1.3矩阵算数
矩阵的算数包括常规的（加、减、乘）以及两种附加的（标量乘法和转置）
1.3.1 矩阵的加减 及 标量乘法
矩阵运算这里本质可以理解为数据的批量处理（人类社会现代化的本质就是工业发展实现的批量处理能力，所以矩阵也可以理解为数据处理的现代化）
因此，矩阵的加减的前提就是两个矩阵均为mxn阶，然后对应相加减。
同理，应用批量处理的思想，标量乘法表示将a这一标量与矩阵的所有元素相乘，得到的对应的矩阵。
在矩阵的加减这里就需要引入矩阵的表示形式：矩阵记号
本质上矩阵记号就是矩阵的一种压缩过的表示形式，矩阵表示的是一张二维的表而对应的i与j就是所存储元素的对应地址。这样的表示方法一方面有利减小信息量另一方面有利于批量处理。
对矩阵记号的理解有助于后面理解矩阵的转置等特殊运算。
1.3.2 矩阵乘法及线性方程
首先解释为什么会有矩阵的乘法
这是未知数X有限的情况，这样一个线性方程组就可以被缩写为两个矩阵的乘法同理就可以推广为n个未知数的情况，注意当后面学到矩阵的逆以后，就会立即发现矩阵的乘法实际上是为了批量化求解未知数X的一个方法。
矩阵乘法定义：
矩阵A与矩阵B相乘，若矩阵Aj=Bi也就是矩阵A的列数等于矩阵的行数AB=C
注意：正式由于这样的原理特性矩阵乘法不满足普通的乘法交换律
ps：在CV领域应用广泛的卷积神经网络的基础就是这个东西，其实矩阵乘法的意义不仅仅在于批量解线性方程更有对于矩阵所包含的信息的压缩、切割、提取等
（对于矩阵乘法的空间解释：blibli）
1.3.3 矩阵乘法的应用
废话不多说，直接上图，不过这一部分要熟练（不同于理解）还是需要大量的练习。但是关于矩阵乘法的本质，要理解面这一道题就足矣。
1.3.4 矩阵的转置
定义： 一个mxn矩阵A的转置为nxm矩阵B。
矩阵转置就像矩阵一样，本身只是一种表达形式，只有实际应用的时候才会有意义，于是要真正理解矩阵转置，就去看看**PageRank算法**帮助理解。
关于矩阵转置以及矩阵的逆的运算相关的规律（也可以说是技巧）我想在第一章总结完后再进行展示（用于做题）。
