向平)——近乎奇异时有些方向太平，步长容易不稳——以及生成模型里换坐标时的体积校正(行列式、雅可比)。
传统 ML·线性模型： 最小二乘要用 (XTX)−1(X^{\mathsf T}X)^{-1}(XTX)−1 这类逆。特征太像时行列式贴近 0，求不出逆、数值会炸。岭回归在对角加小 λ\lambdaλ，用 (XTX+λI)−1(X^{\mathsf T}X+\lambda I)^{-1}(XTX+λI)−1 留出排气孔，宁可多一点偏差也要稳住。
深度学习·生成模型： 每层都有线性变换，中间若空间塌成一条线，信息混在一起就很难逆回去。即便不显式求逆，海塞矩阵描述损失面哪里陡、哪里平；近乎奇异时有些方向几乎平坦，更新容易不稳。标准化流等换坐标写密度时，必须用行列式(雅可比)把体积变了多少对齐，概率才对。
同一杯水、更大的盘子： 固定水量倒在更宽的盘里，铺开面积大，但单位面积上的水深变薄。概率密度在换坐标拉伸时也要用 ∣det⁡(A)∣\lvert\det(A)\rvert∣det(A)∣ 做体积补偿，总概率仍为 1。一些把图像送到另一套坐标的生成/变换管线同理。几何： 绝对值是体积倍率；符号是否翻面。数值： 条件差时小误差也会被放大。
下表汇总逆矩阵与行列式常用的符号与规则。例题按练习题库的典型题型(定义、判断真伪、计算、概念、行列式展开性质、应用情景)编排，并与其他章节一致采用问题 / 解答版式。
  • 符号A−1A^{-1}A−1
  • 含义逆矩阵，满足 AA−1=A−1A=IAA^{-1}=A^{-1}A=IAA−1=A−1A=I
  • 符号det⁡(A)\det(A)det(A)
  • 含义面积或体积变为几倍(取绝对值)；符号表示是否翻面
  • 符号det⁡(AB)\det(AB)det(AB)
  • 含义det⁡(A)det⁡(B)\det(A)\det(B)det(A)det(B)
  • 符号(AB)−1(AB)^{-1}(AB)−1
  • 含义B−1A−1B^{-1}A^{-1}B−1A−1（撤销合成须逆序）
  • 符号奇异(singular)
  • 含义det⁡(A)=0\det(A)=0det(A)=0，不存在真正的 A−1A^{-1}A−1
  • 符号κ(A)\kappa(A)κ(A)
  • 含义条件数；即便有逆，解仍可能极不稳定
符号含义
A−1A^{-1}A−1逆矩阵，满足 AA−1=A−1A=IAA^{-1}=A^{-1}A=IAA−1=A−1A=I
det⁡(A)\det(A)det(A)面积或体积变为几倍(取绝对值)；符号表示是否翻面
det⁡(AB)\det(AB)det(AB)det⁡(A)det⁡(B)\det(A)\det(B)det(A)det(B)
(AB)−1(AB)^{-1}(AB)−1B−1A−1B^{-1}A^{-1}B−1A−1（撤销合成须逆序）
奇异(singular)det⁡(A)=0\det(A)=0det(A)=0，不存在真正的 A−1A^{-1}A−1
κ(A)\kappa(A)κ(A)条件数；即便有逆，解仍可能极不稳定
分条说明
① 压扁 先看 det⁡(A)=0\det(A)=0det(A)=0 与否，列是否共线(落在同一直线)。
② 2×22\times22×2 熟记 ad−bcad-bcad−bc 及求逆的对角互换、非对角变号、除以 det⁡\detdet。
③ 顺序 (AB)−1(AB)^{-1}(AB)−1 用逆序；det⁡(AB)\det(AB)det(AB) 用乘积——两条规则不要混。
④ 数值 需要稳定时，往往优先解线性方程组(最小二乘、`solve` 等)，而非显式构造 A−1A^{-1}A−1。

例题

例1 — 行列式计算(定义·计算型)
问题：设 A=(21−13)A=\begin{pmatrix}2&1\\-1&3\end{pmatrix}A=(2−1​13​)，求 det⁡(A)\det(A)det(A)？
解答：ad−bc=2⋅3−1⋅(−1)=7ad-bc=2\cdot 3-1\cdot(-1)=7ad−bc=2⋅3−1⋅(−1)=7。
例2 — 是否可逆(定义·判断型)
问题：例1中的 AAA 是否可逆？
解答：因 det⁡(A)=7≠0\det(A)=7\neq 0det(A)=7=0，可逆（存在逆矩阵）。
例3 — 乘积的逆(概念·Ch.04 合成型)
问题：对可逆方阵 A,BA,BA,B，(AB)−1(AB)^{-1}(AB)−1 等于什么？
解答：B−1A−1B^{-1}A^{-1}B−1A−1——撤销合成时先撤销最后施加的变换。
例4 — 乘积的行列式(定义·计算型)
问题：对同阶方阵 A,BA,BA,B，如何用 det⁡(A),det⁡(B)\det(A),\det(B)det(A),det(B) 表示 det⁡(AB)\det(AB)det(AB)？
解答：det⁡(A)det⁡(B)\det(A)\det(B)det(A)det(B)——面积或体积的缩放因子在依次变换时相乘。
例5 — 2×22\times22×2 求逆口诀(计算型)
问题：已知 det⁡(A)=7\det(A)=7det(A)=7，如何手写 2×22\times22×2 矩阵的逆？
解答：先乘 17\dfrac{1}{7}71​，再互换对角元、非对角元变号。

练习题

对 2×22\times 22×2 矩阵 AAA，det⁡(2A)\det(2A)det(2A) 为？（“乘 222”指 每个元素 都乘 222）
1 / 10