斯坦福的CS131课件中的Lecture2，介绍了计算机视觉所需要必备的一些线性代数知识：
- 向量和矩阵
- 矩阵变换
- 矩阵转置
- 矩阵的秩
- 奇异值分解（SVD）【非常重要】
一、向量和矩阵
这部分内容主要介绍了矩阵是什么？向量是什么？矩阵的基本操作以及一些特殊矩阵。而这部分内容对于上大学的学生来说应该是非常简单的一部分，但是斯坦福给出的关于向量和矩阵的定义值得一看，Vectors and matrics are just collections of ordered numbers that represent something:movements in space,scaling factors,pixel brightness,etc. 虽然学过线性代数，但是如果让你对向量和矩阵下定义，是否能给出这样的解释呢？向量和矩阵仅仅是有序的数值的集合，简而言之，是数的集合，而这这些数在现实世界中是有一定的意义的，比如说代表着空间的移动,缩放因子，像素的亮度，而这些东西却是计算机视觉，机器学习，深度学习这些中经常会牵涉到的，所以矩阵在计算机科学中的重要地位不言而喻。在计算机中，图像使用一个一个像素点，而最终需要通过矩阵来表示出来，灰度图像中的每一个像素点代表一个数，而彩色图像属于三通道的，所以一个像素点有三个数值（RGB）。
关于向量：1 向量可以代表二维或者三维空间的偏移。
2 空间中一点其实是起点位于原点的向量。
基本的矩阵操作主要是：Addition(加) /Scaling（缩放）/Dot product（点乘）/Multiplication（乘法）/Transpose（转置）/Inverse（逆）/trace（迹）这些内容在线性代数中应该属于耳熟能详的内容，而需要注意的是向量的内积，即所谓的点乘，这在机器学习中的数学公式推导中用的很多，我们所进行的数学公式操作需要进行向量化表示，而向量的内积往往起到关键的作用，懂得向量内积的操作变化，机器学习中一些基本的数学公式推导就不难理解。下面分别是数学公式的表达以及几何的表示：
二、矩阵变换（Transformation )
变换矩阵中所涉及到的主要操作是Scaling/Rotation/Translation，在了解这三个变换矩阵操作之前，先了解一个概念：Homogeneous Coordinates(齐次坐标)，在理解齐次坐标之后，再来看矩阵的变换操作就容易多了！下面是课件中给出的Homogeneous System相关的操作：在矩阵的最后一行加上【0 0 1】以便于结果中出现1
1 、Scaling(缩放)
2、Rotation(旋转)
关于旋转操作的证明过程，参考文章：仿射变换
3、Translation(平移)
上面就是所介绍的矩阵变换中的三种常用基本操作，而这三种的操作又可以进行任意组合：
三、矩阵的逆
在AX=B中，A如果可逆的话，则两边同乘以A的逆即可求出X
若是A不可逆，在计算机中也有伪逆操作来进行相应的处理，所以不用担心这个问题。在MATLAB中是这样进行操作的：
四、矩阵的秩
关于矩阵的秩，基本概念不再赘述，有一个知识需要提及：在矩阵的变换操作中，秩告诉了我们输出向量的维度，如A的秩为1，说明A中的向量线性相关，在对向量【x y】T 进行矩阵变化之后，所得出的向量的维度也是1，与进行矩阵变换操作乘的矩阵的秩是一样的。
另外需要提及的就是满秩以及非奇异的概念。
五：奇异值分解（svd）
奇异值分解所涉及内容请参考我这篇博客文章：SVD