线性代数学习笔记，主要参考了同济大学的《线性代数》和 《Deep Learning》 的第二章。

行列式

• 行列式 (determinant) 与它的转置行列式相等。$D^T=D$
• 余子式 (minor)：在 n 阶行列式中，把 $(i,j)$ 元 $a_{ij}$ 所在的第 $i$ 行和第 $j$ 列划去后留下的 $n-1$ 阶行列式叫做 $(i,j)$ 元 $a_{ij}$ 的余子式，记作 $M_{ij}$
• 代数余子式 (cofactor) $A_{ij}=(-1{)}^{i+j}{M}_{ij}$
• 行列式按行展开：$D=a_{i1}{A}_{i1}+a_{i2}{A}_{i2}+\cdots +a_{in}{A}_{in}$
• 行列式按列展开：$D=a_{1j}{A}_{1j}+a_{2j}{A}_{2j}+\cdots +a_{nj}{A}_{nj}$
• 克拉默法则 (Cramer’s rule)：如果线性方程组的系数行列式不等于零，那么方程组有唯一解 $x_1=\frac{D_1}{D},x_2=\frac{D_2}{D},\cdots ,x_n=\frac{D_n}{D}$， 其中 $D_j$ 是把系数行列式 D 中第 j 列的元素用方程组右端的常数项代替后得到的 n 阶行列式。

矩阵及其运算

• 伴随矩阵 (adjugate matrix)$$adj\left(A\right)=\left[\begin{array}{cccc}{A}_{11}& A_{21}& \cdots & A_{n1}\\ A_{12}& A_{22}& \cdots & A_{n2}\\ ⋮& ⋮& \ddots & ⋮\\ A_{1n}& A_{2n}& \cdots & A_{nn}\end{array}\right]$$

其中 $A_{ij}$ 为代数余子式

• $A\text{adj}\left(A\right)=\text{adj}\left(A\right)A=|A|I$
• 奇异矩阵 (singular matrix)：$|A|=0$
• 非奇异矩阵 (non-singular matrix)：$|A|\ne 0$

线性相关和生成子空间

• 线性组合 (linear combination)：对于一个向量集 $v^{\left(1\right)},v^{\left(2\right)},\cdots ,v^{\left(n\right)}$，${\sum }_i{c}_i{v}^{\left(i\right)}$ 为它的一个线性组合。一组向量的生成子空间 (span) 是指原是向量线性组合后所能抵达的点的集合。
• 判断 $Ax=b$ 是否有解相当于确定向量 b 是否在 A 列向量的生成子空间中。这个特殊的生成子空间被称为 A 的列空间 (column space) 或者 A 的值域 (range)。
• 线性无关 (linear independene)：如果一组向量中的任意一个向量都不能表示称其他向量的线性组合，那么这组向量被称为线性无关。
• 奇异矩阵 (singular matrix)：列向量线性相关的方阵。

范数

• 范数 (norm) 用来衡量向量大小，$L^p$ 范数定义为 $\parallel x{\parallel }_p=({\sum }_i|x_i{|}^p{)}^{\frac{1}{p}}$
• 欧几里得范数 (Euclidean norm)：$L^2$ 范数
• 最大范数 (max norm)：$L^{\infty }$ 范数
• Frobenius 范数可以用来衡量矩阵大小：$\parallel A{\parallel }_F=\sqrt{{\sum }_{i,j}{A}_{i,j}^2}$
• 向量点积也可以用范数表示，即 $x^{T}y=\parallel X{\parallel }_2\parallel Y{\parallel }_2\cos \theta$，其中 $\theta$ 为 x 和 y 的夹角。

特殊矩阵和向量

• 对焦矩阵 (diagonal matrix)：$\forall i\ne j,D_{i,j}=0$，可以用 diag(v) 表示。
• 对称矩阵 (symmetric matrix)：$A=A^T$
• 单位向量 (unit vector)：$\parallel x{\parallel }_2=1$
• 正交 (orthogonal)：如果 $x^{T}y=0$，那么向量 x 和向量 y 互相正交。
• 标准正交 (orthonormal)：在 $R^n$ 中，至多有 n 个范数非零向量互相正交。如果他们互相正交且范数都为 1，则称它们为标准正交。
• 正交矩阵 (orthogonal matrix)：行向量和列向量分别标准正交，即 $A^{T}A=A{A}^T=I$。

特征分解

• 推荐阅读 Eigenvectors and Eigenvalues
• 特征向量 $v$ (eigenvector) 满足 $Av=\lambda v$。其中 标量 $\lambda$ 为这个特征向量对应的特征值 (eigenvalue)。
• 如果矩阵 A 有 n 个线性无关的特征向量 $\{v^{\left(1\right)},\cdots ,v^{\left(n\right)}\}$，对应特征值 $\{{\lambda }_1,\cdots ,{\lambda }_n\}$。A 的特征分解为 $A=V\text{diag}\left(\lambda \right)V^{-1}$
• 每个实对称矩阵可以分解成实特征向量和实特征值：$A=Q\Lambda Q^T$。其中 Q 是 A 的特征向量组成的正交矩阵。
• 正定矩阵 (positive definite)：所有特征值都是正数的矩阵。
• 半正定矩阵 (positive semidefinite)：所有特征值都是非负数。半正定矩阵 A 满足 $\forall x,x^{T}Ax\ge 0$
• 类似的还有负定 (negative definite) 和半负定 (negative semidefinite)。
• 奇异值分解 (singular value decomposition) 把矩阵 A 分解成三个矩阵的乘积 $A=UD{V}^T$。推荐阅读 Andrew Gibiansky 的博客。
• Moore-Penrose 逆伪 (psedoinverse)：$A^{+}=V{D}^{+}{U}^T$。其中 U, D, V 是矩阵 A 在 SVD 后的结果。$x=A^{+}y$ 是所有可行解中 $\parallel x{\parallel }_2$ 最小的一个。当没有解存在时，伪逆可以使 $\parallel Ax-y{\parallel }_2$ 最小。

迹

• 迹 (trace) 定义为矩阵对焦元素之和：$\text{Tr}\left(A\right)={\sum }_i{A}_{i,i}$
• 迹的一些特性：
  • $\text{Tr}\left(A\right)=\text{Tr}\left(A^T\right)$
  • $\text{Tr}\left(ABC\right)=\text{Tr}\left(CAB\right)=\text{Tr}\left(BCA\right)$
  • $\text{Tr}\left(AB\right)=\text{Tr}\left(BA\right)$ （如果乘法可行）