最近我躺在床上，翻来覆去想，「这转置到底是什么个含义？利用等值线解释，总感觉差一点东西。」这两天有了一个比较粗糙的想法，「等值线的确是个很取巧、很粗糙的理解方式，感觉有一种更加有趣深入的理解方式！」，这次就来和诸君交流一下。
核心思想是——转置的核心性质是
$$ \langle Ax,y\rangle=\langle x,A^Ty\rangle. $$
这个公式表示，同一个标量测量既可以理解为先用 $A$ 变换输入 $x$，再用 $y$ 测量结果；也可以理解为先用 $A^T$ 将测量规则 $y$ 拉回输入空间，再直接测量 $x$。因此，转置保持的不是向量本身，而是向量与测量规则之间的配对结果。
考虑矩阵$A$：
$$ A= \begin{bmatrix} 2&1\\ -1&3 \end{bmatrix} $$
和向量$x$：
$$ x=\begin{bmatrix} x_1\\ x_2 \end{bmatrix} $$
二者相乘得到：
$$ Ax = \begin{bmatrix} 2x_1+x_2\\ -x_1+3x_2 \end{bmatrix} $$
我们通常会从列向量的角度看待矩阵的乘法——矩阵的列向量负责生成输出。输入向量中的第一个坐标$x_1$，控制第一列的权重；第二个坐标$x_2$，控制第二列的权重。最终的输出，是矩阵各列的线性组合。也就是：
$$ Ax= x_1 \begin{bmatrix} 2\\ -1 \end{bmatrix} + x_2 \begin{bmatrix} 1\\ 3 \end{bmatrix} $$
这太自然了，从行角度来理解就不是很自然，我们把矩阵写作行的形式：
$$ A= \begin{bmatrix} r_1\\ r_2 \end{bmatrix} $$
其中：
$$ r_1= \begin{bmatrix} 2&1 \end{bmatrix}, \qquad r_2= \begin{bmatrix} -1&3 \end{bmatrix} $$
那么就有：
$$ Ax= \begin{bmatrix} r_1x\\ r_2x \end{bmatrix} $$
从这个角度看，矩阵的每一行都在对输入向量进行一次测量。第一行读取出输出向量的第一个坐标，第二行读取出输出向量的第二个坐标。这恰恰就是我之前写的文章的结论——行向量在输入空间里，负责测量输入；列向量在输出空间里，负责生成输出。
什么是测量呢？我们来好好说说考虑函数：
$$ f(x_1,x_2)=2x_1+x_2 $$
这个函数看起来没什么特别的，接收一个二维向量，输出一个实数，比如对于一个向量：
$$ x^*=\begin{bmatrix} 8\\ 9 \end{bmatrix} $$
就能得到：
$$ f(x^*_1,x^*_2)=25 $$
这个函数特别像我们第一部分说的$r_1x$和$r_2x$，它们并没有把一个向量变成另一个向量，而是从向量中读取出一个数值。而且，矩阵中的这样的行向量的形式，满足线性性质，也就是：
$$ f(u+v)=f(u)+f(v) $$
以及：
$$ f(\lambda u)=\lambda f(u) $$
那么很显然，$f$是一个从向量空间到标量域的线性映射。如果把普通向量理解成空间中的箭头，那么协向量可以理解成一把对向量进行测量的尺子。也就是对于给定的向量，我有这样一种测量方式——矩阵的行向量所声明的测量方式——能够给出一个什么样的标量值。
这种测量方式在二维平面上，就是等值线，一条条等值线，线的位置和取值有关。向量在空间中移动时：
到这里，我们其实还没有引入任何新的东西，这些东西在我之前的专栏文章中已经说过了。
我们给出了一种测量的方法，这种方法是由矩阵的行向量决定的，每一个行向量决定了一种测量的方法，但是，测量方法貌似不只有这一种，我们可以把所有从向量空间$\mathbb V$到实数域$\mathbb R$的映射，都看作一种测量方法。我们于是得到了一种新的集合：
$$ \{f:\mathbb V\to\mathbb R\mid f\text{ 是线性的}\ \} $$
这个集合实际上也构成一个向量空间，因为每个元素都满足我们上面提到的线性性质，也就是说，每一个$f$都可以看作一个小向量。这个空间，我们一般称作向量空间$\mathbb V$的对偶空间，我们记作$\mathbb V^*$。
我们偶然发现了看待坐标的一个新角度，设$\mathbb V$有一组基：
$$ e_1,e_2,\dots,e_n. $$
任何向量都能写成：
$$ v=x_1e_1+x_2e_2+\cdots+x_ne_n. $$
定义一组测量方法（测量方法可以叫做协向量）：
$$ e^1,e^2,\dots,e^n, $$
使得：
$$ e^i(e_j)= \begin{cases} 1,&i=j,\\ 0,&i\ne j. \end{cases} $$
这组测量方法称为对偶基。它们的作用极其直接，就是对基做测量，很简单的测量：
$$ e^1(v)=x_1, \qquad e^2(v)=x_2, \qquad \dots, \qquad e^n(v)=x_n. $$
啊哈，到这里我们明白了「行向量在输入空间里，负责测量输入；列向量在输出空间里，负责生成输出」是什么意思——基向量负责生成：
$$ v=\sum_i x_i e_i. $$
对偶基负责读取：
$$ x_i=e^i(v). $$
设$\mathbb V$和$\mathbb W$是两个向量空间，并有线性映射
$$ A:\mathbb V\to \mathbb W $$
对于输入向量 $v\in \mathbb V$，线性映射产生输出
$$ Av\in \mathbb W $$
因此，向量沿着$A$从输入空间走向输出空间：
$$ \mathbb V\xrightarrow{A}\mathbb W. $$
举个例子，设：
$$ A= \begin{bmatrix} 2&1\\ 0&3 \end{bmatrix}, \qquad x= \begin{bmatrix} x_1\\ x_2 \end{bmatrix} $$
那么：
$$ Ax= \begin{bmatrix} 2x_1+x_2\\ 3x_2 \end{bmatrix} $$
假设有一个输出空间的测量方式，也就是输出空间的协向量，也就是输出空间的对偶空间的一个元素：
$$ \beta \in \mathbb W^* $$
它接收一个向量，返回一个标量——这正是协向量要做的事情。设这个协向量是：
$$ \beta(y_1,y_2)=4y_1-y_2 $$
在选定坐标后，它可以表示为行向量：
$$ \beta= \begin{bmatrix} 4&-1 \end{bmatrix} $$
我们知道，输出向量是由矩阵乘法得到的，也就是：
$$ y=Ax $$
那么，我们关心的测量就是$\beta(Ax)$，这个东西就是：
$$ \beta(Ax)=4\times(2x_1+x_2)-3x_2=8x_1+x_2 $$
这个结果非常amazing啊，因为它是输入空间的一个向量，也就是说——输出空间中的测量规则，经过线性变换以后，可以转换成输入空间中的测量规则。我们原本想测量输出中的某个量，但输出由输入决定。因此，可以把这个输出测量反向传回输入空间，得到一个直接测量输入的规则。这个过程就叫做协向量的拉回。
设：
$$ A:\mathbb R^n\to\mathbb R^m $$
矩阵表示为：
$$ A= \begin{bmatrix} a_{11}&\cdots&a_{1n}\\ \vdots&&\vdots\\ a_{m1}&\cdots&a_{mn} \end{bmatrix} $$
设输出空间中的协向量$\beta$用行向量表示：
$$ \beta= \begin{bmatrix} b_1&\cdots&b_m \end{bmatrix}. $$
那么对于输入列向量$x$，有：
$$ \beta(Ax)=(\beta A)x. $$
因此，拉回后的协向量是（这里我们用$A^*$记$A$的对偶映射，也就是把$A$做的变换反过来，也就是$A^*:\mathbb R^m\to \mathbb R^n$）：
$$ A^*(\beta)=\beta A. $$
这里似乎没有出现转置。这是因为我们将协向量自然地写成了行向量。如果将协向量的系数也写成列向量
$$ b= \begin{bmatrix} b_1\\ \vdots\\ b_m \end{bmatrix} $$
那么：
$$ \beta(y)=b^Ty=b^TAx=(A^Tb)^Tx $$
因此，拉回后的协向量系数为
$$ A^Tb. $$
这说明：
$$ \boxed{[A^*]=A^T} $$
即在线性映射对应的基与对偶基下，对偶映射的矩阵就是原矩阵的转置。因此，转置并不是一个首先存在的几何动作。更准确的逻辑顺序是：
所以：
转置矩阵是协向量反向传播在坐标中的样子。
这个例子我就懒得打了，用L'intelligence artificielle代劳了。
设：
$$ A= \begin{bmatrix} 2&1\\ 0&3 \end{bmatrix}, \qquad x= \begin{bmatrix} x_1\\x_2 \end{bmatrix}. $$
所以：
$$ Ax= \begin{bmatrix} 2x_1+x_2\\ 3x_2 \end{bmatrix}. $$
现在输出空间中有一个协向量：
$$ \beta(y)=4y_1-y_2. $$
用行向量表示：
$$ \beta= \begin{bmatrix} 4&-1 \end{bmatrix}. $$
它测量输出：
$$ \beta(Ax) = 4(2x_1+x_2)-3x_2 = 8x_1+x_2. $$
因此，被拉回输入空间的协向量是：
$$ A^*\beta= \begin{bmatrix} 8&1 \end{bmatrix}. $$
如果把协向量的系数暂时也写成列形式：
$$ b= \begin{bmatrix} 4\\-1 \end{bmatrix}, $$
那么：
$$ A^Tb = \begin{bmatrix} 2&0\\ 1&3 \end{bmatrix} \begin{bmatrix} 4\\-1 \end{bmatrix} = \begin{bmatrix} 8\\1 \end{bmatrix}. $$
所以：
$$ \beta(Ax) = (A^T\beta)(x). $$
更标准地写：
$$ \langle \beta,Ax\rangle = \langle A^T\beta,x\rangle. $$
这说明：
转置并不是把矩阵沿对角线翻转的一种形式操作。它是对偶映射在坐标中的矩阵表示。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。