前言-3

本文通过扩充矩阵列向量，阐述线性无关性决定列空间维度。引入 A=CR、A=CR 分解，将矩阵表示为基矩阵与系数矩阵的乘积，揭示列依赖关系，深化对线性组合与空间结构的理解。

正文

现在我们给矩阵$A$再增加2列，这4个列向量处于三维空间中：

$A = \begin{bmatrix} 2 & 1 & 3 & 0 \\ 3 & 4 & 7 & 0 \\ 1 & 2 & 3 & -1 \end{bmatrix}$

线性代数的目标是理解每一个列空间。让我们来分析这个例子。

第1列和第2列张成的平面与之前相同（即$a_1$和$a_2$张成的平面）

第3列没有贡献新的维度，因为$a_3$位于该平面上：$a_3 = a_1 + a_2$

第4列不在这个平面上：加入$c_4a_4$会让平面向上或向下平移

这个矩阵$A$的列空间是整个三维空间：包含所有点！

你可以看到我们按从左到右的顺序逐列分析。每一列要么与之前的列线性无关，要么是之前列的线性组合。要生成三维空间中的每一个点，需要三个线性无关的列。

---

矩阵乘法 $A = CR$

用“线性组合”和“线性无关列”的概念可以很好地理解这个$3×4矩阵 A$。第3列是一个线性组合：第1列 + 第2列。 第1、2、4列是线性无关的。要将这些无关列组合成零向量，唯一的方法是将所有这些列的系数都取零。

我们即将接触到第1章的核心思想，因此继续展开。矩阵乘法是记录我们已知结论的完美方式。从$A$的4列中，我们选出线性无关的列$a_1, a_2, a_4$组成矩阵$C$。$R$的每一列告诉我们如何用$C$中的$a_1, a_2, a_4$组合出$A$的对应列。即$A = CR$：

$A = \begin{bmatrix} 2 & 1 & 3 & 0 \\ 3 & 4 & 7 & 0 \\ 1 & 2 & 3 & -1 \end{bmatrix} = \begin{bmatrix} 2 & 1 & 0 \\ 3 & 4 & 0 \\ 1 & 2 & -1 \end{bmatrix} \begin{bmatrix} 1 & 0 & 1 & 0 \\ 0 & 1 & 1 & 0 \\ 0 & 0 & 0 & 1 \end{bmatrix} = CR$

$A$的第3列依赖于$A$的第1列和第2列，而$R$的第3列展示了这种依赖关系：将$C$的第1列和第2列相加，得到$A$的第3列$a_3 = a_1 + a_2 = (3,7,3)$。

矩阵乘法规则：$CR$的第$j$列等于$C$乘以$R$的第$j$列。

本书第1.3节将介绍矩阵与向量的乘法（两种方法），第1.4节将介绍矩阵与矩阵的乘法。这是线性代数的核心运算，且存在多种有效的计算方式，这一点很重要。

我就讲到这里。前言的常规目的是让你了解整体框架。接下来的内容会提供两种梳理这门学科的方式——尤其是前七章，它们覆盖了大多数线性代数课程的内容。之后是可选章节，会延伸到当今应用中最活跃的领域：深度学习。

备注

此处是为了理解翻译者加上的。

一、线性代数的根基到底在哪？

一句话总结： 线性代数 = 研究「线性组合」+「空间结构」

再简单一点： 所有东西，都用“加法 + 数乘”来表示。

它的根基只有 4 个核心概念，所有内容全是从这长出来的：

1. 向量（点、方向、长度）
2. 线性组合（$c_1v_1 + c_2v_2 + \dots$）
3. 线性无关 / 相关（有没有多余的向量）
4. 空间、维度、基、秩（能张成多大的空间）

你刚才看的那两页：

• 线性组合
• 列空间
• 无关/相关
• $A=CR$ 分解

全部都在讲这 4 个根基。

线代所有公式、行列式、特征值、逆矩阵、方程组…… 全是这 4 个东西的外衣。

---

二、为什么考研必须考线性代数？

不是因为它难，而是因为：

1. 它是所有理工科/计算机/经济/金融的通用语言

• 机器学习、深度学习 → 90% 是线代
• 数据挖掘、图像处理 → 全是矩阵、向量
• 控制工程、信号处理 → 全是线性系统
• 经济学模型、金融风险模型 → 全是线性方程

2. 它考察抽象思维 + 逻辑推理

高数考计算，线代考结构理解。 考研要筛选的是： 能不能理解抽象结构、能不能抓本质、能不能举一反三。

3. 线代知识密度极高

薄薄一本书，能覆盖整个理工科基础。 性价比最高，所以必考。

---

三、不学线性代数，后面深入的东西能学吗？

我直接给你最真实、最直白的答案：

如果你想做：

• 机器学习 / 深度学习 / AI
• 图像处理、语音处理、大数据
• 算法、优化、控制、通信
• 金融建模、量化、统计
• 读研、读博、进大厂算法岗

不学线代，等于直接关门，完全进不去。

更直白： 不懂线性代数，现代理工科 70% 的进阶内容你都看不懂。 不是难，是根本看不懂符号、看不懂公式、看不懂逻辑。

---

四、为什么你现在觉得难、不懂？

因为线代和高数完全不是一个思维：

• 高数：连续、变化、计算
• 线代：离散、结构、关系、空间

你不是笨，只是思维还没切换过去。

---

五、最简单的入门路线

你跟着走，很快就能开窍：

1. 先懂向量 + 线性组合
2. 再懂线性无关、基、维度、秩
3. 再懂矩阵 = 线性变换
4. 最后学：方程组、行列式、特征值

线代一通则全通，一通就特别简单。

---

核心知识点总结

1. 列空间：矩阵的列空间是其所有列向量的线性组合所张成的空间。本例中$A$的列空间是整个三维空间。
2. 线性无关：若一组向量中没有任何一个向量能表示为其他向量的线性组合，则它们线性无关。本例中$a_1,a_2,a_4$线性无关。
3. 矩阵分解$A=CR$：将矩阵分解为“列空间基矩阵$C$”和“组合系数矩阵$R$”，是线性代数中重要的矩阵表示方法。

线性组合与矩阵分解对比：

概念/操作	核心含义	例子/说明
线性组合	由向量加法和数乘组合而成的表达式$ca_1+da_2+\dots$	$a_3 = a_1+a_2$ 是$a_1,a_2$ 的线性组合
列空间	矩阵所有列向量的线性组合张成的空间	矩阵$A$ 的列空间是整个三维空间
线性无关	没有任何一个向量能表示为其他向量的线性组合	$a_1,a_2,a_4$ 线性无关，无法互相表示
矩阵分解$A=CR$	将矩阵拆分为“基矩阵$C$”和“组合系数矩阵$R$”	$C$ 包含$A$ 的线性无关列，$R$ 记录组合方式
矩阵乘法规则	$CR$ 的第$j$ 列 =$C$ ×$R$ 的第$j$ 列	对应列的线性组合，如$A$ 的第3列 =$C$ ×$R$ 的第3列

---