一、先讲个让我"开窍"的故事
大一刚学线性代数那会儿，我对矩阵充满了恐惧。
不是怕概念，是怕运算。
矩阵加法还好理解——对应位置相加嘛。但到了矩阵乘法，我就懵了。老师在黑板上画了一堆箭头："第一行乘第一列、第一行乘第二列、第二行乘第一列……"我跟着画了一遍，算对了一道题，但心里特别不踏实。
我不明白：为什么矩阵乘法要这么定义？为什么不能像加法一样，对应位置相乘就行？为什么 AB 不等于 BA？这些规则到底是谁规定的、凭什么这么规定？
我带着满脑子疑问去问老师。老师说：“这就是定义，你记住就行。”
我硬记了一个学期。期末考试拿了 90 分，但心里始终别扭——我会"算"矩阵，但不"懂"矩阵。
直到大二，我学了计算机图形学。那门课要用矩阵描述 3D 物体的旋转、缩放、平移。某一天我在调试一段代码，需要让一个立方体"先旋转 30 度，再放大 2 倍"。我写下两个矩阵 R 和 S，然后犹豫了：到底是 RS 还是 SR？
老师在旁边说：“你想想物理意义。物体先经过 R 变换，再经过 S 变换，所以结果是 SR——靠右的矩阵先作用。”
那一瞬间我彻底开窍了。
矩阵乘法的本质，是"变换的复合"。AB 就是"先做 B 这个变换，再做 A 这个变换"。所以 AB 和 BA 当然不一样——“先穿袜子再穿鞋"和"先穿鞋再穿袜子”，结果完全不同。
那一刻，所有矩阵运算的规则，突然都"活"了起来。我不再是机械地按公式计算，而是能看到每个运算背后的几何画面。
今天这篇文章，我就把矩阵的基本运算从最直观的角度讲清楚。我不会只告诉你"怎么算"，更要告诉你"为什么这么算"。读完之后，你会发现：矩阵不是一堆冷冰冰的数字，而是一种有生命、有形状、有动作的数学对象。
走起。
二、先建立直觉：什么是矩阵？
讲运算之前，先理解什么是矩阵。
最朴素的理解：矩阵是一个长方形的数字表格。比如这是一个 2×3 的矩阵（2 行 3 列）：
[[1, 2, 3],
[4, 5, 6]]
但这只是表面。矩阵真正的含义有三种：
视角 1：数据的表格。比如一个班级的成绩表，每行是一个学生，每列是一门课。这是最朴素的理解。
视角 2：向量的组合。矩阵的每一列（或每一行）都是一个向量。一个 m×n 矩阵就是 n 个 m 维列向量的组合。
视角 3：线性变换。这是最深刻的理解。一个矩阵代表一个"操作"——它能把一个向量变成另一个向量。比如旋转矩阵把向量旋转一个角度，缩放矩阵把向量拉长缩短。
这三种视角，对应着矩阵运算的三种"意义"。学矩阵，关键是能在这三种视角之间灵活切换。
三、第一个运算：矩阵加法
矩阵加法是最简单的运算——对应位置相加。
[[1, 2], [3, 4]] + [[5, 6], [7, 8]] = [[6, 8], [10, 12]]
注意一个前提：两个矩阵必须形状相同才能相加。3×2 的矩阵不能和 2×3 的矩阵相加。
几何意义
如果把矩阵看作"向量的组合"，那矩阵加法就是"对应向量相加"。
如果把矩阵看作"变换"，那矩阵加法就是"两个变换的叠加"——但这种叠加在几何上没有特别直观的意义，所以矩阵加法的几何视角不如其他运算重要。
性质
矩阵加法满足你期待的所有性质：
- 交换律：A + B = B + A
- 结合律：(A + B) + C = A + (B + C)
- 有零元：存在零矩阵 O，使 A + O = A
- 有负元：每个矩阵 A 有相反矩阵 -A，使 A + (-A) = O
加法的性质和普通数字加法完全一样。所以矩阵加法不会给你制造麻烦——它是个"温柔的老好人"。
四、第二个运算：数乘
数乘是矩阵和一个数相乘——把矩阵的每个元素都乘以那个数。
3 × [[1, 2], [3, 4]] = [[3, 6], [9, 12]]
几何意义
如果把矩阵看作"变换"，数乘就是"放大或缩小这个变换的力度"。
举例：缩放矩阵 [[2, 0], [0, 2]] 表示"把所有向量放大 2 倍"。如果你给它乘上 3，得到 [[6, 0], [0, 6]]，就表示"把所有向量放大 6 倍"——变换强度变成了 3 倍。
如果你给它乘上 -1，得到 [[-2, 0], [0, -2]]，就表示"把所有向量放大 2 倍并翻转方向"。
性质
数乘的性质也很正常：
- k(A + B) = kA + kB
- (k + l)A = kA + lA
- (kl)A = k(lA)
- 1 · A = A
记住一点：数乘是分配的，但乘法的顺序不重要——kA 和 Ak 是一样的。
五、第三个运算（核心）：矩阵乘法
这是矩阵运算的"灵魂"，也是最容易让初学者懵的地方。
规则
设 A 是 m×n 矩阵，B 是 n×p 矩阵，那么 AB 是 m×p 矩阵，其元素是：
(AB)ᵢⱼ = A 的第 i 行 · B 的第 j 列（点积）
注意几个关键点：
第一，A 的列数必须等于 B 的行数，否则乘法没有定义。这是一个硬性约束。
第二，乘出来的矩阵形状是 m×p——继承 A 的行数和 B 的列数。
第三，AB 不等于 BA——矩阵乘法不满足交换律。事实上，有时候 AB 能算 BA 算不了（因为形状不匹配）。
具体计算
举个简单例子：
A = [[1, 2], [3, 4]]
B = [[5, 6], [7, 8]]
AB 的第 (1,1) 位置 = A 的第 1 行 · B 的第 1 列 = 1·5 + 2·7 = 19
AB 的第 (1,2) 位置 = A 的第 1 行 · B 的第 2 列 = 1·6 + 2·8 = 22
AB 的第 (2,1) 位置 = A 的第 2 行 · B 的第 1 列 = 3·5 + 4·7 = 43
AB 的第 (2,2) 位置 = A 的第 2 行 · B 的第 2 列 = 3·6 + 4·8 = 50
所以 AB = [[19, 22], [43, 50]]
算一下 BA：
BA 的第 (1,1) 位置 = B 的第 1 行 · A 的第 1 列 = 5·1 + 6·3 = 23
BA 的第 (1,2) 位置 = B 的第 1 行 · A 的第 2 列 = 5·2 + 6·4 = 34
BA 的第 (2,1) 位置 = B 的第 2 行 · A 的第 1 列 = 7·1 + 8·3 = 31
BA 的第 (2,2) 位置 = B 的第 2 行 · A 的第 2 列 = 7·2 + 8·4 = 46
所以 BA = [[23, 34], [31, 46]]
AB 和 BA 完全不同！
为什么这么定义？
很多人会问：为什么矩阵乘法这么奇怪？为什么不像加法一样对应位置相乘？
答案是：矩阵乘法的本质是"变换的复合"。
想象矩阵 A 和 B 都是线性变换。如果你先用 B 变换一个向量 x，得到 Bx；然后再用 A 变换它，得到 A(Bx)。
A(Bx) 等于 (AB)x——所以矩阵乘法 AB 代表的是"先 B 后 A"这个复合变换。
这就是矩阵乘法这样定义的根本原因。它是为了让矩阵运算和"变换复合"这个几何操作完美对应。
一个让你印象深刻的例子
回到我开头讲的故事。在 3D 图形学里，假设：
R 是"旋转 30 度"的矩阵
S 是"放大 2 倍"的矩阵
如果你想让物体"先旋转再放大"，你应该写 SR——靠右的 R 先作用。
如果你想让物体"先放大再旋转"，你应该写 RS——靠右的 S 先作用。
这两个结果是不一样的！想象一个长方形：
- 先旋转 30 度，再放大 2 倍：长方形旋转了，然后整体放大
- 先放大 2 倍，再旋转 30 度：长方形先放大，然后旋转
最终位置可能不同（如果矩阵不是从原点出发的话，结果会差很多）。
这就是为什么 AB ≠ BA——因为变换的顺序很重要。
性质
矩阵乘法满足：
- 结合律：(AB)C = A(BC)
- 分配律：A(B + C) = AB + AC，(A + B)C = AC + BC
- 数乘可以提取：k(AB) = (kA)B = A(kB)
但不满足：
- 交换律：AB ≠ BA（一般情况下）
- 消去律：AB = AC 不能推出 B = C（除非 A 可逆）
- 零因子律：AB = 0 不能推出 A = 0 或 B = 0
这些"不满足"的性质是矩阵运算最容易出错的地方。普通代数的直觉在矩阵世界里经常失效——必须时刻保持警惕。
单位矩阵
单位矩阵 I 是矩阵乘法的"单位元"——对任何矩阵 A，AI = IA = A。
它的样子是：对角线全是 1，其他位置全是 0。比如 3 阶单位矩阵：
[[1, 0, 0],
[0, 1, 0],
[0, 0, 1]]
几何意义：单位矩阵代表"什么都不做"的变换——把每个向量原封不动地返回。这就像数字世界的 1。
六、第四个运算：转置
转置就是把矩阵"翻转"——行变列，列变行。
A = [[1, 2, 3], [4, 5, 6]]
Aᵀ = [[1, 4], [2, 5], [3, 6]]
原本是 2×3 的矩阵，转置后变成 3×2。
几何意义
转置的几何意义比较微妙，不像其他运算那么直观。粗略地说，转置和"内积"有深刻的联系：(Ax) · y = x · (Aᵀy)。这个公式叫做"伴随关系"，是泛函分析的基础。
在欧氏空间里，正交矩阵满足 Aᵀ = A⁻¹——这是转置最重要的应用之一。
性质
转置满足：
- (Aᵀ)ᵀ = A（转置两次回到原矩阵）
- (A + B)ᵀ = Aᵀ + Bᵀ
- (kA)ᵀ = kAᵀ
- (AB)ᵀ = BᵀAᵀ（注意顺序反了！）
最后一条非常重要。乘积的转置等于转置的乘积反序。这就像穿衣服——“先穿袜子再穿鞋”，脱的时候必须"先脱鞋再脱袜子"。
对称矩阵和反对称矩阵
如果一个矩阵满足 Aᵀ = A，叫做对称矩阵。比如：
[[1, 2, 3],
[2, 4, 5],
[3, 5, 6]]
对称矩阵有非常好的性质——所有特征值都是实数，并且可以正交对角化。这是谱定理的内容，是量子力学、主成分分析、统计学的核心数学工具。
如果一个矩阵满足 Aᵀ = -A，叫做反对称矩阵。反对称矩阵的对角线元素必须是零。它在物理（如角动量算子）和微分几何（如外微分）中有重要应用。
七、第五个运算：求逆
如果一个方阵 A 存在另一个矩阵 B，使得 AB = BA = I，那 B 就是 A 的逆矩阵，记作 A⁻¹。
几何意义
逆矩阵代表"反向变换"——如果 A 把向量 x 变成 y，那 A⁻¹ 把 y 变回 x。
举例：旋转 30 度的逆是旋转 -30 度。放大 2 倍的逆是缩小 2 倍（即放大 1/2 倍）。
不是所有矩阵都有逆
只有方阵才可能有逆（非方阵的"逆"概念不一样，叫"伪逆"）。
更进一步，只有行列式不为零的方阵才有逆。
为什么？因为行列式为零意味着这个变换"压缩"了空间——把高维压成了低维。压缩后信息丢失了，无法反过来恢复。
比如二维矩阵 [[1, 2], [2, 4]]，行列式 = 0。它把整个二维平面压缩到一条直线上。你无法从那条直线上的一点"反推"出原平面上的点（因为很多点都映射到了同一个点）。
求逆的方法
求 2×2 矩阵的逆很简单：
A = [[a, b], [c, d]]
A⁻¹ = (1/(ad-bc)) · [[d, -b], [-c, a]]
求高阶矩阵的逆有几种方法：
伴随矩阵法：A⁻¹ = (1/det(A)) · adj(A)。理论上漂亮，但计算量大，只适合手算小矩阵。
初等行变换法：把 [A | I] 通过初等行变换化成 [I | A⁻¹]。这是最实用的方法，也是计算机用的方法。
LU 分解、QR 分解等：更高级的数值方法，用于大规模计算。
逆矩阵的性质
- (A⁻¹)⁻¹ = A
- (AB)⁻¹ = B⁻¹A⁻¹（又是反序！）
- (Aᵀ)⁻¹ = (A⁻¹)ᵀ
- (kA)⁻¹ = (1/k) · A⁻¹
注意 (AB)⁻¹ = B⁻¹A⁻¹——又是反序。这和转置的规则一样。原因也类似：要"撤销"一个复合变换，必须按相反的顺序撤销。
八、第六个运算：迹
矩阵的迹（trace）是对角线元素之和，记作 tr(A)。
A = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
tr(A) = 1 + 5 + 9 = 15
几何意义
迹是一个不变量——相似矩阵的迹相等。这意味着，迹反映了线性变换本身的某种本质特征，与你选什么基无关。
更深刻地，迹等于所有特征值的和。这是迹的"灵魂"。
性质
- tr(A + B) = tr(A) + tr(B)
- tr(kA) = k · tr(A)
- tr(Aᵀ) = tr(A)
- tr(AB) = tr(BA)（即使 AB ≠ BA！）
最后一条非常神奇——AB 和 BA 一般不相等，但它们的迹相等。这是迹最有用的性质，在物理、统计、机器学习中频繁出现。
九、第七个运算：分块矩阵
把一个大矩阵切成几个小块，每块也是一个矩阵——这就是分块矩阵。
举例，一个 4×4 矩阵可以看作 2×2 的"块矩阵"，每个块是 2×2 的小矩阵：
[[A, B],
[C, D]]
其中 A、B、C、D 都是 2×2 矩阵。
为什么分块？
第一，简化计算。某些大矩阵有特殊结构（比如有大块的零），分块后能利用这些结构加速计算。
第二，揭示结构。分块能让你看清矩阵的"组织方式"，找到隐藏的规律。
第三，便于并行。在大规模计算中，分块矩阵可以分给不同的处理器同时计算——这是 GPU 加速、分布式机器学习的基础。
分块矩阵的运算
分块矩阵的运算和普通矩阵几乎一样——只要分块的大小匹配。
分块加法：对应块相加。
分块乘法：和普通矩阵乘法一样，但每个"元素相乘"变成"块矩阵相乘"。
举例：
[[A, B], [C, D]] × [[E, F], [G, H]] = [[AE + BG, AF + BH], [CE + DG, CF + DH]]
形式和 2×2 矩阵乘法一模一样，只是 A、B、…、H 是矩阵而不是数。
这种"自相似"的结构是数学最美的现象之一——同一套规则可以用在不同的层次上。
十、贯穿所有运算的几个"心法"
讲完所有基本运算，分享几个"心法"，帮你真正掌握矩阵运算。
心法 1：永远关注形状
矩阵运算中，形状是第一位的。每次写下一个表达式，先确认形状对不对：
- m×n 加 m×n = m×n（加法要求形状相同）
- m×n 乘 n×p = m×p（乘法要求"中间"维度相等）
- m×n 转置 = n×m
形状不对，运算根本无法进行。形状对了，至少有计算的可能。
养成"先看形状"的习惯，能避免 80% 的低级错误。
心法 2：顺序很重要
矩阵世界没有交换律。AB 和 BA 是两个完全不同的东西。
涉及顺序的几个规则：
- (AB)ᵀ = BᵀAᵀ（反序）
- (AB)⁻¹ = B⁻¹A⁻¹（反序）
- 变换复合：(AB)x = A(Bx)（B 先作用）
这些"反序"现象都源于一个共同的几何直觉：撤销/翻转一个复合操作，必须按相反顺序。
心法 3：几何直觉是王道
任何时候算到一个奇怪的结果，回到几何意义问自己：
- 这个矩阵代表什么变换？
- 这个乘积代表什么复合？
- 这个逆代表什么反向操作？
几何直觉是矩阵运算的"灵魂"。光靠代数公式，你永远只是"会算"；有了几何直觉，你才"懂"。
心法 4：特殊矩阵要熟悉
零矩阵、单位矩阵、对角矩阵、对称矩阵、正交矩阵、置换矩阵、初等矩阵——这些特殊矩阵每个都有自己的"个性"和应用场景。熟悉它们的性质，能让你的计算事半功倍。
心法 5：多动手算
矩阵运算的肌肉记忆很重要。看 10 遍不如算 1 遍。建议：每个新概念学完，立刻拿 2×2 和 3×3 的小矩阵实际算一遍。算的过程中，所有抽象概念都会变得具体。
十一、矩阵运算的应用
讲了这么多理论，最后看看矩阵运算在实际中怎么用。
机器学习：神经网络的本质就是矩阵乘法的连续作用。一层神经网络做一次矩阵乘法加上非线性激活，几十层叠加起来就是深度学习。
计算机图形学：3D 物体的旋转、缩放、平移、投影，都是矩阵变换。游戏引擎、CAD 软件、电影特效，底层都是大量的矩阵运算。
搜索引擎：Google 的 PageRank 算法本质上是一个特征向量问题——找出网页之间链接关系矩阵的最大特征向量。
推荐系统：Netflix、淘宝的推荐算法，核心是用户-物品矩阵的低秩分解。
信号处理：傅里叶变换、滤波、压缩都可以用矩阵运算表达。JPEG 图像压缩的本质是 DCT 矩阵变换。
密码学：椭圆曲线密码、Lattice 密码等现代密码体系，都涉及大量矩阵运算。
物理学：量子力学的状态用向量描述，演化用矩阵描述。量子计算的"门"操作就是酉矩阵的作用。
经济学：投入产出分析、马尔可夫链、博弈论，都离不开矩阵运算。
可以说，现代世界的"运行机制"，大部分是用矩阵运算写成的。
十二、收尾：矩阵运算的真正魅力
写到这里，我想说点心里话。
很多人学矩阵运算，留下的印象就是：一堆公式、一堆规则、一堆"为什么这么算"的疑惑。考完试就忘了。
但矩阵运算的真正魅力，不在于"会算"，而在于它打开了一种全新的思维方式。
它让你学会用"变换"的眼光看世界——不是看静态的对象，而是看动态的操作。
它让你学会用"代数"和"几何"双语思考——代数公式背后总有几何画面，几何直觉总能写成代数表达。
它让你学会用"组合"和"结构"的眼光看复杂——任何复杂的对象，都可以分解成简单的组件，然后用规则组合起来。
这些思维方式，比任何具体的运算规则都珍贵。它们是你以后做任何"和数学相关"的工作时，最底层、最通用的能力。
最后送你三句心里话。
第一句，不要怕计算的复杂。矩阵运算看起来复杂，但每个步骤都有清晰的几何意义。理解了意义，再复杂的计算也只是"按部就班"。
第二句，不要满足于"会算"。会算是入门，懂是高手，能用是大师。学每一个运算，都要问自己：它在哪里有用？它解决了什么问题？
第三句，要把矩阵运算用起来。学完矩阵乘法，去写一段代码做图像旋转；学完矩阵求逆，去解一个线性方程组；学完特征值，去做一次主成分分析。用过的知识，才真正属于你。
打开你的笔记本，写两个 3×3 的矩阵，把它们的加法、乘法、转置、逆都算一遍。算完之后你会发现，那些原本枯燥的运算，突然变得有意思了。
你会感受到——矩阵不是冷冰冰的数字表格，它是有生命的数学积木。
而你，正在用这些积木，搭建一个理解世界的新维度。
这就是矩阵运算的真正魅力。
也是数学最迷人的地方。
