一、学习目标1. 搞懂逆矩阵到底是什么物理/计算含义联系大模型矩阵运算场景2. 记住矩阵可逆的全部判定条件3. 掌握2阶矩阵求逆公式、伴随矩阵法求逆4. 分清什么时候逆矩阵存在什么时候不存在奇异矩阵1. 什么是逆矩阵类比数字实数里 a \cdot a^{-1}1a^{-1}\dfrac1a1是乘法单位元。矩阵版本对于方阵\boldsymbol A如果存在矩阵\boldsymbol B满足\boldsymbol A\boldsymbol B\boldsymbol B\boldsymbol A\boldsymbol E\boldsymbol E是单位矩阵主对角线全1其余0矩阵里的“1”则称 \boldsymbol B 是\boldsymbol A的逆矩阵记作 \boldsymbol A^{-1}。⚠️重点1. 只有方阵才有可能有逆矩阵非方阵一定没有逆。2. \boldsymbol A^{-1} 不是 \dfrac{1}{\boldsymbol A}矩阵不能做除法3. 逆矩阵如果存在唯一。AI大模型联系大模型做线性变换、最小二乘拟合、部分注意力权重预处理会需要逆矩阵。比如把变换后的向量还原回原始向量就相当于乘变换矩阵的逆。如果矩阵不可逆代表这个变换把信息压扁丢失了无法还原。2. 矩阵可逆的判定核心考点\boldsymbol A 为 n阶方阵下面全部等价满足任意一条就可逆1. 行列式 \boldsymbol{|A| \neq 0}最常用2. 矩阵的秩 r(\boldsymbol A)n满秩3. \boldsymbol A 的所有特征值全部不为04. 齐次方程组 \boldsymbol A\boldsymbol x\boldsymbol 0 只有零解5. \boldsymbol A可以写成若干初等矩阵的乘积反之|A|0 → 奇异矩阵不可逆信息被压缩不存在还原矩阵。通俗大白话行列式不等于0矩阵这个变换没有把空间“拍扁”一旦拍扁行列式0多个输入压成同一个输出信息丢失回不去没有逆矩阵。3. 求逆公式① 二阶矩阵直接背公式\boldsymbol A\begin{pmatrix}a b\\c d\end{pmatrix},\quad|A|ad-bc若 |A|\neq0\boldsymbol A^{-1}\frac{1}{ad-bc}\begin{pmatrix}d -b\\-c a\end{pmatrix}记忆口诀主对角线互换副对角线变号整体除以行列式。示例A\begin{pmatrix}21\\11\end{pmatrix},\quad|A|2\times1-1\times11A^{-1}\begin{pmatrix}1 -1\\-1 2\end{pmatrix}验算A A^{-1}E② n阶方阵通用伴随矩阵法\boldsymbol A^{-1}\frac{1}{|\boldsymbol A|}\boldsymbol A^*\boldsymbol A^* 是伴随矩阵余子式构成代数余子式矩阵之后再转置。现实计算提醒伴随矩阵适合理论推导高阶矩阵实际几乎不用它算逆。计算机包括AI框架pytorch/tensorflow求逆用「初等行变换法」[\boldsymbol A \mid \boldsymbol E] \xrightarrow{\text{行变换}} [\boldsymbol E \mid \boldsymbol A^{-1}]4. 逆矩阵运算性质做题、推导模型公式经常用1. (\boldsymbol A^{-1})^{-1}\boldsymbol A2. (\boldsymbol A^T)^{-1}(\boldsymbol A^{-1})^T 转置和求逆可以交换顺序3. (\boldsymbol{AB})^{-1}\boldsymbol B^{-1}\boldsymbol A^{-1}⚠️顺序颠倒类比脱衣服先穿A再穿B脱的时候先脱B再脱A4. |A^{-1}|\dfrac{1}{|A|}5. AI大模型场景理解1. 假设一个线性变换 yWx如果W可逆那么 xW^{-1}y可以由输出恢复输入2. 如果W奇异不可逆多个不同x给出同一个y信息损失无法恢复原始输入3. 大模型绝大多数权重矩阵不是方阵所以严格没有逆会用伪逆Moore‑Penrose做近似还原用于最小二乘、模型参数分析。伪逆是逆矩阵思想向非方阵的扩展深度学习、线性回归大量使用。今日自测小练习1. 判断 \begin{pmatrix}36\\12\end{pmatrix} 是否可逆2. 求 A\begin{pmatrix}12\\34\end{pmatrix} 的逆矩阵。3. 判断若A,B均可逆(AB)^{-1}A^{-1}B^{-1} 是否正确