矩阵计算器：乘法、求逆、行列式与现实应用

矩阵乘法不可交换：A×B ≠ B×A 通常成立。顺序非常重要。先平移后旋转将物体放在与先旋转后平移完全不同的位置。在 3D 图形中，变换管道中矩阵乘法的顺序（缩放 → 旋转 → 平移）必须有意图地确定——交换任何一对都会改变结果。

2×2 矩阵 [[a,b],[c,d]] 的行列式就是 ad − bc。对于 3×3：a(ei−fh) − b(di−fg) + c(dh−eg)。行列式告诉你矩阵是否可逆（det ≠ 0），代表线性变换的缩放因子（行列式 3 意味着面积增至三倍），负行列式表示反射或方向翻转。

2×2 矩阵 [[a,b],[c,d]] 的逆矩阵是 (1/(ad−bc)) × [[d,−b],[−c,a]]，前提是 ad−bc ≠ 0。如果行列式恰好为零，矩阵是奇异的——它没有逆，意味着变换至少坍缩了一个维度（例如，将 3D 投影到 2D 平面）。我们的计算器检测奇异矩阵并解释为什么无法求逆。

在 3D 图形中，4×4 齐次变换矩阵将旋转、缩放、平移和透视投影打包到单个结构中。左上 3×3 处理旋转和缩放；最右列（元素 [0][3]、[1][3]、[2][3]）处理 x、y、z 轴平移；底行启用透视效果。将 4D 齐次坐标 [x,y,z,1] 乘以此矩阵可在单个操作中产生变换后的位置。

特征值（λ）和特征向量（v）满足方程 Av = λv——乘以矩阵 A 只是将特征向量 v 缩放 λ 而不改变其方向。在主成分分析（PCA）中，协方差矩阵的特征向量识别数据中最大方差的方向。在 Google 原始 PageRank 算法中，网页链接矩阵的主特征向量决定了页面重要性。

线性回归可以完全用矩阵形式表达。正规方程 β = (XᵀX)⁻¹Xᵀy 求解系数向量 β，使平方误差最小化。对于有 100,000 行和 10 个特征的数据集，X 是 100K×10，XᵀX 是紧凑的 10×10 矩阵，求解正规方程涉及一次矩阵乘法和一次求逆——对于中小型特征集，比梯度下降要高效得多。

乘积的转置：(AB)ᵀ = BᵀAᵀ。乘法顺序反转。这个恒等式在推导神经网络反向传播时至关重要——当梯度反向流经各层时，每个权重矩阵被转置且乘法顺序反转，恰好遵循此模式。理解矩阵转置使深度学习的链式法则变得直观。