|
矩阵转置就是交换行和列，对吧？取一个矩阵A，将其列转换成行，然后新矩阵被称为A的转置，但其实远不止于此。
实际上，我们可以在完全不提矩阵的情况下定义线性映射的转置。深入理解转置是如何产生的将帮助我们可视化它，而在这一过程中，我们将遇到更深层次的主题，如协变（向）量（Covector）、对偶性等等。
协变量、对偶或1-形式的概念（Covector、Dual or 1-form） 在不同的上下文中，使用不同的名称，
我在这里选择使用“协变量”。协变量基本上是一种机器，它会接受一个向量，并输出一个数字。
我喜欢称这种机器为测量设备，它“测量向量”。这些设备特别之处在于它们是“线性”的。这意味着如果有两个向量v_1和v_2，它们分别被这个机器测量为a_1和a_2，那么这个机器将测量v_1 + v_2为a_1 + a_2；如果你将向量v_1缩放一个λ倍，那么它将被测量为λa_1。
现在假设有一个线性变换，α，将一个向量v变换为另一个向量w。为了强调v和w可以非常不同，假设v是一个二维向量，而w可能是一个三维向量。出于某种原因，你想用协向量测量w。
一个不恰当的类比是：你想测量自己的体重，这里的向量就是你。 但你没有秤，你不得不使用邻居的。所以一种方法是去邻居家。但你也可以打电话给邻居，让他送给你，这样你就可以在家里进行测量，并得到相同的答案。秤从邻居家移动到你家就是α的转置。所以α是你去邻居家，α转置是将测量设备从邻居家移动到你家。 但这与你所知的矩阵转置有什么关系呢？矩阵，从本质上讲，只是线性映射的一个总结。例如，对于一个二维线性映射，
第一列告诉你向量(1,0)去哪里；第二列告诉你向量(0,1)去哪里。如果我们想知道任意向量(x,y)去哪里，只需将第一列乘以x，再加上y乘以第二列！
只需知道这四个数字（a，b，c，d）就足以确定整个线性映射，所以矩阵本质上是线性映射的总结。所以有了线性变换α及其转置，还有总结变换的两个矩阵：
最重要的点是：转置只是将某些测量设备（协变量）从其他空间转换回原始空间。 可视化协变量 因为协变量是线性的，所以就像线性变换一样，在二维情况下，只需要知道(1,0)和(0,1)是如何被测量的。
如果测量值分别是a和b，为了我们的目的，让我们说这个测量设备为(a,b)协变量或协变量(a,b)。
现在如果你取任何向量(x,y)，它只是x倍的(1,0)加上y倍的(0,1)，根据线性，它将被测量为xa + yb。
所以在二维情况下，一个(a,b)协变量将向量(x,y)测量为xa + yb。这只是两个变量的函数。 一种自然的可视化方式是绘制一个三维图形，其中z坐标是(x,y)处的函数值：
在这种情况下，它就是一个通过原点的巨大平面。然而，因为我们想要考虑一个三维协变量，我们使用另一种稍微绕弯的方式来可视化这样的函数。
考虑它的等高线。也就是绘制所有这样的点(x,y)，使其被测量为一个数c：
在这个特定的例子中，我们绘制线图ax + by = c，其中a是2，b是3，所以这代表一个(2,3)-协变量。通过变化c，我们可以窥见这个函数的行为。在这种情况下，它只是上下移动。
标记这条线为1，因为那是所有将被测量为1的点。
我们只为整数值的c绘制线图，因此，我们得到的是一些间隔固定、平行的线。
当然，这只是一个协变量（a=2，b=3）。不同的协变量会有不同方向和密度的不同组平行线。但现在的问题是，给定一组特定的平行线，我们能快速识别出这是哪个协变量吗？
上图是(-1, -0.5)协变量图，把它与(-1, -0.5)向量比较看看会发生什么。 相应的向量垂直于所有直线。所以，给定这些平行线，我们知道的是相应的向量位于这条垂直线上，
但为什么是这个确切的向量(-1, -0.5)呢？如果缩放这个向量，我们注意到向量越长，平行线就越密集。所以我们预期向量的长度与平行线的密度成正比。 更定量地说，如果有了线之间的间隙大小，那么线的密度应该是1/间隙大小 。事实上，向量的长度正好是1/间隙大小。所以虽然知道了长度，但下面这两个向量有相同的长度（方向相反），你怎么确定是哪一个？
例如，这条线被标记为2，因为它们都是协变量将其测量为2的点。
有了这些数字，我们可以区分这两个向量，因为协变量指向正数（c为正数）。 所以总结一下，你如何仅通过观察这些线就知道是哪个协变量：
上面，我们使用平行线可视化了二维协变量。三维协变量类似，只是把平行线换为平行平面。相应的向量仍然会垂直于这些平面，向量的长度仍然表示密度，向量仍然指向正数。 现在我们已经可视化了协变量，下面准备进行转置。 可视化转置 正如上文所示，α转置将一个测量设备，即另一个空间中的协变量，转换回原始空间。所以通过转置，将一个协变量转换为另一个协变量。问题在于一个协变量已经占用了相当多的空间。两个协变量一起出现已经是最大值了（二维情况下，整个平面）。所以我们只能一次可视化两个协变量的转换。 我们应该选择哪两个协变量呢？就像普通线性变换一样，选择的两个代表是：(1,0）协变量和(0,1)协变量。
就像普通向量变换一样，我们观察(1,0)协变量变成什么。无论它变成了哪个协变量，都会是转置矩阵的第一列。同理观察(0,1)协变量的变换。所以对于协变量变换，我们可以类似地写下一个矩阵表示。第一列告诉你(1,0)协变量如何变换，第二列告诉你(0,1)协变量如何变换。
接下来，我们将使用右剪切（right shear）作为例子。右剪切的转置应该是什么样的？
在这个特定的例子中，α是一个右剪切，一个2D到2D的转换。现在，这个(1,0)协变量测量剪切后的向量（W）。转置的任务是找出我们可以用哪个协变量（？，？）直接测量原始向量（V），以便我们最终得到相同的测量值。
接下来，我们看看(1,0)协变量如何测量剪切向量。在这个例子中，测量值都是1。但与其考虑它们的确切测量值，不如注意到尖端都位于同一条线上（下面的黄色直线）。
别忘了，每条线代表那些测量值是同一个固定常数c的向量的尖端，所以在这个可视化中，向量的尖端在哪条线上告诉你向量的测量值。 转置是这样的：首先，基向量回到了它们原来的位置。并且两个向量的尖端仍然位于黄色粗线上，即测量值不变。
让我们看看转置对(0,1)协变量有什么影响。再次，我们先对基向量进行右剪切，然后使用(0,1)协变量来测量它们。这次，它们的测量值不同。我使用粗粉线来粉色粉色向量的测量值，使用粗绿线来表示绿色向量的测量值。
对于转置，我们想要将基向量带回原位，并保留测量值。这次，我们不需要对协变量做任何变换，因为粉色向量的尖端仍然位于粉线上，绿色向量的尖端仍然位于绿线上。当向量回到原位时，它们的测量值没有改变。 所以总的来说，这就是对基向量进行右剪切后的情况。转置希望基向量回到原位，同时保留测量值，因此它本质上对整个图像进行了左剪切。
虽然它看起来像是左剪切，但网格线实际上是由两个不同的协变量组成的。原始的右剪切具有矩阵
因为(1,0)向量保持不动，剪切后仍然是(1,0)，但(0,1)向量剪切成了(1,1)向量。下面是(1,0)协变量：
所谓的“左剪切”将上面的协变量转换为下面这个协变量：
这是哪个协变量呢？我们知道相应的向量（暂且理解为协变量对应的向量）位于垂直线上（上面黑色线），然后我们需要计算间隙大小。不难算出，间隙大小为：
因为相应向量的长度是1/间隙大小，所以相应向量长度是。这给出了两个选择：要么是(1,1)协变量，要么是(-1,-1)协变量。因为原本，下面这条黄色粗线被这个(1,0)协变量正向测量，
转换后，这条粗线表示正方向，所以它必须是(1,1)协变量。另一方面，(0,1)协变量不受左剪切影响，所以它仍然是(0,1)协变量。所以这所谓的“左剪切”应该由这个矩阵表示，
因为第一列告诉我们(1,0)协变量已经转换为这个(1,1)协变量，而(0,1)协变量仍然保持不动，仍然是(0,1)协变量。 现在将这个“左剪切”的矩阵与原始的右剪切进行比较。你可以看到，这些矩阵确实只是相互交换行和列！
转置的另外两个例子 第一个是一个对角矩阵（diagonal matrix），例如对角线上的元素为3, 2的矩阵。
第一列只是告诉我们将粉色向量放大3倍，第二列告诉我们将绿色向量放大2倍。像之前一样，我们带上协变量，并进行逆变换以使基向量回到起始位置，但从协变量的角度看，这实际上是一个(3,0)协变量，因为间隙大小现在减少到原始大小的1/3，相应向量的长度实际上是3。
对于另一个协变量来说，完全相同，只是间隙大小减半，所以相应向量的长度是2，因此我们最终得到一个(0,2)协变量。这就是为什么这个变换仍然由相同的矩阵表示，因为我们将这些网格线视为协变量，实际上，如果做交换行和列的操作，仍然得到相同的矩阵！ 另一个例子是旋转（rotation）。再次，我们从基向量开始，假设将基向量逆时针旋转60度。
同样，我们带上协变量网格，并进行逆变换以使基向量回到起始位置。这次，我们将整个网格顺时针旋转60度。
那么这个协变量是什么呢？它是通过将这个原始协变量顺时针旋转60度得到的，下面是原始协变量相应的向量：
在旋转期间，相应的向量（1,0）以同样的方式旋转，即顺时针60度。
这是因为仅通过旋转，间隙大小没有改变，所以我们不需要改变相应向量的长度。对于另一个协变量来说，一样。所以在这种情况下，转置不仅仅“看起来像”逆，它是作用在相应向量上的逆。 这意味着，对应于逆时针60度旋转的矩阵，以及对应的转置，在这种情况下，它们是彼此的逆。换句话说，对于旋转，
一般来说，满足这一条件的矩阵被称为正交矩阵（Orthogonal matrices），因此旋转矩阵是正交的。到现在为止，你可能会想，这种可视化需要矩阵是可逆的，确实，当涉及到奇异矩阵（singular matices）时，确实有一定的限制。 通常情况下，奇异矩阵的秩（也就是矩阵中线性独立的行或列的最大数目）会小于它所在空间的维数。 狭义相对论 我想特别提一下一个细节，虽然它比较复杂和专业，但是很重要。正交条件对你来说可能没啥意义。
在左手边，转置被假设为将协变量转换为协变量，但在右边，A^(-1)将向量转换为向量。它们甚至不是同一类型的对象，它们怎么可能相等呢？诀窍是将向量和协变量配对，将它们视为某种相同的东西。 对于这个(a,b)协变量，测量(1,0)为a，(0,1)为b，我们将其与向量(a,b)关联，或在协变量的可视化中作为一堆平行线，将其与垂直于这些线的向量关联，长度是线的密度。当然，我们也可以反过来做——给定向量，我们可以绘制那些平行线；给定向量(a,b)，我们也可以轻松构造那个协变量。这就是我们如何实现向量和协变量之间的一一对应关系。 有个专业点的说法是，我们说的这个配对关系必须是线性的，也就是说，它要满足一些特定的数学规则。我们这里用的配对关系确实是线性的，但我们不需要深入研究这个“线性”到底意味着什么。 让我们列出一些向量和协变量。
如果一个变换将一个协变量ε转换为另一个协变量η；并且epsilon与向量v配对，η与向量w配对，那么它看起来好像 v被转换成了w。这个协变量到协变量的转换甚至不知道v的存在，但是因为这个配对，我们可以将其视为向量到向量的转换。 以类似的方式，如果一个向量到向量的转换将v转换为w，我们可以认为它是从ε转换为η。正是在这个意义上，我们说：
我想强调一下为什么要配对向量和协变量有两个原因。首先，把一个向量和一个协变量匹配起来的这种做法虽然很常见也很自然，但它不是唯一的方法。你还可以选择把向量和 (-a, b) 或 (a, -b) 这样的协变量配对。这样做依然可以保持一一对应的关系。还有很多其他的选择方法，但我之所以选这两个，只是因为这两种配对方法可以用在1+1维度的狭义相对论的数学中，而且任何满足这种正交条件的矩阵，在这种配对下，都是洛伦兹变换。 如果你对相对论有所了解，并且想知道这与相对论有什么关系，请注意，从向量到协变量的转换是度规张量的工作，而从协变量到向量的转换是逆度规的工作。重点是，指定哪种一一对应关系，或你正在使用的度规非常重要，因为不同的度规会产生不同的数学。 另一件事是你可能甚至无法将它们配对。在无限维向量空间中，协变量远多于向量，所以你永远无法实现一一对应。 |
|
|
