矩陣計算機：乘法、反矩陣、行列式同現實世界應用

矩陣乘法唔係可交換嘅：一般嚟講 A×B ≠ B×A。次序非常重要。一個平移之後跟住一個旋轉會將物體放喺同一個旋轉之後跟住一個平移完全唔同嘅位置。喺 3D 圖形入面，你變換管線入面矩陣乘法嘅順序（縮放 → 旋轉 → 平移）必須係有意識嘅——交換任何一對都會改變結果。

一個 2×2 矩陣 [[a,b],[c,d]] 嘅行列式只係 ad − bc。對於 3×3：a(ei−fh) − b(di−fg) + c(dh−eg)。行列式告訴你一個矩陣係咪可逆（det ≠ 0）、表示線性變換嘅縮放因子（行列式為 3 表示面積變成三倍）、而負行列式表示反射或方向翻轉。

一個 2×2 矩陣 [[a,b],[c,d]] 嘅反矩陣係 (1/(ad−bc)) × [[d,−b],[−c,a]]，前提係 ad−bc ≠ 0。如果行列式剛好為零，矩陣係奇異嘅——佢冇反矩陣，表示變換至少塌陷一個維度（例如將 3D 投影到 2D 平面）。我哋嘅計算機會檢測奇異矩陣同解釋點解反轉係唔可能嘅。

喺 3D 圖形入面，一個 4×4 齊次變換矩陣將旋轉、縮放、平移同透視投影打包到單一結構。左上角 3×3 處理旋轉同縮放；最右欄（元素 [0][3]、[1][3]、[2][3]）處理 x、y、z 方向嘅平移；底部行啟用透視效果。將一個 4D 齊次坐標 [x,y,z,1] 乘以呢個矩陣會喺單一操作中產生變換後位置。

特徵值（λ）同特徵向量（v）滿足方程 Av = λv——乘以矩陣 A 只係將特徵向量 v 縮放 λ 而唔改變其方向。喺主成分分析（PCA）入面，協方差矩陣嘅特徵向量識別你數據入面最大方差嘅方向。喺 Google 原始 PageRank 演算法入面，網頁連結矩陣嘅主特徵向量決定咗頁面重要性。

線性回歸可以完全以矩陣形式表達。正規方程 β = (XᵀX)⁻¹Xᵀy 求解最小化平方誤差嘅係數向量 β。對於一個有 100,000 行同 10 個特徵嘅數據集，X 係 100K×10，XᵀX 係一個緊湊嘅 10×10 矩陣，而求解正規方程涉及一次矩陣乘法同一次反轉——對細到中型特徵集比梯度下降高效得多。

乘積嘅轉置：(AB)ᵀ = BᵀAᵀ。乘法次序調轉。呢個恆等式喺推導神經網絡中嘅反向傳播時好關鍵——當梯度向後流過各層，每個權重矩陣被轉置同乘法次序調轉，完全遵循呢個模式。理解矩陣轉置令深度學習嘅鏈式法則變得直觀。