线性空间

线性空间

小象实战讲义 · 人工智能数学基础

在上一节学习了线性方程组有解的判定条件后，本节我们将引入一个更基础、更抽象的概念——线性空间（或称向量空间）。这是线性代数的核心结构，它将我们从具体的数字和方程中解放出来，在更一般的“空间”里研究向量、矩阵以及它们之间的运算规律。掌握线性空间的概念，是理解后续特征值、奇异值分解等高级主题的基石。

💡 核心导读

本节你将学习到：

1. n维向量空间的定义：从熟悉的实数域 $\mathbb{R}^n$ 推广到一般数域 $K$ 上的 $K^n$。
2. 向量空间的八条公理：构成线性空间必须满足的加法与数乘运算规则。
3. 向量与矩阵的两种视角：理解向量作为行向量与列向量的区别，以及矩阵可以看作行向量或列向量的集合。
4. 线性空间的本质：认识到线性空间是满足特定运算规则的集合，是研究线性问题的通用框架。

从 $\mathbb{R}^n$ 到 $K^n$：n维向量空间

在高等数学中，我们接触过 $\mathbb{R}^2$（平面）和 $\mathbb{R}^3$（空间）中的向量。它们可以相加，可以与实数相乘（数乘）。现在，我们将这个概念推广到更一般的情形。

定义（数域 $K$ 上的 n 维向量空间）： 给定一个数域 $K$（例如实数域 $\mathbb{R}$ 或复数域 $\mathbb{C}$）和一个正整数 $n$。考虑所有由 $K$ 中元素构成的 $n$ 元有序数组的集合： $$K^n = { (a_1, a_2, \dots, a_n) \mid a_i \in K, i=1,2,\dots,n }$$ 集合 $K^n$ 中的元素称为 n 维向量，记作 $\alpha, \beta, \gamma$ 等。对于向量 $\alpha = (a_1, a_2, \dots, a_n)$，$a_i$ 称为 $\alpha$ 的第 $i$ 个分量。

在这个集合上，我们定义两种基本运算：

1. 加法：对于 $\alpha = (a_1, \dots, a_n), \beta = (b_1, \dots, b_n) \in K^n$，定义 $$\alpha + \beta = (a_1 + b_1, a_2 + b_2, \dots, a_n + b_n)$$
2. 数乘：对于 $k \in K$ 和 $\alpha = (a_1, \dots, a_n) \in K^n$，定义 $$k\alpha = (ka_1, ka_2, \dots, ka_n)$$

数域是一个对加、减、乘、除（除数不为零）运算封闭的数的集合。$\mathbb{R}$ 和 $\mathbb{C}$ 是我们最常接触的两个数域。对于学习人工智能数学基础，你可以将 $K$ 始终理解为实数域 $\mathbb{R}$，这样 $K^n$ 就是熟悉的 $\mathbb{R}^n$（欧几里得空间），一切都会变得直观。

定义（向量相等）：两个向量 $\alpha = (a_1, \dots, a_n)$ 和 $\beta = (b_1, \dots, b_n)$ 相等，当且仅当它们的每个对应分量都相等，即 $a_i = b_i$ 对所有 $i=1,\dots,n$ 成立。

线性空间的八条公理

并非任意一个定义了加法和数乘的集合都能称为线性空间。线性空间必须满足以下八条基本性质（公理）。这八条性质是线性空间概念的精髓，它们共同保证了空间中的运算具有良好的代数结构。

设 $\alpha, \beta, \gamma \in K^n$，$k, l \in K$，则以下性质成立：

加法相关（4条）：

1. 交换律：$\alpha + \beta = \beta + \alpha$
2. 结合律：$(\alpha + \beta) + \gamma = \alpha + (\beta + \gamma)$
3. 零元存在：存在一个零向量 $\mathbf{0} = (0, 0, \dots, 0)$，使得对任意 $\alpha$，有 $\alpha + \mathbf{0} = \alpha$。零向量是加法的单位元。
4. 负元存在：对任意 $\alpha = (a_1, \dots, a_n)$，存在其负向量 $-\alpha = (-a_1, \dots, -a_n)$，使得 $\alpha + (-\alpha) = \mathbf{0}$。负向量是加法的逆元。

数乘相关（4条）： 5. 数乘单位元：数 $1 \in K$ 是数乘的单位元，即 $1 \cdot \alpha = \alpha$。 6. 数乘结合律：$k(l\alpha) = (kl)\alpha$ 7. 数乘对向量加法的分配律：$k(\alpha + \beta) = k\alpha + k\beta$ 8. 数乘对数量加法的分配律：$(k + l)\alpha = k\alpha + l\alpha$

重要说明：

• 这八条性质是相互独立的，一条也不能少。它们共同定义了什么是“线性空间”。
• 我们熟悉的 $\mathbb{R}^n$ 和 $\mathbb{C}^n$ 都完美满足这八条性质，是线性空间的典型例子。
• 这八条性质是定义线性空间的标准。以后当我们遇到一个新的集合，并声称它是一个线性空间时，我们必须验证它是否满足这八条公理。

因此，数域 $K$ 上的 n 维向量空间的完整定义是：集合 $K^n$，连同其上定义的加法、数乘运算，以及它们所满足的上述八条公理，共同构成一个线性空间。通常我们简记为 $K^n$。

行向量、列向量与矩阵的视角

在具体书写和计算时，向量有两种常见的表示形式。

定义（行向量与列向量）：

• 行向量：将向量的分量横向排列，如 $\alpha = (1, 2, 3)$ 或 $\alpha = \begin{pmatrix} 1 & 2 & 3 \end{pmatrix}$。
• 列向量：将向量的分量纵向排列，如 $\alpha = \begin{pmatrix} 1 \ 2 \ 3 \end{pmatrix}$。

行向量和列向量通过转置运算 $\top$ 相互转换： $$\begin{pmatrix} 1 & 2 & 3 \end{pmatrix}^\top = \begin{pmatrix} 1 \ 2 \ 3 \end{pmatrix}, \quad \begin{pmatrix} 1 \ 2 \ 3 \end{pmatrix}^\top = \begin{pmatrix} 1 & 2 & 3 \end{pmatrix}$$

重要约定：在线性代数中，如果没有特别说明，一个单独的向量（如 $\alpha$）默认是列向量。如果需要使用其行向量的形式，应明确写出转置 $\alpha^\top$。这个约定主要是为了后续矩阵乘法运算时维度匹配的方便。

这个约定也为我们理解矩阵提供了两种直观的视角。考虑一个 $s \times n$ 的矩阵 $A$： $$A = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \ a_{21} & a_{22} & \cdots & a_{2n} \ \vdots & \vdots & \ddots & \vdots \ a_{s1} & a_{s2} & \cdots & a_{sn} \end{pmatrix}$$

我们可以从两个角度来看待它：

1. 列向量的集合：将矩阵的每一列看作一个列向量，则矩阵 $A$ 由 $n$ 个 $s$ 维的列向量构成： $$A = \begin{pmatrix} \boldsymbol{\alpha}_1 & \boldsymbol{\alpha}$$2 & \cdots & \boldsymbol{\alpha}n \end{pmatrix}, \quad \text{其中 } \boldsymbol{\alpha}j = \begin{pmatrix} a{1j} \ a{2j} \ \vdots \ a{sj} \end{pmatrix}
2. 行向量的集合：将矩阵的每一行看作一个行向量，则矩阵 $A$ 由 $s$ 个 $n$ 维的行向量构成： $$A = \begin{pmatrix} \boldsymbol{\beta}_1^\top \ \boldsymbol{\beta}$$2^\top \ \vdots \ \boldsymbol{\beta}s^\top \end{pmatrix}, \quad \text{其中 } \boldsymbol{\beta}i = (a{i1}, a{i2}, \dots, a{in})

这两种视角在后续研究矩阵的秩、列空间、行空间、线性方程组解的结构时至关重要。

📝 动手练一练

1. 验证向量空间公理：考虑实数域 $\mathbb{R}$ 上的 $\mathbb{R}^2$。取向量 $\alpha = (1, -2)$, $\beta = (3, 0)$, $\gamma = (-1, 1)$，以及实数 $k=2, l=-1$。请手动验证八条公理中的第1条（交换律）和第7条（数乘对向量加法的分配律）。 参考答案：

   • 验证交换律：$\alpha + \beta = (1+3, -2+0) = (4, -2)$；$\beta + \alpha = (3+1, 0+(-2)) = (4, -2)$。两者相等，交换律成立。
   • 验证分配律：先计算左边 $k(\alpha + \beta) = 2 \times (4, -2) = (8, -4)$。再计算右边 $k\alpha + k\beta = (2, -4) + (6, 0) = (8, -4)$。两边相等，分配律成立。

2. 矩阵的向量视角：对于矩阵 $M = \begin{pmatrix} 2 & 5 \ -1 & 3 \ 0 & 4 \end{pmatrix}$，请分别写出它的所有列向量和所有行向量（行向量用列向量的转置形式表示）。 参考答案：

   • 列向量：$\boldsymbol{c}_1 = \begin{pmatrix} 2 \ -1 \ 0 \end{pmatrix}$, $\boldsymbol{c}_2 = \begin{pmatrix} 5 \ 3 \ 4 \end{pmatrix}$。
   • 行向量：$\boldsymbol{r}_1^\top = \begin{pmatrix} 2 & 5 \end{pmatrix}$, $\boldsymbol{r}_2^\top = \begin{pmatrix} -1 & 3 \end{pmatrix}$, $\boldsymbol{r}_3^\top = \begin{pmatrix} 0 & 4 \end{pmatrix}$。

本章小结

本节我们迈出了从具体计算走向抽象理论的关键一步，引入了线性代数的核心结构——线性空间。

要点回顾：

• 线性空间是一个定义了加法和数乘运算，并满足八条公理的集合。$K^n$ 是最基本的例子。
• 八条公理（交换律、结合律、零元、负元、数乘单位元、数乘结合律、两个分配律）是线性空间的“宪法”，定义了其基本代数性质。
• 向量有行向量和列向量两种表示，默认指列向量。矩阵可以视为列向量的集合或行向量的集合，这为理解矩阵的秩和空间提供了两种视角。

行动清单： 学完本节，你可以立即做以下事情来巩固理解：

1. 抽象验证：尝试脱离具体数字，用符号 $\alpha, \beta, \gamma, k, l$ 来推导八条公理中的几条（如结合律、分配律），体会公理化思维。
2. 视角转换：任找一个 $3\times2$ 的矩阵，分别写出它的列向量组和行向量组，并思考：这3个行向量是否属于同一个线性空间？这2个列向量呢？（答案是：行向量是2维的，属于 $\mathbb{R}^2$；列向量是3维的，属于 $\mathbb{R}^3$。它们所属的线性空间不同。）
3. 代码实践：运行下面的Python示例，用程序验证 $\mathbb{R}^n$ 中向量的运算规律，并直观感受矩阵的列/行视角。

import numpy as np

# 1. 定义向量和标量 (使用R^3为例)
alpha = np.array([1, -2, 3])  # 列向量视角，实际存储为一维数组
beta = np.array([4, 0, -1])
k = 2
l = -0.5

print("向量 alpha:", alpha)
print("向量 beta:", beta)
print("标量 k:", k, " 标量 l:", l)

# 2. 验证加法交换律
sum_ab = alpha + beta
sum_ba = beta + alpha
print("\n1. 验证加法交换律:")
print("  alpha + beta =", sum_ab)
print("  beta + alpha =", sum_ba)
print("  是否相等?", np.array_equal(sum_ab, sum_ba))

# 3. 验证数乘对向量加法的分配律 (k*(alpha+beta) == k*alpha + k*beta)
left_side = k * (alpha + beta)
right_side = k*alpha + k*beta
print("\n2. 验证数乘对向量加法的分配律:")
print("  k*(alpha+beta) =", left_side)
print("  k*alpha + k*beta =", right_side)
print("  是否相等?", np.array_equal(left_side, right_side))

# 4. 展示矩阵的列向量和行向量视角
M = np.array([[2, 5],
              [-1, 3],
              [0, 4]])
print("\n3. 矩阵 M:")
print(M)
print("\n  列向量视角 (共2列):")
for j in range(M.shape[1]): # 遍历每一列
    print(f"    第{j+1}列: {M[:, j]}")
print("\n  行向量视角 (共3行):")
for i in range(M.shape[0]): # 遍历每一行
    print(f"    第{i+1}行: {M[i, :]} (作为行向量)")
    # 注意：在NumPy中，M[i, :] 是一个一维数组，表示行。
    # 在严格的数学表达中，我们常将其视为列向量的转置。

— 小象教研组