1. 为什么我建议你刷透这套线性代数习题

线性代数这门课有个很诡异的特点：上课听懂了，作业会做了，考试也过了，但过了一个学期回头看，发现自己好像什么都没剩下。矩阵乘法会算，特征值会求，但一旦遇到实际问题——比如图像压缩、推荐系统、电路分析——脑子里完全不知道从哪下手。这不是你一个人的问题，我见过太多人卡在这个状态里。

根源在于，大多数教材和课程把线性代数讲成了一门“计算课”，而不是“结构课”。你花了大量时间练习手算行列式、手算逆矩阵，但这些运算在真实场景里几乎不会用纸笔完成。真正重要的是理解向量空间的结构、线性变换的几何含义、特征值背后的不变量思想。而这些东西，光靠听课和做课后习题是远远不够的。

这套习题的价值就在于，它不是简单的计算练习，而是逼着你去思考“为什么”。很多题目表面上在考一个计算，实际上在考你对某个概念的理解深度。比如一道关于投影矩阵的题，如果你只是套公式算出来，那做完就忘了；但如果你能想清楚为什么投影矩阵满足P²=P、为什么它的特征值只能是0和1，那你就真正理解了投影这件事的本质。

适合谁来刷这套题？我的判断是三类人：第一类是在校学生，正在学线性代数或者刚学完，想通过刷题把基础打扎实；第二类是准备考研或者出国考试的人，需要系统性地复习线性代数的核心内容；第三类是已经工作但觉得线性代数底子不牢的开发者，想重新把这门课捡起来，尤其是做机器学习、计算机图形学、信号处理方向的人。如果你属于这三类中的任何一类，这套习题都值得你花时间认真刷一遍。

但刷题不是盲目地从头做到尾。你需要有策略、有节奏、有重点。下面我会从几个维度拆解这套习题的使用方法，包括知识体系的梳理、重点章节的突破策略、常见误区的规避，以及如何把习题和实际应用联系起来。

2. 这套习题到底覆盖了哪些核心知识板块

2.1 从消元法到矩阵分解的主线逻辑

这套习题的知识主线非常清晰，基本上沿着“消元法→向量空间→正交性→特征值→矩阵分解”这条路径展开。很多人刷题的时候是跳着刷的，今天做几道行列式的题，明天做几道特征值的题，结果脑子里始终没有形成一条完整的线索。我的建议是先通读一遍目录，把每个章节之间的逻辑关系搞清楚。

消元法是整条主线的起点。高斯消元不仅仅是一个计算工具，它揭示的是矩阵的秩、线性方程组的解结构、以及LU分解的底层原理。习题里关于消元法的题目，表面上看是在练计算，实际上是在训练你对矩阵结构的敏感度。比如给你一个含参数的矩阵，让你讨论参数取什么值时方程组有唯一解、无穷多解、无解——这类题目的核心不是计算，而是理解秩和方程组解空间维数的关系。

向量空间这一块是很多人觉得最抽象的部分。子空间、基、维数、秩-零度定理，这些概念单独看都不难，但放在一起就容易晕。习题里会有大量判断“某个集合是不是子空间”的题目，这类题看起来简单，但非常考验你对子空间三个条件的理解：包含零向量、对加法封闭、对数乘封闭。我建议做这类题的时候不要凭直觉，而是老老实实逐条验证，养成严谨的习惯。

正交性是连接理论和应用的关键桥梁。正交投影、最小二乘、Gram-Schmidt正交化、QR分解，这些内容在数据拟合、信号处理里用得非常多。习题里关于正交性的题目往往计算量比较大，但每一步都有明确的几何意义。做这类题的时候，我习惯画一个简单的示意图，把向量和投影的关系可视化，这样不容易算错，也更容易理解每一步在干什么。

特征值和特征向量是整门课的高潮部分。从定义上看，Av=λv 这个式子很简单，但它背后的含义非常深刻：特征向量是线性变换下方向不变的向量，特征值是这些方向上的伸缩比例。习题里会有大量求特征值、判断可对角化、计算矩阵幂的题目。这部分的关键不是算得快，而是理解特征值的几何意义和代数性质之间的关系。

2.2 各章节的难度分布与时间分配建议

根据我自己的刷题经验，这套习题的难度分布大致是这样的：消元法和矩阵运算部分相对基础，大概占总题量的20%，难度系数在2-3之间（满分5）；向量空间和线性无关性部分难度中等，占25%左右，难度系数3-4；正交性和投影部分计算量大但思路清晰，占20%，难度系数3-4；特征值和对角化部分难度最高，占25%，难度系数4-5；剩下的10%是综合应用题，难度系数4-5。

时间分配上，我不建议平均用力。如果你每天能拿出2小时刷题，我的建议是：消元法部分花2天快速过一遍，重点放在向量空间和特征值这两块，各花5-7天，正交性花3-4天，综合应用花2-3天。总共大概需要3-4周的时间，前提是每天坚持。

这里有个很多人会踩的坑：在简单题上花太多时间，导致难题没时间做。消元法的题你做得再熟练，考试的时候也不会因为你手算高斯消元快而多给你分。真正拉开差距的是对向量空间结构和特征值理论的理解深度。所以我的策略是：简单题快速过，确认自己掌握了基本方法就往下走，把时间留给需要深度思考的题目。

2.3 哪些章节是考试和面试的高频考点

如果你刷这套题是为了应付考试或者面试，那有些章节你必须重点对待。根据我的观察，以下内容是出现频率最高的：

这张表不是让你只刷这些题，而是帮你确定优先级。如果你的时间有限，先把“必须掌握”的题型刷透，再去看“重点掌握”的，最后有时间再碰“了解即可”的。

3. 刷题之前必须想清楚的几个策略问题

3.1 先啃概念还是先刷计算

这个问题我被问过很多次。我的答案是：先花两天时间把概念过一遍，但不要试图一次就理解透。线性代数的概念有个特点，你第一遍看的时候觉得懂了，做几道题之后发现其实没懂，再回头看概念，又有了新的理解。这是一个螺旋上升的过程。

具体操作上，我建议你这样做：拿到一个章节，先花30分钟把教材或者笔记上的定义、定理过一遍，然后立刻开始做题。做题的时候不要翻书，遇到卡住的地方先标记下来，继续往下做。做完一轮之后再回头看那些卡住的题，这时候你往往会有新的思路。如果还是不会，再去翻书查定义和定理。

千万不要陷入“概念完美主义”的陷阱。有些人非要把每一个定理的证明都搞懂才开始做题，结果花了大量时间在证明上，题目一道没做。证明当然重要，但很多证明的灵感恰恰来自于做题的经验。你先做几道题，对概念有了具体的感知，再回头看证明，理解会深刻得多。

3.2 手算练习和编程验证怎么配合

这套习题里的计算题，我强烈建议你手算一遍，然后用Python或者MATLAB验证。手算的目的是训练你对矩阵结构的敏感度，编程验证的目的是确认你的答案是否正确，同时让你看到计算机是怎么处理这些问题的。

比如求一个3×3矩阵的特征值，你手算得到特征多项式，解出特征值，这个过程能让你理解特征值和矩阵元素之间的关系。但手算容易出错，尤其是符号运算，所以用代码验证一下很有必要。Python里用numpy.linalg.eig就能直接算特征值，几行代码的事。

更重要的是，编程验证能帮你建立“矩阵运算的直觉”。比如你手算一个矩阵的秩是2，用代码算出来也是2，但如果你用代码去算一个100×100的随机矩阵的秩，你会发现它几乎总是满秩的。这个观察能让你理解“秩亏”是一个多么特殊的条件，在随机情况下几乎不会发生。

我常用的验证代码模板是这样的：

import numpy as np # 定义矩阵 A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 10]]) # 计算秩 rank = np.linalg.matrix_rank(A) print(f"矩阵的秩: {rank}") # 计算特征值和特征向量 eigenvalues, eigenvectors = np.linalg.eig(A) print(f"特征值: {eigenvalues}") print(f"特征向量:\n{eigenvectors}") # 验证 Av = λv for i in range(len(eigenvalues)): v = eigenvectors[:, i] lam = eigenvalues[i] print(f"Av - λv 的范数: {np.linalg.norm(A @ v - lam * v)}")

最后那行验证 Av=λv 的代码特别有用，它能让你直观地看到数值计算中的误差量级。你会发现，即使理论上 Av-λv 应该等于零向量，实际计算出来它的范数大概是 10^{-15} 量级，这就是浮点运算的精度极限。

3.3 错题本的正确打开方式

刷题不整理错题，等于白刷。但错题本不是简单地把错题抄一遍，而是要记录三样东西：第一，这道题考的是什么概念；第二，我当时为什么做错了；第三，正确的思路应该是什么样的。

我见过很多人的错题本就是把题目和正确答案抄一遍，这种错题本没有任何价值。真正有用的错题本应该像这样：

题目来源：特征值章节第12题 考查概念：矩阵可对角化的条件 我的错误：直接计算了特征值，发现有三个不同的特征值，就判断可以对角化。但实际上题目里的矩阵是实数矩阵，特征多项式有一个实根和一对共轭复根，在实数域上不可对角化。 正确思路：先判断特征值是否都在实数域内，再判断每个特征值的几何重数是否等于代数重数。对于实矩阵，如果存在复特征值，在实数域上就不能对角化。 类似题目：第15题、第18题

这种错题记录方式，过一个月回头看，你能快速回忆起当时的思维盲区。而且你会发现，很多错误其实是同一类问题，比如“忽略了数域的限制”“混淆了代数重数和几何重数”“忘记验证线性无关性”等等。把这些模式总结出来，比刷一百道题都有用。

3.4 遇到卡壳时怎么突破

刷题遇到卡壳太正常了，关键是卡住之后怎么办。我的经验是分三步走：第一步，重新读题，确认自己理解对了题意；第二步，回到定义，看看是不是某个概念理解有偏差；第三步，如果还是不会，先放一放，做几道其他题再回来。

这里有个反直觉的建议：卡住的时候不要立刻看答案。看答案会让你产生“我懂了”的错觉，但实际上你只是看懂了别人的思路，并没有形成自己的思考路径。我建议至少卡30分钟再去看答案，而且看答案的时候不要只看结果，要看每一步的推理逻辑，然后合上答案自己再推一遍。

还有一个技巧是“降维打击”。如果你在一个n维的一般性问题上卡住了，先试试n=2或n=3的特殊情况。比如你搞不清楚一个关于任意矩阵的命题，先拿一个2×2的具体矩阵算一遍，看看结论成不成立。很多时候，特殊情况的直观理解能帮你找到一般情况的证明思路。

4. 重点章节的突破方法和典型题拆解

4.1 向量空间与子空间判定：从定义出发的笨办法

向量空间的题目看起来抽象，但判定方法其实很机械。要判断一个集合W是不是向量空间V的子空间，只需要验证三条：W非空（通常验证零向量在W里）、W对加法封闭、W对数乘封闭。这三条缺一不可。

我见过最常见的错误是只验证了加法封闭就下结论。比如题目问“所有满足x+y=1的向量(x,y)是否构成R²的子空间”，有人看到两个这样的向量相加，(x1+y1)+(x2+y2)=2≠1，就说不构成子空间。这个结论是对的，但理由不完整。更完整的回答是：首先零向量(0,0)不满足0+0=1，所以这个集合根本不包含零向量，直接就不可能是子空间。

再比如“所有满足x+y=0的向量是否构成子空间”，这个集合包含零向量，对加法封闭（因为(x1+y1)+(x2+y2)=0+0=0），对数乘封闭（因为c(x+y)=c·0=0），所以是子空间。这个子空间实际上就是直线y=-x，是一维的。

做这类题的时候，我建议你养成一个习惯：先看零向量在不在，如果不在，直接排除；如果在，再验证另外两条。这个顺序能帮你节省不少时间。

还有一个高频考点是求子空间的基和维数。比如给你一个由几个向量张成的子空间，让你求它的基。标准做法是把这些向量作为行向量组成矩阵，做行变换化为行阶梯形，非零行对应的向量就是一组基。但这里有个细节：行变换会改变列空间，但保持行空间不变。所以如果你要求的是列空间的基，不能直接对行做变换，而应该对列做变换，或者对转置矩阵做行变换。

4.2 特征值与对角化：几何重数和代数重数的博弈

特征值这块是整门课最容易出综合题的地方。核心就一个问题：给定一个n×n矩阵A，它能不能对角化？能的话，怎么找到对角化矩阵？

判断可对角化的标准流程是这样的：先求特征多项式det(A-λI)=0，得到所有特征值。对于每个特征值λ，求它的代数重数（作为特征多项式根的重数）和几何重数（对应特征空间的维数，即n-rank(A-λI)）。如果每个特征值的代数重数都等于几何重数，那么A可对角化；否则不可对角化。

这里有个很多人会混淆的点：代数重数永远大于等于几何重数，但两者不一定相等。比如矩阵[[1,1],[0,1]]，特征值λ=1的代数重数是2，但A-I=[[0,1],[0,0]]的秩是1，所以零空间维数是1，几何重数也是1。两者不等，所以这个矩阵不可对角化。

习题里经常出现的一类题是：给定一个含参数的矩阵，问参数取什么值时矩阵可对角化。这类题的解题思路是：先求特征值（通常会有重根），然后对重根求几何重数，令几何重数等于代数重数，解出参数的值。

还有一类题是计算矩阵的幂A^k。如果A可对角化，A=PDP^{-1}，那么A^k=PD^kP^{-1}，而D^k只需要把对角线元素取k次方即可。这个方法比直接连乘效率高得多。但如果A不可对角化，就需要用Jordan标准形，计算会复杂很多。习题里通常只要求可对角化的情况，但你应该知道不可对角化时该怎么处理。

4.3 正交性与最小二乘：投影的几何直觉

正交投影是线性代数里最具有几何直观的部分。给定一个子空间W和一个向量b，b在W上的投影是W中距离b最近的向量。这个“最近”是在欧几里得距离的意义下说的，也就是最小化||b-w||。

如果W有一组标准正交基{q1, q2, ..., qk}，那么投影就是b在每個基向量上的分量之和：proj_W(b) = (b·q1)q1 + (b·q2)q2 + ... + (b·qk)qk。如果W的基不是标准正交的，就需要先做Gram-Schmidt正交化，或者用投影矩阵公式P = A(A^T A)^{-1}A^T。

最小二乘问题就是投影的一个应用。当我们解一个无解的方程组Ax=b时，我们找的是使||Ax-b||最小的x。这个x对应的Ax就是b在A的列空间上的投影。所以最小二乘解满足A^T A x = A^T b，这个方程叫做正规方程。

习题里关于最小二乘的题目通常会给一组数据点，让你拟合一条直线或者抛物线。做这类题的关键是正确构造矩阵A和向量b。比如拟合直线y = c0 + c1 x，给定数据点(x1,y1), ..., (xm,ym)，那么A的每一行是[1, xi]，b的每个分量是yi。然后解正规方程得到c0和c1。

这里有个数值计算上的注意事项：直接解正规方程A^T A x = A^T b在数值上不稳定，因为A^T A的条件数是A的条件数的平方。实际应用中通常用QR分解来解最小二乘问题，先对A做QR分解，然后解Rx = Q^T b。习题里可能不会涉及这个细节，但你应该知道这个区别。

4.4 行列式的计算技巧与常见陷阱

行列式的计算是很多人的噩梦，尤其是4×4以上的行列式，硬算展开会非常痛苦。但其实习题里出现的行列式都有规律，掌握了技巧之后计算量并不大。

最常用的技巧是利用行列式的性质简化计算：某一行加上另一行的倍数，行列式不变；交换两行，行列式变号；某一行有公因子，可以提到行列式外面。通过这些操作，把行列式化为上三角形式，然后对角线元素相乘即可。

另一个常用技巧是按行或按列展开。如果某一行或某一列有很多零，按那一行或列展开能大大减少计算量。习题里经常出现这种“稀疏”的行列式，就是考你知不知道选择展开的行列。

常见的陷阱包括：忘记交换行时要变号；把某一行乘以一个数加到另一行时，误以为行列式也要变；在按行展开时，忘记代数余子式的符号是(-1)^{i+j}。这些错误看起来很小，但会导致最终结果完全错误。

还有一个容易忽略的点是：行列式为零意味着矩阵不可逆，但行列式不为零并不意味着矩阵一定可对角化。这两个概念经常被混淆。行列式为零等价于矩阵有零特征值，但矩阵可不可对角化取决于特征值的几何重数和代数重数是否相等，和行列式是否为零没有直接关系。

5. 把习题和真实应用场景连起来

5.1 图像压缩背后的线性代数

图像压缩听起来很高级，但它的核心就是线性代数里的基变换。一张灰度图像可以看成一个矩阵，每个元素是像素的灰度值。如果直接存储这个矩阵，数据量很大。但如果我们找到一组更好的基，使得图像在这组基下的表示是稀疏的（大部分系数接近零），那么只需要存储那些非零的系数就能近似还原图像。

这就是JPEG压缩的基本原理。它把图像分成8×8的小块，对每个小块做离散余弦变换（DCT），然后把高频部分的系数量化（很多变成零），最后只存储非零系数。DCT本质上就是一种正交变换，它的基向量是余弦函数。

习题里关于正交基和基变换的题目，如果你只是当成计算题来做，那就太可惜了。你可以试着用Python读入一张图片，做DCT变换，把高频系数置零，再逆变换回来，看看图像变成了什么样。这个实验能让你直观地理解“基变换”和“稀疏表示”的含义。

import numpy as np from scipy.fftpack import dct, idct from PIL import Image # 读入图像并转为灰度 img = np.array(Image.open('test.jpg').convert('L'), dtype=float) # 对每个8x8块做DCT h, w = img.shape img_dct = np.zeros_like(img) for i in range(0, h, 8): for j in range(0, w, 8): block = img[i:i+8, j:j+8] img_dct[i:i+8, j:j+8] = dct(dct(block.T, norm='ortho').T, norm='ortho') # 保留左上角低频系数，其余置零 keep = 4 # 保留4x4的低频系数 mask = np.zeros_like(img_dct) for i in range(0, h, 8): for j in range(0, w, 8): mask[i:i+keep, j:j+keep] = 1 img_compressed = img_dct * mask # 逆DCT还原 img_recon = np.zeros_like(img) for i in range(0, h, 8): for j in range(0, w, 8): block = img_compressed[i:i+8, j:j+8] img_recon[i:i+8, j:j+8] = idct(idct(block.T, norm='ortho').T, norm='ortho') Image.fromarray(img_recon.astype(np.uint8)).save('compressed.jpg')

这段代码跑一遍，你就能亲眼看到只保留4×4低频系数时图像变成了什么样。你会发现图像变模糊了，但整体轮廓还在。这就是线性代数在图像压缩里的直接应用。

5.2 推荐系统里的矩阵分解

推荐系统的核心问题是：给定一个用户-物品评分矩阵，预测用户对未评分物品的评分。这个矩阵通常非常大且稀疏（大部分用户只评过很少的物品）。矩阵分解的思路是把这个大矩阵近似分解成两个小矩阵的乘积：R ≈ U × V^T，其中U是用户特征矩阵，V是物品特征矩阵。

这个分解和习题里的LU分解、QR分解、SVD在思想上是相通的：都是把一个复杂矩阵拆成几个简单矩阵的乘积，从而揭示矩阵的内在结构。不同的是，推荐系统里的矩阵分解通常不要求精确相等，而是最小化近似误差，并且会加正则化项防止过拟合。

习题里关于SVD的题目，如果你理解了它的几何意义——任何矩阵变换都可以分解为旋转、缩放、再旋转——那你就能理解为什么SVD在数据压缩、降维、推荐系统里这么有用。SVD给出的奇异值告诉你哪些方向上的信息量最大，保留前k个奇异值就相当于保留了最重要的k个特征。

5.3 电路分析中的线性方程组

基尔霍夫定律是电路分析的基础，它本质上就是线性方程组。节点电流定律说每个节点的电流代数和为零，回路电压定律说每个回路的电压代数和为零。对于一个有n个节点、m条支路的电路，你可以写出n-1个独立的节点方程和m-n+1个独立的回路方程，组成一个线性方程组。

这个方程组的系数矩阵通常有很好的结构：节点-支路关联矩阵的每一列只有两个非零元素（+1和-1），分别对应支路的起点和终点。这个矩阵的秩等于n-1（假设电路连通），零空间的维数是m-n+1，正好对应独立回路数。这些概念和习题里的秩-零度定理、零空间、行空间完全对应。

如果你做过电路分析的题，再回头看线性代数里的线性方程组，你会发现它们说的是同一件事。线性代数给了你一套统一的语言来描述和分析这些问题，这就是为什么这门课这么重要。

6. 刷完这套题之后你该达到什么水平

刷完这套习题，你应该能做到以下几件事：看到一个矩阵，能快速判断它的秩、零空间维数、列空间维数；给定一个线性方程组，能判断解的存在性和唯一性，能写出通解；给定一个矩阵，能求特征值和特征向量，能判断是否可对角化；给定一个子空间，能求它的正交补和投影矩阵；理解最小二乘、SVD、矩阵分解的基本原理和应用场景。

但更重要的是，你应该建立起一种“线性代数式”的思维方式：遇到复杂问题时，先把它写成矩阵形式，然后分析矩阵的结构（秩、特征值、条件数），再选择合适的分解方法来求解。这种思维方式在机器学习、计算机图形学、信号处理、优化理论里都是通用的。

我自己刷这套题的时候，最大的收获不是学会了多少计算技巧，而是理解了“结构比计算重要”这个道理。一个矩阵的秩告诉你它的信息量，特征值告诉你它的不变量，奇异值告诉你它的能量分布。这些结构性的信息比具体的数值重要得多。

最后分享一个我自己的习惯：每刷完一个章节，我会合上书，拿一张白纸，试着把这一章的核心概念、定理、方法用自己的话写一遍。如果能写出来，说明我真的理解了；如果写不出来，说明我只是在机械地做题。这个习惯帮我节省了大量复习时间，也让我对线性代数的理解深入了很多。