Linear Transformation 线性变换

Linear Transformation 线性变换 从几何直观上看指的是向量的 运动过程，这种在空间中的“运动”或“映射”的过程就像用手在空间中把一个向量箭头推到了另一个位置。

代数上可以把这个过程理解为：用函数 $T$ 表示一个线性变换（Linear Transformation）过程，矩阵 $A$ 可以看作一台线性变换的"变换机器"，即表示 输入一个向量，输出一个新的向量 的动作：

如果这个线性变换 $T$ 可以用矩阵 $A$ 表示，那么：

注意：不是所有的“输入→输出”都叫线性变换

“输入 → 输出”只说明这里有一个函数或映射，并不能说明它是线性的。所谓线性，是指这台“变换机器”不会破坏向量之间原有的线性组合关系：先把输入相加再变换，和先分别变换再相加，结果相同；输入乘一个倍数，输出也只会跟着乘同一个倍数。

严格地说，任意向量 $\mathbf u,\mathbf v$ 和标量 $c$ 都要满足：

把这两条合在一起，也可以写成保持线性组合的形式：

因此，线性变换一定会把零向量送到零向量：$T(\mathbf 0)=\mathbf 0$。例如，旋转、缩放、投影都满足这些规则，所以可以用矩阵乘法表示。相反，平移

虽然也是一种“输入 → 输出”的变换，但它会把原点移到 $\mathbf b$，不再满足 $T(\mathbf 0)=\mathbf 0$，所以叫 Affine Transformation 仿射变换，而不是线性变换。类似地，$T(x)=x^2$ 也会破坏加法关系，因此不是线性变换。

概念：用 Ax = y 描述线性变换的过程

这个式子描述的是一个正向过程：输入向量 $\mathbf x$ 经过矩阵 $A$ 表示的线性变换，得到输出向量 $\mathbf y$。它只是把

中的变换结果另外记作 $\mathbf y$。

• $A$：变换的规则（变换机器）；
• $\mathbf x$：输入向量（Input）；
• $\mathbf y$：输出向量（Output），也就是向量 $\mathbf x$ 在线性变换下的Image 像。

补充：Ax = b

这里通常不是要计算输出，而是已经给定目标输出 $\mathbf b$，反过来寻找输入 $\mathbf x$。因此它是线性方程组的逆向求解问题，详细内容见 Linear Equations 线性方程组；从变换角度看，这是寻找 $\mathbf b$ 的 Preimage 原像。

观点：描述 $A\mathbf x = \mathbf y$ 的行、列视角

两种视角描述的是同一个矩阵乘法：一个偏向几何上的“合成”，一个偏向代数上的“计算”。

• 列向量视角：矩阵的列记录了定义域标准基向量经过变换后的像，把输入的各个分量当作权重，合成输出向量；
• 行向量视角：分别计算输入与矩阵每一行的点积，得到输出的各个分量，所有分量合在一起就是输出向量。

列向量视角：输出是基向量像的组合

设 $A\in\mathbb R^{m\times n}$，输入 $\mathbf x\in\mathbb R^n$，输出 $\mathbf y\in\mathbb R^m$。把 $A$ 按列写成：

先把输入向量按定义域的标准基展开：

矩阵 $A$ 作用在这个线性组合上：

其中：

也就是说，在使用标准基表示时，矩阵的每一列 $\mathbf a_i$ 是第 $i$ 个基向量 $\mathbf e_i$ 的像，也是输出空间中的一个方向；输入向量的分量 $x_i$ 是这个方向的权重，输出 $\mathbf y$ 就是这些像的线性组合。

列向量不一定构成一组基。对于属于这些列向量张成空间的输出，只有当列向量线性无关时，组合系数才唯一；若它们还张成所讨论的整个空间，才可以称为该空间的一组基。

完整的推导和“矩阵每一列是基向量变换后的落点”等几何解释，见 Matrix 矩阵。

行向量视角：输出分量是内积计算

把矩阵按行写成：

那么输出向量的每个分量，都是输入向量与一行的 点积（内积）：

这里，$\mathbf r_i$ 可以直观地看作输入空间中的一个测量方向（严格说是一个线性函数的系数向量），$y_i$ 就是输入向量 $\mathbf x$ 在这个方向上的响应。换句话说，矩阵的每一行都对应一个“从输入计算一个输出分量”的线性公式。

任何一个向量都可以表示为基向量按权重的线性组合

设 $\mathcal B=(\mathbf b_1,\mathbf b_2,\ldots,\mathbf b_n)$ 是一组基。任意向量 $\mathbf y$ 都可以唯一表示为这些基向量的线性组合：

把基向量按列组成矩阵

把权重（坐标）组成向量 $\mathbf c=(c_1,c_2,\ldots,c_n)^T$，上面的组合就可以写成：

因此，$\mathbf c$ 是向量 $\mathbf y$ 在基 $\mathcal B$ 下的坐标，而 $P_{\mathcal B}$ 就像一台“合成机器”：输入各个基向量的权重，输出空间中的实际向量。在线性变换 $A\mathbf x=\mathbf y$ 中，矩阵的列也正是基向量经过变换后的结果，所以输出仍然是这些“基向量的像”按输入权重合成而来。

观点：线性变换 是一个函数

线性变换，就是一种利用 “变换机器” 改变向量的规则函数，但需要注意这种改变必须保持向量之间的加法和数乘关系。

假设有一个向量：

我们设计一个规则，把它变成另一个向量：

例如：

也就是：

这个变换做的事情很简单：把所有向量放大 2 倍。 这就是一种线性变换。

观点：“线性变换” 中的 “线性” 指的是什么？

“线性”（Linear）这个词，最早来自一元函数，意思就是 “线”（line）。

在二维笛卡尔坐标系中，这就是一条线。但它也是描述的是这个世界上最简单、最直白的一种因果关系：一分耕耘，一分收获，且结果可以完美叠加。 例如投入、产出的关系。

成比例（齐次性 Homogeneity） 指的是，输入的量放大多少倍，输出的结果就跟着放大多少倍。

• 线性例子： 买 1 个苹果花 5 元。买 10 个苹果，价格就是 $10 \times 5 = 50$ 元。数量放大了 10 倍，总价也精确放大了 10 倍。

• 非线性反例（日常打折）： 买 1 个苹果 5 元，但老板说“买 10 个算你 40 元”。这就不是线性的了，因为输入放大 10 倍，输出并没有严格放大 10 倍（不再成比例）。

可叠加（可加性 Additivity） 两个独立的事情分别产生的结果，等于把这两件事放在一起产生的结果。

• 线性例子： 你昨天买了 2 个苹果（花 10 元），今天买了 3 个苹果（花 15 元）。你这两天买苹果的总花费，刚好等于你一次性买 5 个苹果的花费（25 元）。满足 $10 + 15 = 25$。

• 非线性反例（煮鸡蛋）： 煮熟 1 个鸡蛋需要 10 分钟，煮熟 2 个鸡蛋需要 20 分钟吗？不是的，一起放在锅里煮依然只需要 10 分钟。这种“时间叠加”就不是线性的。

如果你把这种规则写成数学函数 $f(x)$，那么“线性” 只需要满足下面两个简单的方程：

1. 可加性： $f(x + y) = f(x) + f(y)$
2. 齐次性： $f(cx) = c \cdot f(x)$（这里的 $c$ 代表任意常数）

因为真实世界太复杂了（天气变化、流体力学、股票市场全是非线性的，充满蝴蝶效应），计算起来极其困难。而“线性”关系是极度可预测的。只要我们把复杂问题拆解、逼近成线性的，计算机和数学家就能通过矩阵和向量，瞬间算出千丝万缕的联系。

对于 一元函数 来说，满足可加性和齐次性的，只能是 $b=0$ 的情况，即 $f(x)=ax$ 。

验证一下为什么 $b \neq 0$ 不行：

• 齐次性：$f(2x)=2ax+b$ ，而 $2f(x)=2ax+2b$ ，除非 $b=0$ ，否则不相等。
• 可加性：$f(x+y)=a(x+y)+b$，而 $f(x)+f(y)=ax+b+ay+b=a(x+y)+2b$ ，除非 $b=0$ ，否则不相等。

我们说：

• $f(x)=ax+b$ （$b \neq 0$ ）→ 图像是直线，但不是线性变换（叫仿射变换）
• $f(x)=ax$ → 图像是过原点的直线，才是线性变换

要理解向量中的“线性变换"必须从理解其两个性质: 可加性（Additivity）、 齐次性（Homogeneity） 入手

性质 1：保持加法 可加性（Additivity）

如果：

那么必须等于：

也就是说：

先把两个向量加起来，再变换

和

先分别变换，再把结果加起来

结果必须一样。

性质 2：保持数乘 齐次性（Homogeneity）

对于任意数字 c：

也就是说：

先把向量放大 cc 倍，再进行变换

和

先进行变换，再把结果放大 cc 倍

结果必须一样。

两个性质可以合并写

可加性 + 齐次性，本质上是在说同一件事：线性变换保持线性组合

观点：线性变换的几何意义

前面用代数语言说了"线性"要满足可加性和齐次性，但这两条规则在几何上到底长什么样？

把二维平面想象成一张画满网格的坐标纸。一个变换作用在所有向量上，就相当于整张纸被"动"了一下。而线性变换，就是那张纸满足下面两条规矩的"动法"：

1. 网格线保持平行且等间距（Parallel and evenly spaced）——原来平行的线变换后依然平行，原来间距相等的线变换后间距依然相等（间距本身可以变）；

2. 原点保持不动（Origin stays fixed）——$T(\mathbf{0})=\mathbf{0}$，零向量不会被挪走。

为什么这两条规矩刚好对应可加性和齐次性？

• 原点不动对应齐次性：$T(c\mathbf v)=cT(\mathbf v)$ 里取 $c=0$，必然有 $T(\mathbf 0)=\mathbf 0$。所以"平移"永远不是线性变换——它把原点挪走了（这也解释了前面 $f(x)=ax+b$ 为什么只是仿射变换）。

• 网格线保持平行等间距对应可加性：向量加法的几何是"平行四边形法则"。只要变换后网格还是均匀平行的，加法拼出来的平行四边形就不会被"掰弯"，变换前后做加法的顺序才可以互换。

例子：剪切变换（Shear）

看这个变换：

把它写成"变换机器"的矩阵 $A$ 长什么样？只需要问一个问题：两个基向量被它送到了哪里？

• $\mathbf i=(1,0)$ 送去哪：$T(1,0)=(1+0,\ 0)=(1,0)$ —— 没动；
• $\mathbf j=(0,1)$ 送去哪：$T(0,1)=(0+1,\ 1)=(1,1)$ —— 被"推斜"了。

把这两个落点按列放进矩阵，就得到了 $A$：

验证一下，矩阵乘出来的结果和上面的规则一模一样：

连续的过程可以看得更清楚——下面这张动图演示了网格从"方方正正"被连续"推斜"的全过程：

注意看：网格线在变形过程中始终保持平行、等间距，原点纹丝不动；绿色的 $\mathbf v$ 滑动到 $T(\mathbf v)$，但两条虚线"拼装路径"的步数始终是 $2$ 和 $3$。

• 变换前（左图）：$\mathbf v=(2,3)=2\mathbf i+3\mathbf j$，就是"沿 $\mathbf i$ 走 2 步、沿 $\mathbf j$ 走 3 步"；
• 变换后（右图）：整个网格被"推斜"了——竖线变斜了，但所有网格线依然平行、间距依然相等，原点还在原地。

注意最妙的地方：变换前 “$2$ 步 $\mathbf i$ + $3$ 步 $\mathbf j$” 到达 $\mathbf v$，变换后 “$2$ 步 $T(\mathbf i)$ + $3$ 步 $T(\mathbf j)$” 到达 $T(\mathbf v)=(5,3)$。步数（线性组合的系数）一点没变，变的只是"每一步踩在哪里"。

这正是可加性 + 齐次性的几何画面：线性变换不会打乱向量的"拼装配方"，它只是把整个空间连同配方一起搬过去。

例子：旋转变换（Rotation）

这次把整个平面逆时针旋转 $90^\circ$：

老问题：两个基向量被它送到了哪里？

• $\mathbf i=(1,0)$ 转到了 $(0,1)$；
• $\mathbf j=(0,1)$ 转到了 $(-1,0)$。

把落点按列放进矩阵：

验证一下，输入 $(x,y)$，输出依然是 $T(x,y)$：

同样看一下连续的过程——整个网格绕原点刚性地从 $0^\circ$ 转到 $90^\circ$：

转动全程网格都是方方正正的：平行、等间距、原点不动从头到尾没有被破坏，$\mathbf v$ 的"拼装路径"（两条虚线）跟着网格一起转，步数始终是 $2$ 和 $3$。

• 变换后（右图）：整个网格被"转"到了第二象限——方格还是方格，平行、等间距、原点不动，规矩依然全部满足；
• 同一个 $\mathbf v=(2,3)$ 转到了 $T(\mathbf v)=(-3,2)$，拼装配方照旧："$2$ 步 $T(\mathbf i)$ + $3$ 步 $T(\mathbf j)$"。

对比两个例子：剪切把方格"推斜"成平行四边形，旋转把方格"转"了个方向——网格的形状可以变，但"平行、等间距、原点不动"这三条不能破，这就是"线性"在几何上的底线。