GAMES101笔记 Lecture02 线性代数基础

这篇具有很好参考价值的文章主要介绍了GAMES101笔记 Lecture02 线性代数基础。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

A Swift and Brutal Introduction to Linear Algebra

Garphics’ Dependencies(图形学的依赖)

Basic mathematics(基础的数学)
  • Linear alrebra, calculus, statistics
Basic physics(基础的物理)
  • Optics, Mechanics
Misc(杂项)
  • Signal processing
  • Numerical analysis
And a bit of asethetics(以及一点美学)

Vectors(向量)

GAMES101笔记 Lecture02 线性代数基础

  • 通常写成 a ⃗ \vec a a 或者加粗的a;
  • 或者使用起点或者重点来表示: A B ⃗ = B − A \vec{AB} = B - A AB =BA;
  • 向量最重要的两个属性:长度和方向;
  • 没有绝对的开始的位置;

Vector Normalization(向量归一化)

  • 向量的大小通常写为 ∣ ∣ a ⃗ ∣ ∣ || \vec{a} || ∣∣a ∣∣
  • 单位向量
    • 长度为1的向量
    • 计算一个向量的单位向量: a ^ = a ⃗ / ∣ ∣ a ⃗ ∣ ∣ \hat{a} = \vec{a} / ||\vec{a}|| a^=a /∣∣a ∣∣
    • 用于表示方向

Vector Addition(向量求和)

GAMES101笔记 Lecture02 线性代数基础

  • 几何意义:平行四边形法则 && 三角形法则
  • 代数意义:简单的坐标相加

Vector Multiplication(向量乘法)

  • Dot product(点乘)

    1. a ⃗ ⋅ b ⃗ = ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ c o s θ \vec{a} · \vec{b} = || \vec{a} || || \vec{b} || cos \theta a b =∣∣a ∣∣∣∣b ∣∣cosθ
    2. c o s θ = a ⃗ ⋅ b ⃗ ∣ ∣ a ⃗ ∣ ∣ ∣ ∣ b ⃗ ∣ ∣ cos\theta = \frac{\vec{a} · \vec{b}}{|| \vec{a} || || \vec{b} ||} cosθ=∣∣a ∣∣∣∣b ∣∣a b
    3. 对于单位向量: c o s θ = a ^ ⋅ b ^ cos\theta = \hat{a} · \hat{b} cosθ=a^b^
    4. 性质:
      • a ⃗ ⋅ b ⃗ = b ⃗ ⋅ a ⃗ \vec{a} · \vec{b} = \vec{b} · \vec{a} a b =b a
      • a ⃗ ⋅ ( b ⃗ + c ⃗ ) = a ⃗ ⋅ b ⃗ + a ⃗ ⋅ c ⃗ \vec{a} · (\vec{b} + \vec{c}) = \vec{a} · \vec{b} + \vec{a} · \vec{c} a (b +c )=a b +a c
      • ( k a ⃗ ) ⋅ b ⃗ = a ⃗ ⋅ ( k b ⃗ ) = k ( a ⃗ ⋅ b ⃗ ) (k\vec{a}) · \vec{b} = \vec{a} · (k \vec{b}) = k(\vec{a} · \vec{b}) (ka )b =a (kb )=k(a b )
    5. 分别相乘,然后相加
      • In 2D:
        a ⃗ ⋅ b ⃗ = ( x a y a ) ⋅ ( x b y b ) = x a x b + y a y b \vec{a} \cdot \vec{b}=\left(\begin{array}{l} x_{a} \\ y_{a} \end{array}\right) \cdot\left(\begin{array}{l} x_{b} \\ y_{b} \end{array}\right)=x_{a} x_{b}+y_{a} y_{b} a b =(xaya)(xbyb)=xaxb+yayb
      • In 3D:
        a ⃗ ⋅ b ⃗ = ( x a y a z a ) ⋅ ( x b y b z b ) = x a x b + y a y b + z a z b \vec{a} \cdot \vec{b}=\left(\begin{array}{l} x_{a} \\ y_{a} \\ z_{a} \end{array}\right) \cdot\left(\begin{array}{l} x_{b} \\ y_{b} \\ z_{b} \end{array}\right)=x_{a} x_{b}+y_{a} y_{b} + z_{a} z_{b} a b = xayaza xbybzb =xaxb+yayb+zazb
      1. 作用
        • 计算两个向量的夹角
        • 计算一个向量到另一个向量的投影
        • 测量两个方向离的有多近
        • 分解一个向量,垂直与平行
        • 决定方向朝前or朝后
  • Cross product(叉乘)
    GAMES101笔记 Lecture02 线性代数基础

    1. 两个向量叉乘的结果与两个原始向量正交。
    2. 方向由右手定则决定。
    3. 在构建坐标系时非常有用。
    4. 性质:
      • x ⃗ × y ⃗ = + z ⃗ \vec{x} \times \vec{y} = + \vec{z} x ×y =+z
      • y ⃗ × x ⃗ = − z ⃗ \vec{y} \times \vec{x} = - \vec{z} y ×x =z
      • y ⃗ × z ⃗ = + x ⃗ \vec{y} \times \vec{z} = + \vec{x} y ×z =+x
      • z ⃗ × y ⃗ = − x ⃗ \vec{z} \times \vec{y} = -\vec{x} z ×y =x
      • z ⃗ × x ⃗ = + y ⃗ \vec{z} \times \vec{x} = +\vec{y} z ×x =+y
      • x ⃗ × z ⃗ = − y ⃗ \vec{x} \times \vec{z} = -\vec{y} x ×z =y
      • a ⃗ × b ⃗ = − b ⃗ × a ⃗ \vec{a} \times \vec{b} = -\vec{b} \times \vec{a} a ×b =b ×a
      • a ⃗ × a ⃗ = 0 ⃗ \vec{a} \times \vec{a} = \vec{0} a ×a =0
      • a ⃗ × ( b ⃗ + c ⃗ ) = a ⃗ × b ⃗ + a ⃗ × c ⃗ \vec{a} \times (\vec{b} + \vec{c}) = \vec{a} \times \vec{b} + \vec{a} \times \vec{c} a ×(b +c )=a ×b +a ×c
      • a ⃗ × ( k b ⃗ ) = k ( a ⃗ × b ⃗ ) \vec{a} \times (k \vec{b}) = k(\vec{a} \times \vec{b}) a ×(kb )=k(a ×b )
    5. 向量叉乘的公式:
      • a ⃗ × b ⃗ = ( y a z b − y b z a z a x b − x a z b x a y b − y a x b ) \vec{a} \times \vec{b}=\left(\begin{array}{l} y_{a} z_{b}-y_{b} z_{a} \\ z_{a} x_{b}-x_{a} z_{b} \\ x_{a} y_{b}-y_{a} x_{b} \end{array}\right) a ×b = yazbybzazaxbxazbxaybyaxb
      • 也可以写成矩阵乘法的形式:
        GAMES101笔记 Lecture02 线性代数基础
    6. 作用:
      • 判断左右
      • 判断在里面还是在外面
  • 定义坐标系

    1. 对于表示点、位置很重要
    2. 要求:单位向量、互相垂直(点乘为0,且叉乘结果为另外一轴)
    3. 可以将任意一个向量分解到三个轴上去,各个轴的投影可以利用点积计算。

Matrices(矩阵)

在图形学中,矩阵常用于表示变换:移动,旋转、缩放、错切等。

矩阵乘法不满足交换律—— A B ≠ B A AB \ne BA AB=BA

满足结合律和分配律:

  • ( A B ) C = A ( B C ) (AB)C = A(BC) (AB)C=A(BC)
  • A ( B + C ) = A B + A C A(B+C) = AB + AC A(B+C)=AB+AC
  • ( A + B ) C = A C + B C (A+B)C = AC + BC (A+B)C=AC+BC

矩阵的转置:
GAMES101笔记 Lecture02 线性代数基础

转置的性质:
( A B ) T = B T A T (AB)^{T} = B^{T} A^{T} (AB)T=BTAT

单位矩阵和逆矩阵:
GAMES101笔记 Lecture02 线性代数基础

参考资源

GAMES101 Lecture 02 Review of Linear Algebra文章来源地址https://www.toymoban.com/news/detail-492953.html

到了这里,关于GAMES101笔记 Lecture02 线性代数基础的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数基础【4】线性方程组

    定理1 设A为mXn矩阵,则 (1)齐次线性方程组AX=0 只有零解的充分必要条件是r(A)=n; (2)齐次线性方程组AX=0 有非零解(或有无数个解)的充分必要条件是r(A)<n 推论1 设A为n阶矩阵,则 (1)齐次线性方程组AX=0只有零解的充分必要条件是|A|≠0; (2)齐次线性方程组AX=0有非零解(或有无数个解)的

    2024年02月01日
    浏览(71)
  • 线性代数:齐次线性方程组学习笔记

    齐次线性方程组是指所有方程的常数项均为零的线性方程组,即形如 A x = 0 Ax=0 A x = 0 的方程组。 其中,矩阵 A A A 是一个 m × n m times n m × n 的矩阵,向量 x x x 是一个 n n n 维列向量, 0 mathbf{0} 0 是一个 m m m 维零向量。 齐次线性方程组有以下性质: 1. 性质1 齐次线性方程组的

    2024年01月20日
    浏览(51)
  • 线性代数的学习和整理2:线性代数的基础知识(整理ing)

    目录 1 写在前面的话 1.1 为什么要先总结一些EXCEL计算矩阵的工具性知识, 而不是一开始就从基础学起呢?  1.2 关于线性代数入门时的各种灵魂发问: 1.3 学习资料 2 什么是线性(关系)? 2.1 线性的到底是一种什么关系: 线性关系=正比例/正相关关系 ≠ 直线型关系 2.2 一次函数

    2024年02月14日
    浏览(69)
  • 线性代数的本质笔记

    课程来自b站发现的《线性代数的本质》,可以帮助从直觉层面理解线性代数的一些基础概念,以及把一些看似不同的数学概念解释之后,发现其实有内在的关联。 这里只对部分内容做一个记录,完整内容请自行观看视频~ 数字在线性代数中起到的主要作用就是缩放向量 线性

    2024年02月08日
    浏览(47)
  • 线性代数笔记

    1、性质一:D= 注:是把D的行转为了列。 2、性质二:任意 两行或两列 互换,D=-D1         推论: 若行列式有 两行或两列 相同,则该行列式的值为0。 3、性质三: 行列式的某 一行或一列 的公因子可提到外面。         推论:若行列式 有两行 成比例  ,则行列式的值为

    2024年02月04日
    浏览(33)
  • 线性代数笔记整理

    2024年02月11日
    浏览(32)
  • 线性代数相关笔记

    线性基,顾名思义,就是一个包含数字最少的集合,使得原集合中的任何数都能用线性基中的元素表示。 集合中的元素满足一些性质: 原集合中的任意元素都可以用线性基中的若干元素的异或和表示 线性基中任意数异或和不为 0 0 0 ,否则不满足集合大小最小 以任意顺序枚

    2024年02月06日
    浏览(44)
  • 【线性代数】快速复习笔记

    本文图片均参考自猴博士的视频https://www.bilibili.com/video/BV1fv411y7YY,侵联删 某行(列加上或减去另一行(列的几倍,行列式不变 某行列乘k,等于k乘此行列式 互换两行列,行列式变号 计算的书写步骤和规范 1 主对角线是X,其余是其他常数a 2 范德蒙德行列式 3 行列式加减法 例

    2024年02月11日
    浏览(48)
  • 线性代数:正交变换学习笔记

    在线性代数中,如果一个矩阵 A A A 满足 A T A = A A T = I A^T A = A A^T = I A T A = A A T = I ,则称其为正交矩阵。正交矩阵也常被称为正交变换。 正交变换是线性变换的一种特殊形式,它不改变向量的长度和夹角。因此,它可以用来描述旋转、镜像等几何变换。 正交矩阵有以下性质:

    2024年02月03日
    浏览(59)
  • 深度学习笔记之线性代数

    一、向量 在数学表示法中,向量通常记为粗体小写的符号(例如, x , y , z )当向量表示数据集中的样本时,它们的值具有一定的现实意义。例如研究医院患者可能面临的心脏病发作风险,用一个向量表示一个患者,其分量为最近的生命特征、胆固醇水平、每天运动时间等

    2024年02月08日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包