Ch 3 Linear Maps · Axler 4e · §3A–3D · pp.51–95

Axler 3.2 的定义干净利落：

两条合一：$T(\alpha u + \beta v) = \alpha Tu + \beta Tv$——这正是"线性"的含义，把"取线性组合"这个操作交换到映射外面。

直接推论：$T(0) = T(0 \cdot v) = 0 \cdot Tv = 0$——任何线性映射必送零到零。这是"非线性"映射被排除的最粗糙测试：$x \mapsto x + 1$ 不是线性的（送 $0$ 到 $1$）。

记号：$\mathcal{L}(V, W)$ 表示所有 $V \to W$ 的线性映射；$\mathcal{L}(V)$ 简写 $\mathcal{L}(V, V)$，称"$V$ 上的算子"（operator）——这是 Ch 5 起的主角。按逐点加法和数乘，$\mathcal{L}(V, W)$ 自己是向量空间（证明很短）。

线性代数的威力在于看似无关的对象都被"线性"统一了。Axler 3.3 给的例子清单：

为什么这些都"线性"：它们都把"取线性组合"这个步骤交换出去。比如 $(f+g)'(x) = f'(x) + g'(x)$ 和 $(cf)'(x) = c f'(x)$——微分是微积分里的第一个线性算子。整个线性代数的力量就体现在：证过一次 $\mathcal{L}(V, W)$ 的定理，对微分、积分、Fourier 变换、拉普拉斯算子、薛定谔 Hamiltonian 全部同时成立。

3.5 定理 · 线性映射由基上的值唯一确定：设 $v_1, \ldots, v_n$ 是 $V$ 的基，$w_1, \ldots, w_n \in W$ 任取。存在唯一线性映射 $T: V \to W$ 使 $T v_i = w_i$。这意味着只要在"基"上说清 $T$ 的值，整个映射就被决定了——于是矩阵就够用来描述所有线性映射（Q10）。

3.14 命题：$\operatorname{null} T$ 是 $V$ 的子空间（易证：包含 $0$、对加法封闭、对数乘封闭）。

几何直觉：$\operatorname{null} T$ 是"被 $T$ 吃掉的方向"的全体。想象 $T: \mathbf{R}^3 \to \mathbf{R}^2$ 是"投影到 $xy$ 平面"——那么 $z$ 轴上所有向量都被送到 $0$，$\operatorname{null} T = z\text{-轴}$。

例子清单：

• $D \in \mathcal{L}(\mathcal{P})$，微分：$\operatorname{null} D = \{$常数多项式$\}$（因为 $c' = 0$）
• $T \in \mathcal{L}(\mathbf{F}^\infty)$，反向平移 $(x_1, x_2, \ldots) \mapsto (x_2, \ldots)$：$\operatorname{null} T = \{(a, 0, 0, \ldots) : a \in \mathbf{F}\}$
• 乘以 $x^2$：$\operatorname{null} = \{0\}$（只有零多项式乘 $x^2$ 还是零）

关键洞察：$\operatorname{null} T = \{0\}$ 恰好表达了"$T$ 没把任何非零向量塌掉"，这个条件等价于单射（Q7 会正式证）。

3.19 命题：$\operatorname{range} T$ 是 $W$ 的子空间（易证）。

几何直觉：$\operatorname{range} T$ 是"$T$ 作用的结果能覆盖到的所有地方"。把 $V$ 想成所有可能的输入，$\operatorname{range} T$ 就是所有可能的输出。

例子清单：

• $D \in \mathcal{L}(\mathcal{P}_n)$，微分：$\operatorname{range} D = \mathcal{P}_{n-1}$（次数降一）
• $T: \mathbf{R}^3 \to \mathbf{R}^2$ 投影：$\operatorname{range} T = \mathbf{R}^2$（全满）
• $T \in \mathcal{L}(\mathbf{F}^2)$, $T(x,y) = (x+y, 0)$：$\operatorname{range} T = \{(a,0):a\in\mathbf{F}\}$（1 维）

关键洞察：$\operatorname{range} T = W$ 恰好表达了"$T$ 能覆盖整个目标空间"——满射（Q8）。

术语注解：$\dim \operatorname{range} T$ 称为 $T$ 的秩（rank）。当 $T$ 由矩阵 $M$ 表示时，这和"矩阵 $M$ 的列秩"完全一致——因为 $\operatorname{range} T$ 恰好由 $M$ 的列向量张成。

对 $T: \mathbf{R}^2 \to \mathbf{R}^2$，$T(x,y) = (ax+by, cx+dy)$。单位圆 $\{(\cos\theta, \sin\theta)\}$ 在 $T$ 下的像是：

• 秩 2（满秩）：椭圆——$T$ 可逆，$\operatorname{null} T = \{0\}, \operatorname{range} T = \mathbf{R}^2$
• 秩 1：线段——$\operatorname{null} T$ 是一条过原点的直线（红色虚线），$\operatorname{range} T$ 是像线段所在的直线
• 秩 0：单点（原点）——$T = 0$，$\operatorname{null} T = \mathbf{R}^2$

秩-零度定理可视化：$2 = \dim\operatorname{null} + \dim\operatorname{range}$。秩 1 时零空间恰好 1 维——丢的维度全部进了零空间。

Ch 3 最重要的定理——整本书后面无数推论都从它出发：

直白读法：源空间每一维要么进零空间（被塌掉）、要么进像（保留为非零输出）——两者之和 = 源空间总维数。线性代数的守恒律。

证明骨架：

1. 取 $\operatorname{null} T$ 的基 $u_1, \ldots, u_k$，扩张成 $V$ 的基 $u_1, \ldots, u_k, v_1, \ldots, v_{n-k}$。
2. 断言 $Tv_1, \ldots, Tv_{n-k}$ 是 $\operatorname{range} T$ 的基：
   • 张成：$Tu_i = 0$，任何 $Tv$ 按基展开只剩 $Tv_j$ 的线性组合。
   • 无关：若 $\sum c_j Tv_j = 0$，则 $\sum c_j v_j \in \operatorname{null} T$ 可由 $u_i$ 表示；但 $u_i, v_j$ 合起来无关，故 $c_j = 0$。
3. $\dim \operatorname{range} T = n - k = \dim V - \dim \operatorname{null} T$。∎

关键推论（Q7-Q9 的源头）：

• $\dim V > \dim W \Rightarrow T$ 必不单射（因 $\dim \operatorname{null} T \geq \dim V - \dim W > 0$）
• $\dim V < \dim W \Rightarrow T$ 必不满射（因 $\dim \operatorname{range} T \leq \dim V < \dim W$）
• $\dim V = \dim W$ 时：$T$ 单射 ⇔ $T$ 满射 ⇔ $T$ 可逆

第三条是线性代数的一条反直觉事实：有限维等维空间的算子只要能"进"就能"出"，只要能"出"就能"进"——单、满、双射三者等价。这在无限维（如微分算子）下失败：$D$ 作用在所有多项式上满射但不单射，乘 $x$ 单射但不满射。

证明（双向都简单）：

"$\Rightarrow$" 设 $T$ 单射，$v \in \operatorname{null} T$，即 $Tv = 0 = T(0)$。由单射 $v = 0$。所以 $\operatorname{null} T \subseteq \{0\}$；反向含是因零空间总含 $0$。

"$\Leftarrow$" 设 $\operatorname{null} T = \{0\}$，$Tu = Tv$。则 $T(u-v) = 0$，即 $u-v \in \operatorname{null} T = \{0\}$，所以 $u = v$。∎

这条命题有多重要？它把"单射"这个关于函数的全局性质，翻译成零空间的一个代数条件——检查 $Tv = 0$ 是否只有平凡解，一次检查搞定。所以今后"证单射"基本等同于"证零空间平凡"。

线性映射的"特权"：对一般函数，单射要验证所有 $u \neq v \Rightarrow f(u) \neq f(v)$（一对一对验）。对线性映射，只要看 $0$ 的原像是不是只有 $\{0\}$——线性性带来了巨大的检查便利。

这条其实就是满射的定义：$T$ 满射 $\iff \forall w \in W, \exists v \in V, Tv = w \iff \{Tv : v \in V\} = W \iff \operatorname{range} T = W$。没有什么"定理"可证，但值得停下来看清楚它和秩-零度的联动。

定理 3.22 推论 · 维数不够就一定不满射: $\dim V < \dim W \Rightarrow T$ 不满射。

证明：由秩-零度，$\dim \operatorname{range} T \leq \dim V < \dim W$。所以 $\operatorname{range} T$ 是 $W$ 的真子空间，不可能等于 $W$。∎

具体含义：

• $T: \mathbf{R}^2 \to \mathbf{R}^3$ 不可能满射——没法从一个平面"搭起"整个 3D 空间
• 线性方程组 $Ax = b$（$A$ 是 $m \times n$）：若 $n < m$（未知数少于方程），则对几乎所有 $b$ 无解——即 $T(x) = Ax$ 这个 $\mathbf{R}^n \to \mathbf{R}^m$ 的映射不满射
• 工程含义：超定方程组通常无解（只能求最小二乘近似——Ch 7E 的 SVD 伪逆）

3.59 定理：$T$ 可逆 $\iff T$ 既单射又满射。

这对一般集合间映射也对（"双射 ⇔ 有逆"）。但对有限维等维线性映射有一个惊人的加强：

证明（用秩-零度即可）：

(1)$\Rightarrow$(2) 显然。

(2)$\Rightarrow$(3)：$T$ 单射 $\Rightarrow \operatorname{null} T = \{0\} \Rightarrow \dim \operatorname{null} T = 0 \Rightarrow \dim \operatorname{range} T = \dim V = \dim W \Rightarrow \operatorname{range} T = W$（因为 $\operatorname{range} T \subseteq W$ 且维数相等）$\Rightarrow T$ 满射。

(3)$\Rightarrow$(2)：$T$ 满射 $\Rightarrow \dim \operatorname{range} T = \dim W = \dim V \Rightarrow \dim \operatorname{null} T = 0 \Rightarrow T$ 单射。

(2)+(3)$\Rightarrow$(1) 是 3.59。∎

实用版：验一个有限维方阵 $T$ 可逆，只需验它要么单射、要么满射——一半工夫搞定。在求逆矩阵、判定方程组唯一解、检查线性无关等场景极其常用。

无限维反例：$\mathcal{P}(\mathbf{R})$ 上乘 $x$ 的算子 $T: p(x) \mapsto xp(x)$——单射（乘 $x$ 只有零多项式打回零），但不满射（常数 $1$ 不在像里——$xp(x) = 1$ 没解）。所以"三等价"严格依赖有限维。

所有有限维线性映射都可用矩阵来"写下来"——这正是为什么线性代数计算可以机械化。

即：把基 $\beta$ 的每个向量经 $T$ 打过去，再把结果用基 $\gamma$ 的坐标写出来、竖着排成矩阵的一列。

典型例子 · 微分 $D: \mathcal{P}_3(\mathbf{R}) \to \mathcal{P}_2(\mathbf{R})$，基 $\beta = (1, x, x^2, x^3), \gamma = (1, x, x^2)$：

3.35 关键性质 · 矩阵乘法 = 线性映射的复合：

这条定理解释了为什么矩阵乘法要用"那种公式"定义——它是被"让复合对应乘法"的需求倒推出来的，不是人为规定。这是矩阵理论的逻辑起点。

同构定理 · 3.60：$\mathcal{L}(V, W) \cong \mathbf{F}^{m \times n}$（$m = \dim W, n = \dim V$）：两者维数都是 $mn$，选好基后 $T \mapsto M(T, \beta, \gamma)$ 是双射线性映射。

$T \in \mathcal{L}(\mathbf{R}^3)$ 把单位立方体 $[-\tfrac 12, \tfrac 12]^3$ 变成平行六面体。秩-零度定理告诉我们像的维数：

• 秩 3：平行六面体（3 维）——$T$ 可逆
• 秩 2：平行四边形（2 维）——$\operatorname{null} T$ 是 1 维直线
• 秩 1：线段（1 维）——$\operatorname{null} T$ 是 2 维平面
• 秩 0：单点——$T = 0$

操作：调 3×3 矩阵 9 个格子，观察变形后的立方体。右侧读数显示秩、$\dim \operatorname{null}$、$\dim \operatorname{range}$——三者之和始终是 3。Space 暂停旋转，R 复位相机。

有限维分类定理 · Axler 3.61 是整本书最简洁强大的结构定理：

震撼解读：整个"有限维向量空间"在同构意义下，只有一个数字——维数——作为完全不变量。$\mathbf{R}^5, \mathcal{P}_4(\mathbf{R}), \mathbf{R}^{5 \times 1}$ 长得完全不同，但作为向量空间它们是同一个东西——都是 5 维实空间。

证明：

"$\Rightarrow$" 若 $T: V \to W$ 同构，取 $V$ 基 $v_1, \ldots, v_n$。则 $Tv_1, \ldots, Tv_n$ 也是基（张成：由满射；无关：由单射 + $\operatorname{null} T = \{0\}$）。所以 $\dim W = n = \dim V$。

"$\Leftarrow$" 若 $\dim V = \dim W = n$，取 $V$ 的基 $v_1, \ldots, v_n$ 和 $W$ 的基 $w_1, \ldots, w_n$。由 3.5 存在唯一线性映射 $T$ 使 $Tv_i = w_i$。
- 单射：$\operatorname{null} T$ 里的任何 $v = \sum c_i v_i$ 满足 $\sum c_i w_i = 0 \Rightarrow c_i = 0$（$w_i$ 无关）$\Rightarrow v = 0$。
- 满射：$w_i \in \operatorname{range} T$，它们张成 $W$。
所以 $T$ 可逆。∎

标准范例：每个 $n$ 维 $\mathbf{F}$-空间都同构于 $\mathbf{F}^n$——选一组基 $v_1, \ldots, v_n$，映射 $v = \sum c_i v_i \mapsto (c_1, \ldots, c_n)^\top$ 就是一个显式同构。这是为什么任何有限维线性代数问题最终都能归结为 $\mathbf{F}^n$ 上的矩阵计算——不是因为"巧合"，是因为"同构"。

Axler 3A–3D 必做习题

• 3A-4：若 $T: \mathbf{F}^n \to \mathbf{F}^m$ 用矩阵表示唯一？（是，相对于标准基）
• 3B-12：证明若 $T \in \mathcal{L}(V, W)$ 单射且 $v_1, \ldots, v_n$ 无关，则 $Tv_1, \ldots, Tv_n$ 无关
• 3B-17：Axler 经典——若 $\dim V > \dim W$，$T: V \to W$ 为何不可能单射
• 3D-8：证明两有限维向量空间同构 ⇔ 同维数
• 3D-9：若 $V$ 有限维且 $T \in \mathcal{L}(V)$ 单射，证 $T$ 可逆

线性映射无处不在；挑两个最能让人"啊原来线性代数原来是这样用"的。

应用 1 · 神经网络的每一层 = 线性映射 + 激活

深度学习的核心结构全连接层：$y = \sigma(Wx + b)$，其中 $W \in \mathbf{R}^{m \times n}$ 是权重矩阵、$b \in \mathbf{R}^m$ 是偏置、$\sigma$ 是非线性激活（ReLU、sigmoid）。

• $x \mapsto Wx$ 是 $\mathbf{R}^n \to \mathbf{R}^m$ 的线性映射——本章主体
• 加上 $+b$ 变成仿射映射（把零映射的约束放松了）
• $\sigma$ 打破线性——否则整个多层网络会被 $W_k \cdots W_1$ "坍缩"成一个线性层

秩-零度的应用：若 $W$ 是 $m \times n$ 瘦长矩阵（$m < n$，"压缩"方向），则 $\dim \operatorname{null} W \geq n - m > 0$——一个 $(n-m)$ 维子空间被 $W$ 塌成零。这是"瓶颈层"（autoencoder）的数学本质：必然丢信息。训练的目标是让丢掉的恰好是无关紧要的那部分。

应用 2 · 主成分分析（PCA）= 找最佳低维同构

给 $n$ 条高维数据 $x_i \in \mathbf{R}^p$，PCA 找 $k \ll p$ 维投影让信息损失最小。在线性映射语言下：找 $T: \mathbf{R}^p \to \mathbf{R}^k$ 和 $S: \mathbf{R}^k \to \mathbf{R}^p$（重建），使 $\sum\|STx_i - x_i\|^2$ 最小。

• $T$ 秩 $k$，$\operatorname{null} T$ 是 $p - k$ 维的"被丢弃子空间"
• $S$ 把 $\mathbf{R}^k$ 同构地塞回 $\mathbf{R}^p$ 的某个 $k$ 维子空间
• $ST$ 是 $\mathbf{R}^p$ 上的投影，它的像就是保留的 $k$ 维子空间

PCA 的解：$T$ 的行是协方差矩阵最大的 $k$ 个特征向量（Ch 5/7B）。但 Ch 3 已经把问题结构搭好了——秩、像、零空间三件套完全决定了 PCA 的几何。

你现在有了线性映射的完整概念工具——加法/数乘保持、零空间/像、秩-零度、矩阵表示、可逆/同构。Axler 的节奏是：

• §3E 积与商空间（本页未覆盖）：把线性映射的定义域和值域变得更结构化。
• §3F 对偶（duality）（本页未覆盖）：对偶空间 $V^* = \mathcal{L}(V, \mathbf{F})$；对偶映射 $T^*$；和矩阵转置的关系。到 Ch 7 前不必死磕。
• Ch 4 多项式：把多项式上的代数结构讲清——为 Ch 5 特征值做语法准备（特征多项式 $p_T(\lambda) = \det(\lambda I - T)$）。
• Ch 5 特征值、特征向量、不变子空间：$\mathcal{L}(V)$ 算子的深入研究——找 "$T$-不动方向"。这是整个线性代数"深水区"的起点。
• Ch 6 内积空间：给向量空间加上长度、角度、正交性——几何化的线性代数。
• Ch 7 谱定理、SVD：Ch 5 + Ch 6 的综合——所有"好"算子的分类（可对角化、自伴、正规）。

学习顺序建议：如果你关心 ML / 数据科学，Ch 3 → Ch 5 → Ch 6 → Ch 7B/7E 是最短路径；如果你关心 PDE / 数学物理，加上 Ch 8（广义特征空间）和 Ch 10（多重线性代数）。Ch 4 是语法工具，在读 Ch 5 时回头查。

本章的核心记忆点：一句话——"有限维线性映射 = 维数的重新打包"。源维数 = 塌掉的 + 幸存的。整个 Axler 后续都在把这条守恒律应用到各种特殊算子上，挖掘不同的几何结构。

每题想 3 分钟再展开答案。难度：★ 概念 / ★★ 证明 / ★★★ 综合。