矩阵杂谈——矩阵的秩

矩阵的秩,即为矩阵的主元个数,它决定着矩阵关于 A x = b Ax=b Ax=b这个方程组到底有多少解。

下面便来具体分析这句话:

r :矩阵的秩 A : m × n 大小的矩阵 r:矩阵的秩\\A:m \times n大小的矩阵 r:矩阵的秩A:m×n大小的矩阵


1. r = m = n r= m=n r=m=n

此时,矩阵消元过后可以简化表示为 [ I ] [ I ] [I],此时必定有一个解。

可以理解为 r r r个 r r r元的线性不相关方程必然有且仅有一个解。

也可以理解为给你了一个线性不相关的基底,必然能以唯一形式表达出空间上的一个向量。

2. r = n < m r=n<m r=n<m

此时的矩阵消元后,可以简化表示为 [ I 0 ] \left[ \begin{matrix} I\\ 0 \end{matrix} \right] [I0]

当下面几行的参数能满足 0 = b n 0=b_n 0=bn时,情况便和第一种一样,有且仅有一个解。不满足的话就是无解。

3. r = m < n r=m<n r=m<n

此时的矩阵消元后,可以简化表示为 [ I F ] \left[ \begin{matrix} {I} &{F} \end{matrix} \right] [IF]

由于自由列的存在,给解了不确定性,所以这样的矩阵对应的方程总是有解且有无数个解的。

4. r < m , r < n r<m,r<n r<m,r<n

这样的矩阵消元后可表示为: [ I F 0 0 ] \left[ \begin{matrix} {I} &{F} \\ {0}& {0} \end{matrix} \right] [I0F0]

情况是综合2与3,不难得到,可能有0个解或者无数个解。

相关推荐
种时光的人13 小时前
CANN仓库核心解读:catlass夯实AIGC大模型矩阵计算的算力基石
线性代数·矩阵·aigc
Zfox_17 小时前
CANN Catlass 算子模板库深度解析:高性能矩阵乘(GEMM)原理、融合优化与模板化开发实践
线性代数·矩阵
lbb 小魔仙1 天前
面向 NPU 的高性能矩阵乘法:CANN ops-nn 算子库架构与优化技术
线性代数·矩阵·架构
空白诗1 天前
CANN ops-nn 算子解读:大语言模型推理中的 MatMul 矩阵乘实现
人工智能·语言模型·矩阵
劈星斩月1 天前
线性代数-3Blue1Brown《线性代数的本质》特征向量与特征值(12)
线性代数·特征值·特征向量·特征方程
池央1 天前
ops-nn 算子库中的数据布局与混合精度策略:卷积、矩阵乘法与 RNN 的优化实践
rnn·线性代数·矩阵
深鱼~1 天前
大模型底层算力支撑:ops-math在矩阵乘法上的优化
人工智能·线性代数·矩阵·cann
Zfox_1 天前
CANN PyPTO 编程范式深度解析:并行张量与 Tile 分块操作的架构原理、内存控制与流水线调度机制
线性代数·矩阵·架构
TechWJ1 天前
catlass深度解析:Ascend平台的高性能矩阵运算模板库
线性代数·矩阵·ascend·cann·catlass
deep_drink2 天前
【基础知识一】线性代数的核心:从矩阵变换到 SVD 终极奥义
线性代数·机器学习·矩阵