矩陣計算機：乘法、反矩陣、行列式和實際應用

矩陣乘法不可交換：A*B 與 B*A 一般不相等。順序非常重要。先平移後旋轉將物體放置在與先旋轉後平移完全不同的位置。在 3D 圖形中，變換管線中矩陣乘法的順序（縮放 -> 旋轉 -> 平移）必須是有意的——交換任何一對都會改變結果。

2x2 矩陣 [[a,b],[c,d]] 的行列式就是 ad - bc。對於 3x3：a(ei - fh) - b(di - fg) + c(dh - eg)。行列式告訴你矩陣是否可逆（det 不等於 0），表示線性變換的縮放因子（行列式 3 意味著面積變為三倍），負行列式表示反射或方向翻轉。

2x2 矩陣 [[a,b],[c,d]] 的反矩陣是 (1/(ad-bc)) * [[d,-b],[-c,a]]，前提是 ad-bc 不等於 0。如果行列式恰好為零，矩陣是奇異的——它沒有反矩陣，意味著變換至少坍縮了一個維度（例如，將 3D 投影到 2D 平面）。我們的計算機檢測奇異矩陣並解釋為什麼反轉不可能。

在 3D 圖形中，4x4 齊次變換矩陣將旋轉、縮放、平移和透視投影打包到一個結構中。左上角的 3x3 處理旋轉和縮放；最右欄（元素 [0][3]、[1][3]、[2][3]）處理 x、y、z 方向的平移；底列啟用透視效果。將 4D 齊次座標 [x,y,z,1] 乘以此矩陣即可在單個操作中產生變換後的位置。

特徵值 (lambda) 和特徵向量 (v) 滿足方程式 Av = lambda * v——矩陣 A 乘以特徵向量 v 只是按 lambda 縮放 v 而不改變其方向。在主成分分析（PCA）中，共變異數矩陣的特徵向量識別資料中最大變異數的方向。在 Google 的原始 PageRank 演算法中，網路連結矩陣的主要特徵向量決定了頁面重要性。

線性迴歸可以完全用矩陣形式表達。正規方程式 beta = (X^T X)^(-1) X^T y 求解最小化平方誤差的係數向量 beta。對於有 100,000 列和 10 個特徵的資料集，X 是 100K x 10，X^T X 是緊湊的 10x10 矩陣，求解正規方程式涉及一次矩陣乘法和一次反轉——對於中小型特徵集，比梯度下降高效得多。

乘積的轉置：(AB)^T = B^T A^T。乘法順序反轉。這個恆等式對於推導神經網路中的反向傳播至關重要——當梯度透過網路層向後流動時，每個權重矩陣被轉置，乘法順序反轉，恰好遵循這個模式。理解矩陣轉置使深度學習的鏈式法則變得直觀。