三维线性变换：二维直觉可以升维

这一页在记什么

这一集是短附注，目的很明确：前面在二维平面里建立的图像，不是二维专属。

核心迁移是：

二维里追踪 ；三维里追踪 。

这一集真正解决的困惑

我们前面一直在二维平面上看线性变换，很容易产生一个误会：是不是这些直觉只是因为二维能画出来，所以才显得清楚？

这一集要回答的是：不是。

二维只是可视化最方便的训练场。真正可迁移的是结构：

在二维里，基向量有两个；在三维里，基向量有三个；在 维里，基向量有 个。你画不出高维空间，但仍然可以追踪基向量。

升维时哪些东西不变

不变 1：向量仍然由基向量线性组合得到

二维中：，三维中：，维度升高，只是多了基方向，线性组合的语言没有变。

不变 2：矩阵的列仍然记录基向量去向

三维标准基是：

任何三维向量都可以由它们线性组合得到。

一个 矩阵有三列，每列都是一个三维向量：，这句话比单纯背 乘法更重要。

所以你看 矩阵时，不要只看成九个数，而要看成三个三维列向量。

不变 3：矩阵乘法仍然是变换复合

复杂三维旋转可以拆成若干简单旋转的复合。矩阵乘法提供了记录这种复合的语言。

这也是计算机图形学和机器人学中矩阵频繁出现的原因。

和考研线代的连接

1. 高维不可画，但结构照旧

考研中的 维向量空间通常画不出来，但仍然可以沿用：

所以 矩阵有 列，意味着输入空间有 个标准基方向。

2. 三阶行列式和体积

后面行列式在三维中的直觉是体积缩放：这比只会按代数余子式展开更稳定。

把它变成自己的判断规则

遇到高维矩阵时，先读尺寸：

矩阵	输入基向量数	输出维度	直觉
	2	2	平面到平面
	3	3	空间到空间
	n	n	同维空间内的线性变换

然后问：每一列是在告诉我哪个基向量的去向？

这条规则比“二维画图”更可靠，因为它能一直用到高维。

易错点

• 觉得三维只是多一个坐标，忽略了它多一个独立方向。
• 把 矩阵看成九个数，忘了它是三个列向量。
• 高维画不出来就完全放弃直觉。其实直觉可以用结构语言保留。

我疑惑的地方

疑惑 1：高维看不见，为什么还能说有“空间直觉”？

因为这里的直觉不一定是完整图像。二维时你靠画面，三维时你还能勉强想象，高维时你靠结构：

• 有几个独立方向；
• 这些方向如何线性组合；
• 变换后还剩几个维度；
• 有没有方向被压扁；
• 有没有方向保持不变。

这就是高维线代的“结构直觉”。

疑惑 2：为什么三维矩阵仍然只要看三列？

因为任意三维向量都可以写成：，线性变换后：，所以三列已经足够描述所有输入的输出。

下次遇到怎么办

看到三阶或高阶矩阵时，先在脑中说一句：

如果题目问行列式，就想体积缩放；如果题目问秩，就想变换后空间维数；如果题目问可逆，就想有没有维度丢失。

更高层次的见解

这一集的价值不在于三维本身，而在于帮你摆脱“直觉必须画出来”的执念。

线代越往后，越需要这种能力：保留二维图像给你的启发，但把它升级成高维也能用的结构语言。

本集复看问题

1. 为什么 矩阵有三列？
2. 三维线性变换为什么由三个基向量决定？
3. 为什么复杂旋转可以用矩阵乘法记录？
4. 二维里建立的哪些直觉可以直接升维？
5. 高维画不出来时，我还能保留哪些结构直觉？

链接

• 🏠 返回总览：线性代数的本质：直觉复习地图
• 相关：矩阵乘法：两个变换的复合
• 下一集：行列式：面积体积的缩放因子
• 视频来源：Bilibili BV1ib411t7YR p06