1. 矩阵的站位决定身份左乘右乘从来不是一回事总有学生抱着线性代数课本跑来问我矩阵的左乘和右乘到底有什么几何意义为什么 AB 和 BA 不能随便交换顺序这类问题几乎每学期都会出现因为教材里通常只给了运算法则没有讲清楚位置本身带着含义。简单说在默认列向量的约定下矩阵放在向量的左边叫左乘行向量放在矩阵的左边、矩阵在右叫右乘。位置不同矩阵扮演的角色就完全不同。先说结论性的框架左乘时矩阵是一个空间变换器它把一个向量当作空间里的点或箭头整体搬动到新的位置右乘时行向量更像一台测量仪矩阵的行是一组测量设备右乘的结果是给这些设备做加权组合得到一台新的测量仪。一个是改变对象一个是改变看对象的方式。这两者互为对偶但经常被混为一谈后面所有内容都是围绕这个框架展开的。为了让你对两者真的不一样有体感用一个具体矩阵反复对照A [1 2] [3 4]系数向量取 u (2, 1)。先左乘Au [1 2] [2] [1×2 2×1] [ 4] [3 4] [1] [3×2 4×1] [10]再看右乘此时 u 要写成行向量uA [2 1] [1 2] [2×1 1×3 2×2 1×4] [5 8] [3 4]同一个 u、同一个 A左乘得到 (4, 10)右乘得到 (5, 8)。可见左乘和右乘不是同一种操作的两种写法而是两种本质不同的操作。操作写法向量是什么矩阵的角色结果的几何含义左乘Ax列向量空间里的点或箭头变换器把点搬到新位置右乘xA行向量线性函数/测量仪被组合的对象组合出行空间里的新函数1.1 两种约定列向量和行向量看到的矩阵完全不同线性代数教材默认向量是列向量矩阵在左边于是 Ax 成了最常见的形式。但在不少工程领域比如某些图形学库和概率论教材习惯把向量写成行向量这时候矩阵在右边写成 xA。同一个数学对象换了站位之后公式里的乘法顺序会整体倒过来。这不是排版偏好问题。列向量约定下矩阵 A 的第 j 列就是标准基向量 eⱼ 经过变换后的像行向量约定下矩阵 A 的第 i 行才是基础测量单元。你选择站在哪一边就决定了你看到的是列的故事还是行的故事。很多人学完线性代数只记住了怎么算却从没问过这一行一列乘出来到底在图什么。等到了实际项目里碰到法向量变换、相似变换、马尔可夫链的转移矩阵、图形学的投影矩阵才被左乘右乘的坑反复绊倒。这篇文章就是想把这些坑一次性填平。1.2 一个数字例子同样的矩阵左乘右乘得到不同结果回到刚才的 A 和 u。Au (4, 10) 还能换一种方式看矩阵 A 的两列分别是 a₁ (1, 3) 和 a₂ (2, 4)那么Au 2 × (1, 3) 1 × (2, 4) (2, 6) (2, 4) (4, 10)也就是说Au 是对矩阵 A 的列做线性组合组合系数正好是 u 的分量。而 uA (5, 8) 是对 A 的行做线性组合uA 2 × (1, 2) 1 × (3, 4) (2, 4) (3, 4) (5, 8)一个用的是列一个用的是行。这就是后面所有几何意义的计算根源。接下来分别把这两条路线展开。2. 左乘 Ax 的几何意义矩阵的列就是掰弯后的基向量2.1 Ax 的本质对矩阵的列做线性组合把 A 按列分块写成 A [a₁ a₂ ... aₙ]其中 aⱼ 是第 j 列。那么对任意列向量 x (x₁, x₂, ..., xₙ)ᵀ有Ax x₁·a₁ x₂·a₂ ... xₙ·aₙ这个公式看着简单却是左乘的全部几何奥秘矩阵的每一列是标准基向量 eⱼ 被变换后的落点。因为 e₁ (1, 0, ..., 0)ᵀ 乘进去取出来正好是 a₁e₂ 取出来是 a₂依此类推。矩阵 A 完全由它把基向量变成什么决定。举个例子。A [[2, 1], [1, 3]]它的第一列是 (2, 1)第二列是 (1, 3)。也就是说在 A 的作用下原来 x 轴方向的单位向量 (1, 0) 被搬到了 (2, 1)原来 y 轴方向的单位向量 (0, 1) 被搬到了 (1, 3)。现在取 x (1, 2)ᵀAx [2 1] [1] [2×1 1×2] [4] [1 3] [2] [1×1 3×2] [7]几何上x 本来表示沿 x 轴走 1 格、沿 y 轴走 2 格。经过 A 之后坐标系本身被掰弯了现在要沿新 x 轴方向 (2, 1) 走 1 格再沿新 y 轴方向 (1, 3) 走 2 格。最终落点 (4, 7) 是这两段新路程的向量和。换句话说左乘就是在告诉你在 A 定义的扭曲坐标系里同样的坐标分量对应原空间里的哪个点。这里还有一个附带效果矩阵的行列式 det A 告诉你这个变换对面积的缩放倍数。A 的行列式是 2×3 − 1×1 5所以单位正方形经过 A 后会变成面积 5 的平行四边形方向没反转。如果 det A 是负数说明变换把空间翻了个面左右手坐标系互换了。2.2 旋转矩阵为什么天然适合用左乘理解旋转是理解左乘最直观的场景。在二维平面里逆时针旋转 θ 角的矩阵是R(θ) [cos θ −sin θ] [sin θ cos θ]为什么要长这样就是因为它的两列分别是 e₁ 和 e₂ 旋转后的位置。e₁ (1, 0) 旋转 θ 后变成 (cos θ, sin θ)e₂ (0, 1) 旋转 θ 后变成 (−sin θ, cos θ)。矩阵的写法完全是由基向量被搬到哪决定的这就是左乘视角最标准的体现。取 θ 90°R(90°) [[0, −1], [1, 0]]。用 x (1, 1)ᵀ 左乘R x [0 −1] [1] [−1] [1 0] [1] [ 1](1, 1) 这个点绕原点逆时针转 90°确实落在 (−1, 1)。整个变换可以想象成把整个坐标网格一起拧了 90°所有点跟着网格走。矩阵的每一列恰好是原来网格的两个轴方向在新网格里的样子。理解了这一步你就不会再觉得矩阵乘法是一行乘一列的机械操作了。2.3 复合变换的先来后到右边那个矩阵先动手左乘的意义一旦建立复合变换的顺序就顺理成章了。对 ABx因为矩阵乘法满足结合律(AB)x A(Bx)。所以向量 x 先被 B 变换再被 A 变换。换句话说在一串矩阵乘法的右边永远站着最先动手的那个变换。这点经常被反直觉。看到 M A·B·C很多初学者以为从左往右执行先 A 再 B 再 C。实际上对列向量 v 来说执行顺序是 C 先、B 其次、A 最后。可以把这串乘法想象成工厂流水线原料 v 先进 C 车间再进 B 车间最后进 A 车间产品才是 Mv。为什么结合律能保证这件事因为 A(Bx) 明确告诉你先算括号里的 Bx也就是先让 B 作用在 x 上再让 A 作用在结果上。一旦你接受最右边的先动手这个习惯后面图形学、机器人学里那些复杂的变换链就不会读错了。3. 右乘 xA 的几何意义行向量是一台测量仪3.1 行向量代表一个线性函数而不是一个点要理解右乘得先换一个看向量的方式。列向量是空间里的点或箭头这个大家都熟。行向量 wᵀ 呢它可以看成一个线性函数 f_w(v) w·v输入一个列向量 v输出一个数——也就是点积。这个函数有直观的几何图像。在二维平面上方程 w·v c 表示一条直线这条直线的法向量就是 w。改变 c得到一簇互相平行的直线。所以一个行向量并不指向某个点它定义的是一簇等值线的朝向和疏密。比如 w (1, 2)那么 w·v x 2y c 画出来是一组斜率为 −1/2 的平行线间距由 w 的长度决定。这种测量仪的视角在生活里到处都是。地图上的等高线是高度测量仪天气预报里的气压线是气压测量仪神经网络最后一层的权重向量则是对输入特征做某种综合打分的测量仪。行向量就是这些测量仪的数学抽象。3.2 xA 是在对矩阵的行做加权求和现在看右乘 xA。设 A 的行向量分别是 r₁, r₂, ..., rₙ那么xA x₁·r₁ x₂·r₂ ... xₙ·rₙ还是用前面的例子。A [[1, 2], [3, 4]]两行分别是 r₁ (1, 2)r₂ (3, 4)。取 x (2, 1)xA 2 × (1, 2) 1 × (3, 4) (2, 4) (3, 4) (5, 8)几何上这不是在搬动一个点而是在混合两台测量仪一台读数规则是 (1, 2)另一台是 (3, 4)。现在按 2:1 的权重把它们组合起来得到一台新的测量仪 (5, 8)。新测量仪在任意方向 v 上测到的读数恰好等于原来两台测量仪读数的加权和。右乘还有一层点积视角。xA 的第 j 个分量等于 x 和 A 的第 j 列做点积。比如上面 (5, 8) 的第 1 个分量 5 x·(1, 3) 2×1 1×3第 2 个分量 8 x·(2, 4) 2×2 1×4。所以 xA 的每一个输出都是 x 这台测量仪依次去测 A 的每一列把读数排成一行。右边乘法的过程就是用行向量逐个测试矩阵列向量的过程。3.3 法向量必须用 M⁻ᵀ 变换右乘思想在图形学里的铁证行向量的右乘不是纯理论它在图形学和物理模拟里有一个极其经典的落点法向量变换。三维模型表面上的一个点有一个法向量 n它垂直于该点的切向量 t也就是 n·t 0。现在对整个模型施加一个线性变换 M顶点位置变成 p M p切向量自然变成 t M t。问题来了法向量是不是也跟着 M 变直觉上很多人觉得是实际上不是。要求变换后的法向量 n 仍然垂直于变换后的切向量 t也就是对任意切向量 t 满足 nᵀ(M t) 0。整理一下需要 nᵀ M 和 nᵀ 的作用效果一致于是nᵀ nᵀ M⁻¹等价写成列向量形式n M⁻ᵀ n也就是说法向量作为行向量是被 M⁻¹ 从右乘的而不是像顶点那样被 M 左乘。这就是右乘在三维空间里的几何意义切线方向属于列向量空间法线方向属于行向量空间对偶空间两者在变换下遵循完全不同的规则。用一个简单的二维例子验证。设 M [[2, 0], [0, 1]]这是把 x 方向拉伸两倍。考虑直线 y x它的切向量是 t (1, 1)法向量是 n (1, −1)。M 作用后直线变成 y x/2新法向量应该指向 (1/2, −1) 的方向。按公式算M⁻¹ [[1/2, 0], [0, 1]]它的转置还是自己所以 n (1/2, −1)完全正确。如果错误地把法向量当顶点一样左乘 M就会得到 (2, −1)对应的是 y 2x 的法线方向明显错了。这个例子说明右乘处理的是一套和左乘平行但不同的几何世界。列向量被 M 推着走行向量却要跟着 M⁻ᵀ 走两台测量仪在变换面前的身段完全不同。4. AB 与 BA 差在哪组合变换的顺序不能颠倒4.1 列视角下AB 的每一列都被 A接管矩阵乘矩阵是左乘右乘的进一步延伸。设 C AB把 B 按列分块B [b₁ b₂ ... bₚ]那么 C 的第 j 列是cⱼ A·bⱼ这告诉了我们一个非常干净的结论AB 的每一列都是 A 作用在 B 的每一列上得到的结果。因此 AB 的列空间一定包含在 A 的列空间里。用大白话说A 这个变换把 B 的每一列都吸进了自己的列空间A 在左右乘里是主导者。看个极端例子。A [[1, 0], [0, 0]]它把一切向量投影到 x 轴。B [[1, 2], [3, 4]] 的列是 (1, 3) 和 (2, 4)。那么 AB [[1, 2], [0, 0]]两列变成 (1, 0) 和 (2, 0)全都在 x 轴上。B 原来的二维列空间被 A 左乘后压缩成了一维。哪怕 B 里有再丰富的信息左边站着投影矩阵 A结果就只能留在 A 的列空间里。这个包含关系还有个实用推论rank(AB) ≤ rank(A)。左边矩阵的秩是一道天花板右乘的任何矩阵都无法把这道天花板顶高。深度学习里面很多关于特征退化、秩坍缩的讨论根子就在这条性质上。4.2 行视角下AB 的每一行都被 B接管同样一件事从行的方向看结论正好对称。AB 的第 i 行等于 A 的第 i 行右乘 B(AB)的第i行 (A的第i行) × B行向量右乘 B是对 B 的行做线性组合上一节刚讲过。所以 AB 的每一行都落在 B 的行空间里于是 rank(AB) ≤ rank(B)。方向非常对称左乘管列右乘管行。AB 的列空间被左边矩阵 A 控制行空间被右边矩阵 B 控制。记住这句话很多矩阵不等式和秩的结论都可以直接背出来。把视角换到 BA角色就互换了。BA 的每一列是 B 作用在 A 的每一列上所以 BA 的列空间落在 B 的列空间里BA 的每一行是 B 的行右乘 A行空间落在 A 的行空间里。A 和 B 谁在左、谁在右决定了谁在列方向上做主谁在行方向上做主。4.3 旋转配缩放一个 2×2 反例看穿不可交换理论说再多不如一个具体反例直观。设 R 是逆时针 90° 旋转S 是 x 方向拉伸 2 倍R [0 −1] S [2 0] [1 0] [0 1]先算 RSRS [0 −1] [2 0] [0 −1] [1 0] [0 1] [2 0]再算 SRSR [2 0] [0 −1] [0 −2] [0 1] [1 0] [1 0]两个结果明显不一样。取标准基向量 e₁ (1, 0) 看几何过程RS 作用 e₁先被 S 拉伸x 方向变 2 倍得到 (2, 0)再被 R 旋转 90°变成 (0, 2)。SR 作用 e₁先被 R 旋转 90°变成 (0, 1)再被 S 拉伸因为 S 只拉伸 x 方向(0, 1) 纹丝不动还是 (0, 1)。同样的两个变换顺序一换(1, 0) 的最终落点从 (0, 2) 变成了 (0, 1)差了整整一倍。原因在于旋转改变了哪个方向是 x 方向而缩放是沿着固定轴进行的。先旋转再缩放缩放轴跟着物体一起转了先缩放再旋转旋转把已经拉长的形状整个拧过去。两件事在三维空间里造成的形状完全不同。生活中的类比是穿袜子穿鞋的顺序。先穿袜子再穿鞋和先穿鞋再穿袜子虽然最后都穿了袜子和鞋但体验和结果天差地别。矩阵乘法的不可交换性和这个道理一模一样。值得一提的细节是det(RS) det(SR) 2两个变换对面积的缩放倍数完全相同。所以 AB ≠ BA 不是体现在总效果上而是体现在方向上。这也是为什么行列式可以交换、矩阵本身却不能交换因为行列式只关心面积体积的缩放不关心方向。4.4 什么情况下左右乘可以交换不是说所有矩阵都不可交换有两类常见情形可以交换理解它们能帮你更敏锐地判断变换结构。第一类两个矩阵都是对角矩阵时显然可以交换。更一般地如果 B 是 A 的多项式比如 B A²或者 B 2A 3I那么 AB BA。几何上这类矩阵共享同一组特征方向每个方向只是被不同程度地缩放谁先缩放谁后缩放自然无关紧要。第二类二维平面里的多个旋转矩阵。R(α)R(β) R(β)R(α) R(αβ)因为旋转的复合就是角度相加加法是交换的。这里的关键是旋转不挑方向它把所有方向一视同仁地转过同样的角度因此两个旋转之间没有先来后到的次序问题。反过来说一旦变换里同时存在旋转和沿特定方向的缩放/剪切顺序几乎必然影响结果。看见一个变换会改变方向、另一个会沿固定轴变形就要警惕不可交换性。工程里判断一个变换链能不能安全重排看的就是这一点。5. P⁻¹AP 的秘密相似变换里左乘右乘的分工5.1 P 是坐标翻译官矩阵的左乘右乘还有一个经常被误解的组合P⁻¹AP。这个结构在相似变换、对角化、特征值计算里反复出现但初学者往往只背公式不理解为什么左边是 P⁻¹、右边是 P。先给 P 一个身份P 的每一列是新坐标系的基向量在旧坐标系下的坐标。假设我们有两套坐标系描述同一个空间P 负责把新坐标翻译成旧坐标v_old P · v_new这个翻译关系是右乘把新坐标向量放进 P 的右边P 的列做线性组合得到旧坐标。对应的P⁻¹ 负责反方向翻译把旧坐标换回新坐标。举个例子。P [[1, 1], [0, 1]]它的两列分别是 (1, 0) 和 (1, 1)。这是说新坐标系的第一根基轴和旧 x 轴重合第二根基轴指向旧坐标系里的 (1, 1) 方向。如果某个点在新坐标系里的坐标是 (u, v)那么它在旧坐标系里的坐标是 P(u, v) (uv, v)。沿着新坐标的 u 方向走一格在旧坐标里既动了 x 也动了 y这就是坐标系换掉带来的直观后果。5.2 三步走翻译进去、作用、翻译回来现在有个旧坐标系下的变换 A你想知道在新坐标系下这个变换长什么样设新坐标系下的某个向量是 v_new把它完整走一遍先翻译到旧坐标v_old P·v_new。这里 P 在右边乘 v_new是右乘。在旧坐标下施加 Aw_old A·v_old A·P·v_new。把结果翻译回新坐标w_new P⁻¹·w_old P⁻¹·A·P·v_new。所以 A 在新坐标系下的表示就是B P⁻¹·A·P为什么这个顺序不能反根本原因在于 P 和 P⁻¹ 分工不同。P 站在右边负责把新坐标系的输入翻译成旧坐标P⁻¹ 站在左边负责把旧坐标的输出翻译回新坐标。输入侧需要的是 P输出侧需要的是 P⁻¹。翻译动作必须发生在 A 作用之前和作用之后顺序就被锁死了。如果写反成 P·A·P⁻¹那是在说另一套约定先把旧坐标翻译成新坐标作用 A再翻回旧坐标。这不是我们想要的在新坐标系里看 A而是在旧坐标系里看一个新变换两者通常不相等。很多对角化算错的同学问题就出在把 P 和 P⁻¹ 的位置弄反最后特征值对不上。5.3 对角化的例子P⁻¹AP 如何把矩阵变成纯缩放用具体数字验证。设A [2 1] P [1 1] [0 3] [0 1]先算 AP也就是把 A 的每一列和 P 的列组合AP [2 1] [1 1] [2 3] [0 3] [0 1] [0 3]再算 P⁻¹AP。P 的逆是 P⁻¹ [[1, −1], [0, 1]]P⁻¹AP [1 −1] [2 3] [2 0] [0 1] [0 3] [0 3]结果是一个对角矩阵 diag(2, 3)。这意味着在由 (1, 0) 和 (1, 1) 构成的坐标系下A 的行为极其简单沿第一根新坐标轴方向拉伸 2 倍沿第二根新坐标轴方向拉伸 3 倍完全不需要旋转和剪切。原因也清楚A 的特征向量正好是 (1, 0) 和 (1, 1)。在这两个方向上A 只改变长度不改变方向。P 把坐标轴转到特征向量方向A 在自己擅长的方向上做纯缩放P⁻¹ 再把结果转回来。整个过程就是右乘 P 选好视角A 在最佳视角下做最简单的事左乘 P⁻¹ 回到原视角。相似变换 P⁻¹AP 保持特征值、行列式、迹不变因为这些量是变换的内在属性和坐标系无关而对角化就是找到一个视角让内在属性直接亮出来。6. 实际工程中左右乘最容易翻车的三个现场6.1 图形学行主序与列主序约定直接决定乘法顺序图形学是左右乘重灾区。同一个变换链在 OpenGL 风格的列向量约定下写成v Proj × View × Model × v最右边的 Model 先作用在 v 上然后依次是 View、Proj所以读法是从右往左先模型变换再视图变换再投影变换。想让物体先绕自身旋转再平移到 (5, 0)就应该把旋转矩阵放最右写成 T(5,0) × R(θ)因为 R 先作用物体先转再挪如果写反成 R(θ) × T(5,0)物体先被平移再绕原点旋转效果变成绕原点公转加自转完全不是想要的结果。但在某些行向量约定的数学库或 DirectX 风格代码里同一个链写成v v × Model × View × Proj读法变成从左往右模型变换在最左先执行。同一个变换链两种约定的矩阵乘法顺序正好完全相反。工程里最常见的 bug 就是从一篇讲列向量约定的文章里抄来矩阵顺序放进行向量约定的代码里渲染结果各种错位还找不到原因。这里要特别提醒存储顺序行主序还是列主序和数学上的向量在左还是在右是两件不同的事。行主序存储只影响内存布局和传参方式并不直接决定乘法顺序决定乘法顺序的是你采用的向量约定。很多人把这两件事混在一起修 bug 时越改越乱。我的一般建议是拿到一段矩阵代码先确认它用行向量还是列向量约定再想变换顺序最后才谈存储布局。6.2 数据科学里 Xw 和 wᵀX 的两种身份在机器学习里左乘右乘也无处不在。设 X 是 n 行 p 列的设计矩阵每一行是一个样本每一列是一个特征w 是 p 维权重列向量。线性回归的预测值是y_pred Xw它的第 i 个分量是样本 xᵢ 与 w 的点积。这里 X 的每一行是一台测量仪w 是被测量的对象Xw 是把所有样本的测量读数排成一列。注意这和左乘是变换的直观不同X 并不是在空间里搬动 w而是在逐行检测 w。这个视角转换很重要因为数据科学里矩阵往往通过行表示样本行向量的测量仪身份比列向量的点身份更常用。反过来wᵀX 是一个 1×n 的行向量它的含义是对 X 的行做加权组合用 w 的分量把 n 个样本混合成一个新样本。PCA 里的得分向量、推荐系统里的用户表示聚合本质上都是这种行组合操作。同样是 w 和 X写成 Xw 是对样本逐行打分写成 wᵀX 是对样本逐行混合输出形状完全不同。写代码前先确认你要的是 n×1 的打分列还是 1×n 的聚合行能避免大量维度不匹配的报错。这里还有一个隐藏的右乘场景最小二乘的梯度。损失函数 ‖Xw − y‖² 对 w 求导得到 2Xᵀ(Xw − y)Xᵀ 左乘残差向量。Xᵀ 左乘的几何本质是把残差从样本空间投影回特征空间这个过程正是行向量测量仪的组合逻辑在起作用。看懂这一层线性代数和机器学习的接口就打通了。6.3 马尔可夫链的行随机和列随机约定马尔可夫链的转移矩阵也有左右乘之分而且在不同的书里约定相反极其容易踩坑。列随机约定下转移矩阵 P 的每一列之和为 1状态分布写成列向量一步转移是p_{t1} P · p_t平稳分布满足 P·π π。这是把 P 当左乘变换把分布当列向量每一步都是矩阵在左边推着分布前进。行随机约定下转移矩阵的每一行之和为 1状态分布写成行向量一步转移是p_{t1} p_t · P平稳分布满足 π·P π。这时分布站在 P 的左边P 在右边乘它是典型的右乘操作。两种约定其实是同一个模型写成矩阵时互为转置。但如果你读了一篇用行随机约定的论文拿到代码里却按列随机约定写转移方向就会完全颠倒模拟出来的轨迹、稳态分布全部对不上。我见过不止一个做推荐系统、做 PageRank 的朋友在这个坑里耗掉好几天。解决办法很简单拿到任意一段马尔可夫代码先看它是把分布放在矩阵左边还是右边再确认矩阵是行和还是列和为 1两个信息对齐了再动逻辑。6.4 我的调试土办法用单位基向量当探针最后分享一个我用了很多年的土办法对付所有左右乘混乱的场景都有效拿标准基向量当探针。矩阵 A 和标准基向量 eⱼ 左乘A·eⱼ 的结果正好是 A 的第 j 列。同理eᵢᵀA 的结果是 A 的第 i 行。这一条规则是调试矩阵代码的利器。当你不确定一段代码里的矩阵是不是你要的变换时不要盯着几十个浮点数看直接把 (1, 0)、 (0, 1) 这样的基向量喂进去看输出落在了哪里。如果预期是旋转 90° 后拉伸e₁ 应该先到 (0, 1) 再到 (0, 2)实际输出对不上立刻就能定位是哪一步顺序错了。我的习惯是先算维度左边矩阵的列数必须等于右边矩阵的行数再用 e₁ 和 e₂ 分别作为输入跑一次最后用人眼检查结果的方向对不对。维度错了是低级错误方向错了是左右乘顺序问题这两个检查基本能排查掉九成以上的矩阵 bug。矩阵乘法的结合律一直成立所以调试时可以放心加括号、拆开逐步验证不用担心改变结果不可交换的只是顺序不是结合方式。从最开始讲左乘是搬运、右乘是测量到后来用列空间、行空间、相似变换把这些串起来我想表达的核心只有一句话遇到任何矩阵乘法先问自己一句——此刻谁在作用谁哪个矩阵先动手。把这个问题想清楚法向量为什么用逆的转置、P⁻¹AP 为什么是那个顺序、随机矩阵要不要转置这些公式都不再需要背而是能顺着几何逻辑推出来。这也是我在图形学和数据分析项目里左右乘这个知识点最值回票价的地方。
