读《理解矩阵》的一点心得及整理归类
【数学】理解矩阵一二三
【数学】理解矩阵⼀⼆三原⽂⽹址：很喜欢这种对数学建⽴直观印象的⽅式，虽然像作者所说缺乏严谨性，但是对于我们这些只是希望愈加理解数学⽽并不⽴志成为数学家的⼈来说，⼤抵是⽆所谓哒！⾮常希望孟岩⽼师能继续写下去！感谢！这两篇⽂章发表于去年的4⽉。
在第⼆部分结束的时候，我说：“矩阵不仅可以作为线性变换的描述，⽽且可以作为⼀组基的描述。
⽽作为变换的矩阵，不但可以把线性空间中的⼀个点给变换到另⼀个点去，⽽且也能够把线性空间中的⼀个坐标系（基）表换到另⼀个坐标系（基）去。
⽽且，变换点与变换坐标系，具有异曲同⼯的效果。
线性代数⾥最有趣的奥妙，就蕴含在其中。
理解了这些内容，线性代数⾥很多定理和规则会变得更加清晰、直觉。
这个留在下⼀篇再写吧。
因为有别的事情要做，下⼀篇可能要过⼏天再写了。
”然⽽这⼀拖就是⼀年半。
⼀年半以来，这两篇粗糙放肆的⽂章被到处转载，以⾄于在Google的搜索提⽰中，我的名字跟“矩阵”是⼀对关联词汇。
这对于学⽣时代数学⼀直很差的我来说，实在是令⼈惶恐的事情。
数学是何等辉煌精致的学问！代表着⼈类智慧的最⾼成就，是⼈与上帝对话的语⾔。
⽽我实在连数学的门都还没进去，不要说谈什么理解，就是稍微难⼀些的题⽬我也很少能解开。
我有什么资格去谈矩阵这样重要的⼀个数学概念呢？更何况，我的想法直观是直观，未见的是正确的啊，会不会误⼈⼦弟呢？因此，算了吧，到此为⽌吧，我这么想。
是时不时收到的来信逐渐改变了我的想法。
⼀年半以来，我收到过不下⼀百封直接的来信，要求我把后⾯的部分写出来。
这些来信⼤部分是国内的⽹友和学⽣，也有少数来⾃正在国外深造的朋友，⼤部分是⿎励，有的是诚挚的请求，也有少数严厉斥责我不守承诺。
不管是何种态度，这都表明他们对我这⼀点点⼩⼩的思考成果的⿎励，特别是对于我这种思维的视⾓和尝试的⿎励。
他们在信中让我知道，尽管我的数学⽔平不⾼，但是我这种从普通⼈（⽽不是数学家）视⾓出发，强调对数学概念和规则的直觉理解的思路，对于很多⼈是有益的。
矩阵分析期末总结
矩阵分析期末总结引言：在矩阵分析这门课程中，我们系统学习了矩阵的基本概念、运算、性质和应用等知识。
通过学习矩阵分析，我们能够更好地解决线性方程组、矩阵特征值和特征向量、矩阵的相似性等问题。
本文将对我在矩阵分析课程中的学习内容和收获进行总结与归纳。
一、矩阵的基本概念与性质矩阵作为线性代数的基础概念，具有以下基本性质：1. 矩阵的定义与表示，包括行矩阵、列矩阵、方阵和零矩阵等。
2. 矩阵的大小与维度，用行数与列数来表示矩阵的大小，例如m x n矩阵表示有m行n列的矩阵。
3. 矩阵的运算，包括矩阵的加法、数乘和乘法等。
4. 矩阵的转置与共轭转置，将矩阵的行与列进行互换，并对矩阵元素取共轭得到的转置矩阵。
5. 矩阵的逆与伴随，如果一个矩阵A存在逆矩阵A^-1，则称A为可逆矩阵或非奇异矩阵。
二、矩阵的特征值与特征向量1. 特征值与特征向量的定义，对于一个n阶方阵A，如果存在一个非零向量x使得Ax=λx，则称λ为矩阵A的特征值，x为对应的特征向量。
2. 特征值与特征向量的计算方法，通过解方程(A-λI)x=0可以求得特征值λ和特征向量x。
3. 特征值与特征向量的性质，特征值与特征向量满足一系列重要的性质，例如特征值的重数与特征向量的线性无关性等。
4. 对称矩阵的特征值与特征向量，对称矩阵的特征值都是实数，并且存在一组相互正交的特征向量。
5. 正交矩阵的特征值与特征向量，正交矩阵的特征值的模长都等于1，特征向量是正交归一化的。
三、矩阵的相似性与对角化1. 相似矩阵与对角化，如果存在一个可逆矩阵P，使得P^(-1)AP=D，其中D是一个对角矩阵，则称矩阵A与D相似，且称A可对角化。
2. 相似矩阵的性质，相似矩阵具有一系列重要的性质，例如特征多项式、迹、行列式等。
3. 矩阵的谱分解与Jordan标准形，对于n维方阵A，如果存在P使得P^(-1)AP=J，其中J 是一个Jordan标准形矩阵，则称矩阵A可谱分解。
四、矩阵分析的应用矩阵分析在实际应用中具有广泛的应用，例如：1. 线性方程组的求解，可以通过矩阵分析中的逆矩阵、伴随矩阵等方法求解线性方程组。
理解矩阵,矩阵背后的现实意义
理解矩阵，矩阵背后的现实意义这是很早以前已经看过的，最近无意中又把保存的文章翻出来时，想起很多朋友问过矩阵，虽对矩阵似懂非懂，但却很想弄懂它，希望这几篇文章能帮你一下，故转之：线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。
比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念，然后用逆序数给出行列式的一个极不直观的定义，接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上，再把那一列减过来，折腾得那叫一个热闹，可就是压根看不出这个东西有嘛用。
大多数像我一样资质平庸的学生到这里就有点犯晕：连这是个什么东西都模模糊糊的，就开始钻火圈表演了，这未免太“无厘头”了吧！于是开始有人逃课，更多的人开始抄作业。
这下就中招了，因为其后的发展可以用一句峰回路转来形容，紧跟着这个无厘头的行列式的，是一个同样无厘头但是伟大的无以复加的家伙的出场——矩阵来了！多年之后，我才明白，当老师犯傻似地用中括号把一堆傻了吧叽的数括起来，并且不紧不慢地说：“这个东西叫做矩阵”的时候，我的数学生涯掀开了何等悲壮辛酸、惨绝人寰的一幕！自那以后，在几乎所有跟“学问”二字稍微沾点边的东西里，矩阵这个家伙从不缺席。
对于我这个没能一次搞定线性代数的笨蛋来说，矩阵老大的不请自来每每搞得我灰头土脸，头破血流。
长期以来，我在阅读中一见矩阵，就如同阿Q见到了假洋鬼子，揉揉额角就绕道走。
事实上，我并不是特例。
一般工科学生初学线性代数，通常都会感到困难。
这种情形在国内外皆然。
瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：”如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。
”，然而“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，...，这就带来了教学上的困难。
学习矩阵论心得
学习矩阵心得矩阵，Matrix。
在数学上，矩阵是指纵横排列的二维数据表格，最早来自于方程组的系数及常数所构成的方阵。
这一概念由19世纪英国数学家凯利首先提出。
矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中。
在物理学中，矩阵于电路学、力学、光学和量子物理中都有应用；计算机科学中，三维动画制作也需要用到矩阵。
矩阵的运算是数值分析领域的重要问题。
将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。
对一些应用广泛而形式特殊的矩阵，例如稀疏矩阵和准对角矩阵，有特定的快速运算算法。
在天体物理、量子力学等领域，也会出现无穷维的矩阵，是矩阵的一种推广。
从小学开始就一直喜欢数学方面的东西，喜欢数字，喜欢计算，喜欢思考,，喜欢数学中的那种严密的逻辑性。
当然数学也一直是相对之下比较强的科目，高中的时候比较偏科，语文和英语都不怎么好，每次考试就靠数学来把总分给拉上来。
本来上大学的时候想选应用数学这个专业的，但是各种机缘巧合使得我跨入了机械领域，成为了一名真正的工科男。
工科当然也离不开数学，许多地方都需要数学计算，大一的时候就开始上高数和线性代数，感觉刚开始的时候都不怎么难懂，越往后学就越觉得吃力，不过只要花时间还是可以学的好，毕竟在工科领域中，始终离不开数学运算，甩不掉数据分析，因此学习数学也是必不可少的过程。
因为是保送的研究生，所以在复习数学方面也就不如考进来的同学，毕竟从大一到现在很久没认真复习过相关的知识，在听赵老师讲课的时候就明显感觉吃力了，好多知识都忘了。
不过为了把这门课学好，基本都会在课前预习一下相关的知识，认真把课后的作业都做完，这不仅是对自己负责，也是对以后科研工作储备相应的技能知识。
上课的时候好多知识还是能听懂，但是具体到做题上，就有些不会做了，所以说学习数学必须要练习做题，人们常说：“光说不练假把式。
”这用到学习数学上面也完全符合，就算你把所有的理论知识都学会了，但是不能运用又有什么用呢？所以赵老师让我们把课后所有的题都做一遍还是非常好的，这样不仅巩固了知识，也让同学们好好复习了一下，更为之后的期末考试减轻了不少压力。
矩阵学习心得体会（共5则）
矩阵学习心得体会（共5则）第一篇：矩阵学习心得体会矩阵学习心得体会在线性代数的基本知识基础上，我通过矩阵的学习，系统地掌握了矩阵的基本理论和基本方法，进一步深化和提高矩阵的理论知识，掌握各种矩阵分解的计算方法，了解矩阵的各种应用，其主要内容包括矩阵的基本理论，矩阵特征值和特征向量的计算,矩阵分解及其应用，矩阵的概念，了解单位阵、对角距阵、三角矩阵、零矩阵、数量矩阵、对角距阵等。
这些内容与方法是许多应用学科的重要工具。
矩阵的应用是多方面的，不仅在数学领域里，而且在力学、物理、科技等方面都十分广泛的应用。
我通过学习得知，矩阵是数学中的一个重要的基本概念，是代数学的一个主要研究对象，也是数学研究和应用的一个重要工具。
从行列式的大量工作中明显的表现出来，为了很多目的，不管行列式的值是否与问题有关，方阵本身都可以研究和使用，矩阵的许多基本性质也是在行列式的发展中建立起来的，而矩阵本身所具有的性质是依赖于元素的。
在逻辑上，矩阵的概念应先于行列式的概念，然而在历史上次序正好相反。
矩阵和行列式是两个完全不同的概念，行列式代表着一个数，而矩阵仅仅是一些数的有顺序的摆法。
利用矩阵这个工具，可以把线性方程组中的系数组成向量空间中的向量；这样对于一个多元线性方程组的解的情况，以及不同解之间的关系等一系列理论上的问题，就都可以得到彻底的解决。
矩阵的研究历史悠久，拉丁方阵和幻方在史前年代已有人研究。
矩阵这一概念由19世纪英国数学家凯利首先提出。
矩阵概念在生产实践中也有许多应用，比如矩阵图法以及保护个人帐号的矩阵卡系统（有深圳网域提出）等等。
矩阵的现代概念在19世纪逐渐形成。
1801年德国数学家高斯把一个线性变换的全部系数作为一个整体。
1844年，德国数学家爱森斯坦讨论了“变换”（矩阵）及其乘积。
1850年，英国数学家西尔维斯特首先使用矩阵一词。
1858年，英国数学家凯莱发表《关于矩阵理论的研究报告》。
他首先将矩阵作为一个独立的数学对象加以研究，并在这个主题上首先发表了一系列文章，因而被认为是矩阵论的创立者，他给出了现在通用的一系列定义，如两矩阵相等、零矩阵、单位矩阵、两矩阵的和、一个数与一个矩阵的数量积、两个矩阵的积、矩阵的逆、转置矩阵等。
矩阵基本性质总结
矩阵基本性质总结矩阵是数学中一个非常重要的概念，广泛应用于多个领域，如物理学、计算机科学、经济学等。
理解矩阵的基本性质对于掌握这一工具至关重要。
首先，矩阵具有加法和数乘的运算性质。
矩阵的加法是指两个具有相同行数和列数的矩阵对应位置的元素相加。
例如，若有矩阵 A 和矩阵 B ，它们都是 m 行 n 列的矩阵，那么矩阵 A 和矩阵 B 的和就是一个新的 m 行 n 列的矩阵 C ，其中 C 的每个元素 Cij ＝ Aij ＋ Bij 。
数乘矩阵则是用一个数乘以矩阵中的每个元素。
如果有矩阵 A ，用数 k 去乘以矩阵 A ，得到的新矩阵 B 中每个元素 Bij ＝ k × Aij 。
矩阵加法和数乘运算满足一些规律，比如加法满足交换律和结合律，即 A ＋ B ＝ B ＋ A ，（A ＋ B) ＋ C ＝ A ＋（B ＋ C) ；数乘满足分配律，如 k ×（A ＋ B) ＝ k × A ＋ k × B 。
其次，矩阵的乘法是一个相对复杂但又极为重要的性质。
矩阵相乘不是简单地将对应元素相乘，而是有特定的规则。
只有当第一个矩阵的列数等于第二个矩阵的行数时，两个矩阵才能相乘。
假设矩阵 A 是 m 行 n 列，矩阵 B 是 n 行 p 列，那么它们的乘积 C 是一个 m 行 p 列的矩阵。
其中 C 的元素 Cij 是矩阵 A 的第 i 行元素与矩阵 B 的第 j 列元素对应相乘再相加的结果。
矩阵乘法一般不满足交换律，即 A × B 不一定等于 B × A 。
但它满足结合律和分配律，即（A × B) × C ＝ A ×（B × C) ， A ×（B ＋ C) ＝ A × B ＋ A × C 。
矩阵乘法有着广泛的应用。
比如在表示线性变换时，一个矩阵可以看作是对向量的一种变换操作。
通过矩阵乘法，可以实现多个线性变换的连续作用。
深入理解矩阵——矩阵革命(完全版)
矩阵革命-理解矩阵线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。
比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念，然后用逆序数给出行列式的一个极不直观的定义，接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上，再把那一列减过来，折腾得那叫一个热闹，可就是压根看不出这个东西有嘛用。
大多数像我一样资质平庸的学生到这里就有点犯晕：连这是个什么东西都模模糊糊的，就开始钻火圈表演了，这未免太“无厘头”了吧！于是开始有人逃课，更多的人开始抄作业。
这下就中招了，因为其后的发展可以用一句峰回路转来形容，紧跟着这个无厘头的行列式的，是一个同样无厘头但是伟大的无以复加的家伙的出场——矩阵来了！多年之后，我才明白，当老师犯傻似地用中括号把一堆傻了吧叽的数括起来，并且不紧不慢地说：“这个东西叫做矩阵”的时候，我的数学生涯掀开了何等悲壮辛酸、惨绝人寰的一幕！自那以后，在几乎所有跟“学问”二字稍微沾点边的东西里，矩阵这个家伙从不缺席。
对于我这个没能一次搞定线性代数的笨蛋来说，矩阵老大的不请自来每每搞得我灰头土脸，头破血流。
长期以来，我在阅读中一见矩阵，就如同阿Q见到了假洋鬼子，揉揉额角就绕道走。
事实上，我并不是特例。
一般工科学生初学线性代数，通常都会感到困难。
这种情形在国内外皆然。
瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：“如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。
”，然而“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，...，这就带来了教学上的困难。
”事实上，当我们开始学习线性代数的时候，不知不觉就进入了“第二代数学模型”的范畴当中，这意味着数学的表述方式和抽象性有了一次全面的进化，对于从小一直在“第一代数学模型”，即以实用为导向的、具体的数学模型中学习的我们来说，在没有并明确告知的情况下进行如此剧烈的paradigm shift，不感到困难才是奇怪的。
学习矩阵论心得体会 如何学好矩阵论(优秀3篇)
学习矩阵论心得体会如何学好矩阵论（优秀3篇）（经典版）编制人：__________________审核人：__________________审批人：__________________编制单位：__________________编制时间：____年____月____日序言下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!并且，本店铺为大家提供各种类型的经典范文，如总结报告、心得体会、应急预案、演讲致辞、合同协议、规章制度、条据文书、教学资料、作文大全、其他范文等等，想了解不同范文格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!Moreover, our store provides various types of classic sample essays, such as summary reports, insights, emergency plans, speeches, contract agreements, rules and regulations, documents, teaching materials, complete essays, and other sample essays. If you would like to learn about different sample formats and writing methods, please pay attention!学习矩阵论心得体会如何学好矩阵论（优秀3篇）有关学习矩阵论心得体会篇一从年至今，我已工作年了。
矩阵心得体会
矩阵心得体会(总2页) -CAL-FENGHAI.-(YICAI)-Company One1-CAL-本页仅作为文档封面，使用请直接删除《矩阵论》学习心得体会2011-2012第一学期，我在李胜坤老师的引领下，逐步学习了科学出版社出版、徐仲和张凯院等编著的《矩阵论简明教程》第二版。
该书是大学本科期间所学习的《线性代数》的矩阵部分内容的深化，从数域扩展到矩阵，要想充分理解“矩阵论”的精髓，就得先好好的将《线性代数》复习——掌握其基本概念及重要定理、结论。
该书有8个章节，第一章是矩阵的相似变换，第二章讲的是范数理论，第三章介绍的是矩阵分析，第四章详细介绍的是矩阵分解，第五章罗列的是特征值的估计与表示，第六章介绍的是广义逆矩阵，第七章介绍的是矩阵的直积，最后一章介绍的是线性空间与线性变换。
下面分章节谈论。
第一章中的特征值与特征向量、矩阵的相似对角化、向量内积是本科期间《线性代数》中的内容，我想作者的目的是借助以前大家都熟悉的知识，将我们引领到另一个崭新的知识领域，起到承上启下的作用，让我们对《矩阵论》感到不陌生。
该章中的Jordan标准形、Hamilton-Cayley定理、酉相似的标准形是本科期间不曾深入学习的知识，这些知识为后续学习《矩阵论》吹响了号角。
总之，第一章就是高等数学中的知识与“矩阵论”的衔接章节，同时也是后续章节学习的非常重要基础章节。
我们要学好《矩阵论》就得学好该章，理解记忆其中的概念、结论。
第二章介绍向量范数与矩阵范数及其应用。
介绍了向量范数的三公理、酉不变性、1范、2范、无穷范、p范、加权范数（也叫椭圆范数）以及很重要的一个不等式——Cauchy-Schwarz不等式、向量的收敛、发散性；矩阵范数的定义、m1范、m无穷范、F范及其酉不变性，矩阵范数与向量范数的相容性等。
范数与矩阵的谱半径紧紧相连，有了范数作为研究矩阵的数学工具，我们将会更易更深入的理解、研究矩阵，并用矩阵指导实际生产实践。
有关矩阵概念的文章
有关矩阵概念的文章矩阵是一种重要的数学概念，广泛应用于线性代数、统计学和计算机科学等领域。
它是一种由数值组成的二维数组，通常用方括号表示。
本文将从矩阵的定义、性质、运算及应用等方面介绍矩阵的知识。
首先，我们来了解矩阵的定义。
矩阵是由m行n列的数表所组成，其中每个元素都有一个确定的位置，可以用A=(aij)来表示。
其中，i表示行的位置，j表示列的位置，aij表示矩阵A中第i行第j列的元素。
矩阵的大小用m×n表示，其中m表示矩阵的行数，n表示矩阵的列数。
接下来，我们来探讨矩阵的性质。
矩阵有许多重要的性质，例如对角线元素、对称矩阵和上三角矩阵等。
对角线元素是指一个矩阵中位于主对角线上的元素，即满足i=j的元素。
对称矩阵是指满足a_ij = a_ji的矩阵，即矩阵关于主对角线对称。
上三角矩阵是指满足i>j的元素都为0的矩阵。
矩阵之间的运算也是矩阵理论的重要内容。
矩阵的加法和数乘是常见的矩阵运算。
两个相同大小的矩阵相加时，只需将对应位置的元素相加即可。
矩阵的数乘也很简单，就是将矩阵中的每个元素都乘以一个常数。
此外，矩阵还可以进行乘法运算。
两个矩阵相乘的结果是一个新的矩阵，它的行数等于第一个矩阵的行数，列数等于第二个矩阵的列数。
矩阵在数学和科学领域有广泛的应用。
首先，在线性代数中，矩阵是解线性方程组的有力工具。
通过列向量与矩阵的乘法运算，可以将线性方程组转化为矩阵方程，从而简化计算过程。
其次，矩阵还被广泛应用于统计学中的多元分析方法。
例如，主成分分析和因子分析等方法都是基于矩阵运算的。
此外，矩阵在计算机科学中也起着重要作用。
在图像处理和图像识别中，矩阵被用于表示像素点的数组，通过矩阵运算可以实现图像的旋转、缩放等操作。
总结一下，矩阵是一种由数值组成的二维数组，具有重要的性质和运算规则。
它在线性代数、统计学和计算机科学等领域有广泛的应用。
通过研究矩阵的性质和运算，我们可以更好地理解和应用矩阵。
新理解矩阵1
新理解矩阵1前边我承诺过会写一些关于自己对矩阵的理解。
其实孟岩在《理解矩阵》这三篇文章中，已经用一种很直观的方法告诉了我们有关矩阵以及线性代数的一些性质和思想。
而我对矩阵的理解，大多数也是来源于他的文章。
当然，为了更好地理解线性代数，我还阅读了很多相关书籍，以求得到一种符合直觉的理解方式。
孟岩的blog已经很久没有更新了，在此谨引用他的标题，来叙述我对矩阵的理解。
当然，我不打算追求那些空间、算子那些高抽象性的问题，我只是想发表一下自己对线性代数中一些常用工具的看法，比如说矩阵、行列式等。
同时，文章命名为“理解矩阵”，也就是说这不是矩阵入门教程，而是与已经有一定的线性代数基础的读者一起探讨关于矩阵的其他理解方式，仅此而已。
我估计基本上学过线性代数的读者都能够读懂这篇文章。
首先，我们不禁要追溯一个本源问题：矩阵是什么？我们不妨回忆一下，矩阵是怎么产生的。
矩阵可以看成是一个个向量的有序组合，这说明矩阵可以类比向量；但是向量又是怎么产生的？向量则是一个个数字的有序组合，这又把我们的研究方向指向了“数字是什么”这个问题上。
比如，数字1是什么？它可以代表1米，可以代表1千克，也可以代表1分钟、1摄氏度甚至1个苹果。
它为什么有这么多的表示意义？答案很简单，因为在本质上，它什么都不是，它就是数字1，一个记号，一个抽象的概念。
正因为它抽象，它才可以被赋予各种各样直观的意义！回到矩阵本身，我们才会明白，矩阵的作用如此之大，就是因为书本上那个很枯燥的定义——矩阵就是m行n列的一个数表！它把矩阵抽象出来，让它得到了“进化”。
它是一个更一般化的概念：一个向量可以看作一个矩阵，甚至一个数都可以看成一个矩阵，等等。
代数方面的理解当然，上述说法是含糊的，我们还是需要确切知道它究竟有什么用？这可以从代数和几何的角度来分析，因为做到数形结合才是最完美的。
首先我们知道数学最基本的元素就是数字，严格来说是自然数，如0，1，2，...；有了数字，我们就可以做到很多东西。
矩阵基本性质总结
矩阵基本性质总结矩阵是线性代数中重要的概念之一，广泛应用于各个领域。
矩阵的基本性质是研究和理解矩阵的重要前提。
本文将对矩阵的基本性质进行总结和讨论。
一、矩阵的定义及表示方式矩阵是由m行n列元素排列成的矩形数表，用大写字母表示，如A。
其中，m代表矩阵的行数，n代表矩阵的列数。
矩阵中的元素通常用小写字母表示，如a_ij，其中i表示行数，j表示列数。
二、矩阵的运算性质1. 矩阵的加法：对应元素相加若A和B为同型矩阵，即行数和列数相同，那么它们可以相加。
相加的结果为一个同型矩阵C，C的每个元素等于A和B对应元素的和。
2. 矩阵的数乘：每个元素乘以同一个数若A为一个矩阵，k为一个实数，那么A与k的乘积为一个与A同型的矩阵，其中每个元素等于A中对应元素乘以k。
3. 矩阵的乘法：行乘列得到新矩阵两个矩阵相乘的前提是第一个矩阵的列数等于第二个矩阵的行数。
乘积矩阵C的行数等于第一个矩阵A的行数，列数等于第二个矩阵B的列数。
乘积矩阵C的元素等于A的第i行与B的第j列对应元素的乘积之和。
4. 矩阵的转置：行变列，列变行若矩阵A的行数为m，列数为n，那么A的转置矩阵记作A^T，行数变为n，列数变为m，且A^T的第i行第j列元素等于A的第j行第i列元素。
三、矩阵的特殊矩阵性质1. 方阵：行数等于列数的矩阵称为方阵。
2. 零矩阵：所有元素都为0的矩阵称为零矩阵，用0表示。
3. 单位矩阵：主对角线上的元素为1，其他元素为0的方阵称为单位矩阵，记作I。
4. 对角矩阵：只在主对角线上有非零元素的矩阵称为对角矩阵。
5. 可逆矩阵：若存在一个矩阵B，使得AB=BA=I，那么矩阵A称为可逆矩阵，B称为A的逆矩阵。
四、矩阵的基本性质1. 矩阵的加法和乘法满足结合律、交换律和分配律。
2. 矩阵的转置运算满足(A^T)^T=A，(A+B)^T=A^T+B^T，(kA)^T=k(A^T)，(AB)^T=B^T*A^T。
3. 若A是方阵，则A与单位矩阵的乘积等于A本身，即AI=IA=A。
线代：理解矩阵,矩阵背后的现实意义
这是很早以前已经看过的，最近无意中又把保存的文章翻出来时，想起很多朋友问过矩阵，虽对矩阵似懂非懂，但却很想弄懂它，希望这几篇文章能帮你一下，故转之：线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。
比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念，然后用逆序数给出行列式的一个极不直观的定义，接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上，再把那一列减过来，折腾得那叫一个热闹，可就是压根看不出这个东西有嘛用。
大多数像我一样资质平庸的学生到这里就有点犯晕：连这是个什么东西都模模糊糊的，就开始钻火圈表演了，这未免太“无厘头”了吧！于是开始有人逃课，更多的人开始抄作业。
这下就中招了，因为其后的发展可以用一句峰回路转来形容，紧跟着这个无厘头的行列式的，是一个同样无厘头但是伟大的无以复加的家伙的出场——矩阵来了！多年之后，我才明白，当老师犯傻似地用中括号把一堆傻了吧叽的数括起来，并且不紧不慢地说：“这个东西叫做矩阵”的时候，我的数学生涯掀开了何等悲壮辛酸、惨绝人寰的一幕！自那以后，在几乎所有跟“学问”二字稍微沾点边的东西里，矩阵这个家伙从不缺席。
对于我这个没能一次搞定线性代数的笨蛋来说，矩阵老大的不请自来每每搞得我灰头土脸，头破血流。
长期以来，我在阅读中一见矩阵，就如同阿Q见到了假洋鬼子，揉揉额角就绕道走。
事实上，我并不是特例。
一般工科学生初学线性代数，通常都会感到困难。
这种情形在国内外皆然。
瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：”如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。
”，然而“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，...，这就带来了教学上的困难。
”事实上，当我们开始学习线性代数的时候，不知不觉就进入了“第二代数学模型”的范畴当中，这意味着数学的表述方式和抽象性有了一次全面的进化，对于从小一直在“第一代数学模型”，即以实用为导向的、具体的数学模型中学习的我们来说，在没有并明确告知的情况下进行如此剧烈的paradigm shift，不感到困难才是奇怪的。
原创：矩阵论学习心得
原创：矩阵论学习⼼得矩阵论是对线性代数的延伸，很有必要深⼊研究。
研究矩阵论可以加深对PCA，SVD,矩阵分解的理解，尤其是第⼀章⼊门的线性空间的理解，在知识图谱向量化，self_attention等论⽂中会涉及⼤量的矩阵论的知识。
本⽂对此做⼀个总结，分为以下结构:第⼀部分：矩阵的线性空间，矩阵的意义;第⼆部分：矩阵的范数理解，self_attention以及transD论⽂核⼼技术解读;第三部分：矩阵的分解以及PCA，SVD1.线性空间，矩阵的意义这部分内容是理解矩阵的基础也是最关键的部分。
对于线性空间的基本概念不必多解释，都说矩阵的本质是线性变换，这⾥有必要总结⼀下。
⼀般⽽⾔，矩阵乘以向量后结果仍然是向量，相当于对向量进⾏了变换。
这个变换包括⽅向和幅度，⽅向指的是坐标轴，幅度⼀般值向量的特征值。
举⼀个最直观的例⼦：⽐如说下⾯的⼀个矩阵：它其实对应的线性变换是下⾯的形式：因为这个矩阵M乘以⼀个向量(x,y)的结果是：上⾯的矩阵是对称的，所以这个变换是⼀个对x，y轴的⽅向⼀个拉伸变换（每⼀个对⾓线上的元素将会对⼀个维度进⾏拉伸变换，当值>1时，是拉长，当值<1时时缩短），当矩阵不是对称的时候，假如说矩阵是下⾯的样⼦：它所描述的变换是下⾯的样⼦：上⾯的M矩阵，其实已经是特征值了，呵呵。
下⾯从最专业的矩阵论理论，具体解释矩阵的本质。
前⾯的变换其实是对向量的左边进⾏拉伸或者旋转，所以先介绍⼀下在矩阵论中坐标轴，坐标系和坐标的概念。
对于线性空间V n ，空间的基e1,e2,……是⼀组⾮线性相关向量，就是这些向量组成的⾏列式不为0。
空间中的任⼀向量都可以写成这些基的线性组合，这些组合系数称之为向量的坐标。
空间的基对应空间的坐标系，坐标是对应在坐标系中的。
那么⼀个变换矩阵应该如何理解呢？现有空间⾥的⼀个向量x,Tx为向量的象，也就是经过变换后的向量。
现推导如下：⾸先半正定矩阵定义为:其中X 是向量，M 是变换矩阵我们换⼀个思路看这个问题，矩阵变换中，MX代表对向量 X进⾏变换，我们假设变换后的向量为Y，记做Y = MX。
矩阵理论听后感
矩阵理论听后感09级矩阵理论小结（1-16）生一：（）我与矩阵论矩阵是一个重要的数学工具，这是本科线性代数第一章矩阵的第一句话。
为什么重要，当时的我并说不出一个缘由，大概只因为这是一门公共必修课，以至于学完这门课之后，我也没有看到有何应用所在，特别是和自己学的化学又有何联系呢。
到大二接触结构化学，计算轨道和能级时发现，原来曾经盲目学习过的矩阵求逆，初等变换还是有其用武之地的，再到后来接触matlab软件，从使用内置函数到编写M文件，瞬间感悟，矩阵深入到了数值求解的每个领域。
研究生阶段继续学习矩阵分析，不再因为是必选，而是必须。
看到计算材料力学性能的论文里频繁提到的Jordan标准型，矩阵函数求解，LU分解等曾经陌生的概念，自己才发现当年学习的矩阵知识何其浅薄。
许多人说，矩阵分析是线性代数的后续和扩展，学完之后，我有所同感，但更觉得线性代数包含于矩阵分析。
从线性代数里的实向量空间延伸到线性空间，从向量的乘积扩展到内积空间……以自己的研究课题为例，计算材料力学性能时，采用了弹簧格子模型，计算中涉及到求解大规模稀疏线性方程组，这个问题如果能够通过调整方程及未知量的顺序使得方程组的系数矩阵成带状结构即可大为简化，对系数矩阵使用LU分解，即可保障单位下三角矩阵L及三角矩阵U仍为带状结构，恐怕这个问题使用本科线性代数就有点力不从心，但不可否认离不开线性代数。
矩阵分析中为了不至于研究空间太大，引入了子空间，为了得到矩阵的极限，引入了矩阵范数作为一元衡量尺度。
在最后部分，我们提到了矩阵函数，这是研究矩阵的分析运算，但似乎更贴近实用，如我们常碰到的求解一阶线性常系数微分方程组定解问题在这一部分就有谈到。
数学是一个庞大的学科，每学完一门课程，就会对该领域有了一个更深入的认识。
但数学里的各个门类又有密切关联，解决一个实际问题需要用到多方面的知识，虽然学习数学这门课程许多年，但仍只知皮毛，对于矩阵的了解，我想同样也是略知一二。
矩阵分析几何意义的整理
矩阵分析几何意义和透彻理解PCA的一些整理这是几篇很不错的文章集合在一起的一篇文章，有些内容来自blog，有些来自文献和教程，解决了我遇到很多疑问，感谢把它推荐给我的人。
前四部分来自早期几篇blog，把空间描述的形象且易懂，适合我们这些非数学专业的人搞明白一些抽象的问题。
一、矩阵的特征值概述：矩阵特征值要讲清楚需要从线性变换入手，把一个矩阵当做一个线性变换在某一组基下的矩阵，最简单的是数乘变换，求特征值的目的就是看看一个线性变换对一些非零向量的作用是否能够相当于一个数乘变换，特征值就是这个数乘变换的变换比。
这样的一些向量就是特征向量，其实我们更关心的是特征向量，希望把原先的线性空间分解成一些向量相关的子空间的直和，这样我们的研究就可以分别限定在这些子空间上来进行，这和物理中研究运动的时候将运动分解成水平方向和垂直方向的做法是一个道理。
自相关矩阵最大特征值和特征向量并没有和原来的哪个信号一一对应，而且特征分解本身的含义相当于对原来的信号做了这样的正交分解。
使得各个分量之间相互不相关，也就是K—L展开，每一个特征值相当于原来各个信号导向矢量的线性组合，因此不能仅仅从某个特征矢量中直接对应原来某个信号的特征。
二、线性空间和矩阵的几个核心概念：空间（space）：空间的数学定义是一个集合，在这个集合上定义某某概念，然后满足某些性质，就可以被称为空间。
我们所生活的空间是一个三维欧几里德空间，我们所生活空间的特点：（1）有很多（实际上是无穷多个）位置点组成（2）这些点之间存在着相对关系。
（3）可以咋空间中定义长度、角度。
（4）这个空间可以容纳运动（从一个点到一个点的移动，而不是微积分意义上的“连续”性运动）第（4）点是空间的本质特征，（1）、（2）两点是空间的基础而非性质，第（3）点在其他空间也行并不具备，自然更不是关键的性质。
只有第（4）点是空间的本质。
把三维空间的认识拓展到其他空间。
事实上，不管是什么空间，都必须容纳和支持在其中发生的符合规律的运动（变换）。
矩阵知识点完整归纳
矩阵知识点完整归纳矩阵是线性代数中的重要概念，在数学、物理学、计算机科学等众多领域都有着广泛的应用。
下面让我们来对矩阵的相关知识点进行一个完整的归纳。
首先，我们来了解一下矩阵的定义。
矩阵是一个按照矩形排列的数字或者符号的数组。
比如说，一个 m 行 n 列的矩阵，我们就称之为m×n 矩阵。
矩阵有着不同的类型。
比如零矩阵，就是所有元素都为零的矩阵；单位矩阵，是主对角线上元素都为 1，其余元素都为 0 的矩阵；还有对称矩阵，其特点是矩阵关于主对角线对称，即 Aij ＝ Aji 。
矩阵的运算也是重要的知识点。
矩阵的加法，要求两个矩阵必须具有相同的行数和列数，对应位置的元素相加。
矩阵的数乘，就是用一个数乘以矩阵中的每一个元素。
矩阵的乘法相对复杂一些。
当矩阵A 的列数等于矩阵B 的行数时，两个矩阵才能相乘。
其计算规则是，矩阵 A 的第 i 行元素与矩阵 B 的第 j 列元素对应相乘再相加，得到乘积矩阵中的第 i 行第 j 列元素。
矩阵乘法有着一些重要的性质。
比如，一般情况下矩阵乘法不满足交换律，即 AB 不一定等于 BA ；但满足结合律和分配律。
接下来谈谈矩阵的转置。
将矩阵的行和列互换得到的矩阵就是原矩阵的转置矩阵。
转置矩阵有着一些有用的性质，比如（A ＋ B)＾T ＝A^T ＋ B^T 。
逆矩阵是另一个关键概念。
对于一个 n 阶方阵 A，如果存在另一个n 阶方阵 B ，使得 AB ＝ BA ＝ I （其中 I 是单位矩阵），那么矩阵 A可逆，矩阵 B 就是矩阵 A 的逆矩阵。
逆矩阵具有唯一性。
判断一个矩阵是否可逆，通常通过计算矩阵的行列式。
若矩阵的行列式不为零，则矩阵可逆；若行列式为零，则矩阵不可逆。
矩阵的秩也是一个重要的概念。
矩阵的秩是矩阵中线性无关的行向量或者列向量的最大个数。
通过初等变换可以求矩阵的秩。
在实际应用中，矩阵可以用来表示线性方程组。
通过对增广矩阵进行初等行变换，可以求解线性方程组的解。
理解矩阵 孟岩
理解矩阵孟岩矩阵，简单地说，就是一个由数字按照行列排列形成的方阵。
随着数学的发展，矩阵逐渐成为了代数学和几何学的重要工具。
今天，我们就一起来深入理解矩阵，探索其背后的奥秘。
首先，让我们思考一下为什么要引入矩阵这个概念。
矩阵在解决一些数学问题时具有极大的简化作用。
它可以将一系列数字组织成一个整体，从而使得问题的表述更加简洁、清晰。
同时，矩阵还可以进行各种运算，如加法、乘法、转置等，进一步帮助我们解决复杂的数学难题。
其次，矩阵在几何学中也有广泛的应用。
我们知道，在几何空间中，点和向量是最基本的概念。
而将点或者向量表示为矩阵的形式，不仅可以方便地进行运算，还能够应用于诸如线性变换、平移、旋转等几何变换的描述中。
通过矩阵的乘法运算，我们可以将一个事物由一个空间转移到另一个空间，实现几何上的变换。
举个例子来说明矩阵的应用。
假设我们有一组数值表示了某个城市一周七天的气温变化情况，并将这些数据以矩阵的形式呈现出来。
通过矩阵运算，我们可以计算出整个星期的平均气温、最高温度和最低温度，从而更好地了解该城市的气候情况。
另外，矩阵还可以用于解决线性方程组的问题。
对于一个线性方程组来说，我们可以将其系数矩阵和常数项矩阵相乘得到一个新的矩阵。
通过对新矩阵的运算，我们可以找到该方程组的解，进而解决实际问题。
总结一下，矩阵作为数学中一项重要的工具，不仅在代数学中有着广泛的应用，还在几何学、物理学、经济学等多个领域发挥着重要作用。
通过对矩阵的深入理解，我们能够更好地解决和分析各种数学问题，并将其应用于实际生活中。
因此，学习和掌握矩阵的概念和运算方法对我们的数学学习和应用能力提升有着重要的指导意义。
让我们一起努力，深入理解矩阵的奥秘，为未来的数学探索打下坚实的基础吧！。
理解矩阵(孟岩)(全)
理解矩阵作者：孟岩（一）前不久chensh出于不可告人的目的，要充当老师，教别人线性代数。
于是我被揪住就线性代数中一些务虚性的问题与他讨论了几次。
很明显，chensh觉得，要让自己在讲线性代数的时候不被那位强势的学生认为是神经病，还是比较难的事情。
可怜的chensh，谁让你趟这个地雷阵？！色令智昏啊！线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。
比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念，然后用逆序数给出行列式的一个极不直观的定义，接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上，再把那一列减过来，折腾得那叫一个热闹，可就是压根看不出这个东西有嘛用。
大多数像我一样资质平庸的学生到这里就有点犯晕：连这是个什么东西都模模糊糊的，就开始钻火圈表演了，这未免太“无厘头”了吧！于是开始有人逃课，更多的人开始抄作业。
这下就中招了，因为其后的发展可以用一句峰回路转来形容，紧跟着这个无厘头的行列式的，是一个同样无厘头但是伟大的无以复加的家伙的出场——矩阵来了！多年之后，我才明白，当老师犯傻似地用中括号把一堆傻了吧叽的数括起来，并且不紧不慢地说：“这个东西叫做矩阵”的时候，我的数学生涯掀开了何等悲壮辛酸、惨绝人寰的一幕！自那以后，在几乎所有跟“学问”二字稍微沾点边的东西里，矩阵这个家伙从不缺席。
对于我这个没能一次搞定线性代数的笨蛋来说，矩阵老大的不请自来每每搞得我灰头土脸，头破血流。
长期以来，我在阅读中一见矩阵，就如同阿Q见到了假洋鬼子，揉揉额角就绕道走。
事实上，我并不是特例。
一般工科学生初学线性代数，通常都会感到困难。
这种情形在国内外皆然。
瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：“如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
线性代数课程，无论你从行列式入手还是直接从矩阵入手，从一开始就充斥着莫名其妙。
比如说，在全国一般工科院系教学中应用最广泛的同济线性代数教材（现在到了第四版），一上来就介绍逆序数这个“前无古人，后无来者”的古怪概念，然后用逆序数给出行列式的一个极不直观的定义，接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上，再把那一列减过来，折腾得那叫一个热闹，可就是压根看不出这个东西有嘛用。
大多数像我一样资质平庸的学生到这里就有点犯晕：连这是个什么东西都模模糊糊的，就开始钻火圈表演了，这未免太“无厘头”了吧！于是开始有人逃课，更多的人开始抄作业。
这下就中招了，因为其后的发展可以用一句峰回路转来形容，紧跟着这个无厘头的行列式的，是一个同样无厘头但是伟大的无以复加的家伙的出场——矩阵来了！多年之后，我才明白，当老师犯傻似地用中括号把一堆傻了吧叽的数括起来，并且不紧不慢地说：“这个东西叫做矩阵”的时候，我的数学生涯掀开了何等悲壮辛酸、惨绝人寰的一幕！自那以后，在几乎所有跟“学问”二字稍微沾点边的东西里，矩阵这个家伙从不缺席。
对于我这个没能一次搞定线性代数的笨蛋来说，矩阵老大的不请自来每每搞得我灰头土脸，头破血流。
长期以来，我在阅读中一见矩阵，就如同阿Q见到了假洋鬼子，揉揉额角就绕道走。
事实上，我并不是特例。
一般工科学生初学线性代数，通常都会感到困难。
这种情形在国内外皆然。
瑞典数学家Lars Garding在其名著Encounter with Mathematics中说：“如果不熟悉线性代数的概念，要去学习自然科学，现在看来就和文盲差不多。
”，然而“按照现行的国际标准，线性代数是通过公理化来表述的，它是第二代数学模型，...，这就带来了教学上的困难。
”事实上，当我们开始学习线性代数的时候，不知不觉就进入了“第二代数学模型”的范畴当中，这意味着数学的表述方式和抽象性有了一次全面的进化，对于从小一直在“第一代数学模型”，即以实用为导向的、具体的数学模型中学习的我们来说，在没有并明确告知的情况下进行如此剧烈的paradigm shift，不感到困难才是奇怪的。
大部分工科学生，往往是在学习了一些后继课程，如数值分析、数学规划、矩阵论之后，才逐渐能够理解和熟练运用线性代数。
即便如此，不少人即使能够很熟练地以线性代数为工具进行科研和应用工作，但对于很多这门课程的初学者提出的、看上去是很基础的问题却并不清楚。
比如说：* 矩阵究竟是什么东西？向量可以被认为是具有n个相互独立的性质（维度）的对象的表示，矩阵又是什么呢？我们如果认为矩阵是一组列（行）向量组成的新的复合向量的展开式，那么为什么这种展开式具有如此广泛的应用？特别是，为什么偏偏二维的展开式如此有用？如果矩阵中每一个元素又是一个向量，那么我们再展开一次，变成三维的立方阵，是不是更有用？* 矩阵的乘法规则究竟为什么这样规定？为什么这样一种怪异的乘法规则却能够在实践中发挥如此巨大的功效？很多看上去似乎是完全不相关的问题，最后竟然都归结到矩阵的乘法，这难道不是很奇妙的事情？难道在矩阵乘法那看上去莫名其妙的规则下面，包含着世界的某些本质规律？如果是的话，这些本质规律是什么？* 行列式究竟是一个什么东西？为什么会有如此怪异的计算规则？行列式与其对应方阵本质上是什么关系？为什么只有方阵才有对应的行列式，而一般矩阵就没有（不要觉得这个问题很蠢，如果必要，针对m x n矩阵定义行列式不是做不到的，之所以不做，是因为没有这个必要，但是为什么没有这个必要）？而且，行列式的计算规则，看上去跟矩阵的任何计算规则都没有直观的联系，为什么又在很多方面决定了矩阵的性质？难道这一切仅是巧合？* 矩阵为什么可以分块计算？分块计算这件事情看上去是那么随意，为什么竟是可行的？* 对于矩阵转置运算AT，有(AB)T = BTAT，对于矩阵求逆运算A-1，有(AB)-1 = B-1A-1。
两个看上去完全没有什么关系的运算，为什么有着类似的性质？这仅仅是巧合吗？* 为什么说P-1AP得到的矩阵与A矩阵“相似”？这里的“相似”是什么意思？* 特征值和特征向量的本质是什么？它们定义就让人很惊讶，因为Ax =λx，一个诺大的矩阵的效应，竟然不过相当于一个小小的数λ，确实有点奇妙。
但何至于用“特征”甚至“本征”来界定？它们刻划的究竟是什么？这样的一类问题，经常让使用线性代数已经很多年的人都感到为难。
就好像大人面对小孩子的刨根问底，最后总会迫不得已地说“就这样吧，到此为止”一样，面对这样的问题，很多老手们最后也只能用：“就是这么规定的，你接受并且记住就好”来搪塞。
然而，这样的问题如果不能获得回答，线性代数对于我们来说就是一个粗暴的、不讲道理的、莫名其妙的规则集合，我们会感到，自己并不是在学习一门学问，而是被不由分说地“抛到”一个强制的世界中，只是在考试的皮鞭挥舞之下被迫赶路，全然无法领略其中的美妙、和谐与统一。
直到多年以后，我们已经发觉这门学问如此的有用，却仍然会非常迷惑：怎么这么凑巧？我认为，这是我们的线性代数教学中直觉性丧失的后果。
上述这些涉及到“如何能”、“怎么会”的问题，仅仅通过纯粹的数学证明来回答，是不能令提问者满意的。
比如，如果你通过一般的证明方法论证了矩阵分块运算确实可行，那么这并不能够让提问者的疑惑得到解决。
他们真正的困惑是：矩阵分块运算为什么竟然是可行的？究竟只是凑巧，还是说这是由矩阵这种对象的某种本质所必然决定的？如果是后者，那么矩阵的这些本质是什么？只要对上述那些问题稍加考虑，我们就会发现，所有这些问题都不是单纯依靠数学证明所能够解决的。
像我们的教科书那样，凡事用数学证明，最后培养出来的学生，只能熟练地使用工具，却欠缺真正意义上的理解。
自从1930年代法国布尔巴基学派兴起以来，数学的公理化、系统性描述已经获得巨大的成功，这使得我们接受的数学教育在严谨性上大大提高。
然而数学公理化的一个备受争议的副作用，就是一般数学教育中直觉性的丧失。
数学家们似乎认为直觉性与抽象性是矛盾的，因此毫不犹豫地牺牲掉前者。
然而包括我本人在内的很多人都对此表示怀疑，我们不认为直觉性与抽象性一定相互矛盾，特别是在数学教育中和数学教材中，帮助学生建立直觉，有助于它们理解那些抽象的概念，进而理解数学的本质。
反之，如果一味注重形式上的严格性，学生就好像被迫进行钻火圈表演的小白鼠一样，变成枯燥的规则的奴隶。
今天先谈谈对线形空间和矩阵的几个核心概念的理解。
这些东西大部分是凭着自己的理解写出来的，我希望做到直觉，也就是说能把数学背后说的实质问题说出来。
首先说说空间(space)，这个概念是现代数学的命根子之一，从拓扑空间开始，一步步往上加定义，可以形成很多空间。
线形空间其实还是比较初级的，如果在里面定义了范数，就成了赋范线性空间。
赋范线性空间满足完备性，就成了巴那赫空间；赋范线性空间中定义角度，就有了内积空间，内积空间再满足完备性，就得到希尔伯特空间。
总之，空间有很多种。
你要是去看某种空间的数学定义，大致都是“存在一个集合，在这个集合上定义某某概念，然后满足某些性质”，就可以被称为空间。
这未免有点奇怪，为什么要用“空间”来称呼一些这样的集合呢？大家将会看到，其实这是很有道理的。
我们一般人最熟悉的空间，毫无疑问就是我们生活在其中的（按照牛顿的绝对时空观）的三维空间，从数学上说，这是一个三维的欧几里德空间，我们先不管那么多，先看看我们熟悉的这样一个空间有些什么最基本的特点。
仔细想想我们就会知道，这个三维的空间：1. 由很多（实际上是无穷多个）位置点组成；2. 这些点之间存在相对的关系；3. 可以在空间中定义长度、角度；4. 这个空间可以容纳运动，这里我们所说的运动是从一个点到另一个点的移动（变换），而不是微积分意义上的“连续”性的运动，上面的这些性质中，最最关键的是第4条。
第1、2条只能说是空间的基础，不算是空间特有的性质，凡是讨论数学问题，都得有一个集合，大多数还得在这个集合上定义一些结构（关系），并不是说有了这些就算是空间。
而第3条太特殊，其他的空间不需要具备，更不是关键的性质。
只有第4条是空间的本质，也就是说，容纳运动是空间的本质特征。
认识到了这些，我们就可以把我们关于三维空间的认识扩展到其他的空间。
事实上，不管是什么空间，都必须容纳和支持在其中发生的符合规则的运动（变换）。
你会发现，在某种空间中往往会存在一种相对应的变换，比如拓扑空间中有拓扑变换，线性空间中有线性变换，仿射空间中有仿射变换，其实这些变换都只不过是对应空间中允许的运动形式而已。
因此只要知道，“空间”是容纳运动的一个对象集合，而变换则规定了对应空间的运动。
下面我们来看看线性空间。
线性空间的定义任何一本书上都有，但是既然我们承认线性空间是个空间，那么有两个最基本的问题必须首先得到解决，那就是：1. 空间是一个对象集合，线性空间也是空间，所以也是一个对象集合。
那么线性空间是什么样的对象的集合？或者说，线性空间中的对象有什么共同点吗？2. 线性空间中的运动如何表述的？也就是，线性变换是如何表示的？我们先来回答第一个问题，回答这个问题的时候其实是不用拐弯抹角的，可以直截了当的给出答案。
线性空间中的任何一个对象，通过选取基和坐标的办法，都可以表达为向量的形式。
通常的向量空间我就不说了，举两个不那么平凡的例子：L1. 最高次项不大于n次的多项式的全体构成一个线性空间，也就是说，这个线性空间中的每一个对象是一个多项式。
如果我们以x0, x1, ..., xn为基，那么任何一个这样的多项式都可以表达为一组n+1维向量，其中的每一个分量ai其实就是多项式中x(i-1)项的系数。
值得说明的是，基的选取有多种办法，只要所选取的那一组基线性无关就可以。
这要用到后面提到的概念了，所以这里先不说，提一下而已。
L2. 闭区间[a, b]上的n阶连续可微函数的全体，构成一个线性空间。
也就是说，这个线性空间的每一个对象是一个连续函数。
对于其中任何一个连续函数，根据魏尔斯特拉斯定理，一定可以找到最高次项不大于n的多项式函数，使之与该连续函数的差为0，也就是说，完全相等。
所以说，向量是很厉害的，只要你找到合适的基，用向量可以表示线性空间里任何一个对象。
这里头大有文章，因为向量表面上只是一列数，但是其实由于它的有序性，所以除了这些数本身携带的信息之外，还可以在每个数的对应位置上携带信息。
为什么在程序设计中数组最简单，却又威力无穷呢？根本原因就在于此。
下面来回答第二个问题，这个问题的回答会涉及到线性代数的一个最根本的问题。
线性空间中的运动，被称为线性变换。
也就是说，你从线性空间中的一个点运动到任意的另外一个点，都可以通过一个线性变化来完成。
那么，线性变换如何表示呢？很有意思，在线性空间中，当你选定一组基之后，不仅可以用一个向量来描述空间中的任何一个对象，而且可以用矩阵来描述该空间中的任何一个运动（变换）。