Notice

Recent Posts

Recent Comments

Link

« 2024/04 »
일	월	화	수	목	금	토
	1	2	3	4	5	6
7	8	9	10	11	12	13
14	15	16	17	18	19	20
21	22	23	24	25	26	27
28	29	30

Tags more

Archives

Today

Total

관리 메뉴

EXCELSIOR

[코딩더매트릭스]Chap05 - 행렬 The Matrix 본문

Linear Algebra/Coding the Matrix

[코딩더매트릭스]Chap05 - 행렬 The Matrix

Excelsior-JH 2018. 3. 14. 10:23

깃헙으로 Jupyter Notebook을 볼 경우 LaTex 문법이 깨지는 경우가 있어 되도록 nbviewer로 보는 것을 추천한다. nbviewer에서 보기

Chap 05 - 행렬(The Matrix)

5.1 행렬이란 무엇인가?

5.1.1 전통적인 행렬

일반적으로, 개의 행과 개의 열을 가진 행렬은 행렬이라 한다. 행렬 에 대해 원소 는 번쨰 행과 번째 열에 있는 원소로 정의되며, 전통적으로 또는 로 나타낸다. 따라서, 상의 모든 과 에 대하여 일 때,

을 -위의 ()-행렬(()-matrix over )이라고 한다.

5.1.2 행렬에 대해 알아보기

상의 -벡터를 집합 에서 로의 함수로 정의한거 처럼, 상의 행렬을 카테시안 곱 로의 함수로 정의한다. 의 원소를 행 라벨 (row label) 이라 하고 의 원소를 열 라벨 (column label)이라 한다.

Example 5.1.3 아래는 {'a', 'b'}이고 {'#', '@', '?'}인 예이다.

	@	#	?
a	1	2	3
b	10	20	30

5.1.3 행, 열, 엔트리

행렬의 유용한 점은 행과 열을 벡터로 해석할 수 있다. 위의 Example 5.1.3의 행렬을 아래와 같이 벡터로 나타낼 수 있다.

행 a는 벡터 [1, 2, 3] 이다.
행 b는 벡터 [10, 20, 30] 이다.
열 @는 벡터 [1, 10] 이다.
열 #은 벡터 [2, 20] 이다.
열 ?는 벡터 [3, 30] 이다.

이번 5장에서는 행렬 구현 및 예제들을 파이썬의 고성능 수치 계산을 위한 모듈인 NumPy를 사용한다. numpy모듈을 이용하여 위의 Example 5.1.3을 다음과 같이 코드로 나타낼 수 있다.

 
1
import numpy as np
2
3
M = np.matrix('1 2 3; 10 20 30')  # = np.matrix([[1, 2, 3], [10, 20, 30]])
4
print(M)
5
6
"""출력 결과
7
[[ 1  2  3]
8
 [10 20 30]]
9
"""

위와 같이 행렬 에 대해, 의 원소는 쌍이 매핑하는 것으로 정의 되며 또는 로 나타내고, 행과 열은 아래와 같이 정의된다.

에 대해, 행 은 각 원소 에 대해 엔트리 가 인 -벡터 이다.
에 대해, 열 는 각 원소 에 대해 엔트리 이 인 -벡터 이다.

이를 numpy를 이용한 파이썬 코드로 나타내면 아래와 같다.

 
1
# 1. 행(row)
2
print('첫 번째 행 :', M[0,:])
3
print('두 번째 행 :', M[1,:])
4
5
# 2. 열(column)
6
print('첫 번째 열 :\n', M[:,0])
7
print('두 번째 열 :\n', M[:,1])
8
print('세 번째 열 :\n', M[:,2])
9
10
"""출력결과
11
첫 번째 행 : [[1 2 3]]
12
두 번째 행 : [[10 20 30]]
13
첫 번째 열 :
14
 [[ 1]
15
 [10]]
16
두 번째 열 :
17
 [[ 2]
18
 [20]]
19
세 번째 열 :
20
 [[ 3]
21
 [30]]
22
"""

5.1.4 행렬의 파이썬 구현

교재에서는 Mat이라는 클래스를 별도로 구현하지만, 여기서는 위에서도 언급 했듯이 numpy 모듈을 이용해서 행렬을 구현하도록 한다. 다음 행렬을 numpy 모듈을 이용해서 구현해보자.

 
1
import numpy as np
2
3
M = np.matrix('2 1 3; 20 10 30')
4
M
5
6
'''출력결과
7
matrix([[ 2,  1,  3],
8
        [20, 10, 30]])
9
'''

5.1.5 단위행렬 - Identity matrix

Definition : 유한 집합 에 대해 단위행렬은 행-라벨 집합과 열-라벨 집합이 둘다 이고 모든 에 대해 엔트리 ()는 (다른 모든 엔트리는 0)인 행렬이다. 단위행렬은 로 나타낸다.

numpy에서는 identity()를 이용해 단위행렬을 생성할 수 있다.

 
1
# 2 x 2 단위행렬
2
i2 = np.identity(2)
3
# 3 x 3 단위행렬
4
i3 = np.identity(3)
5
6
print('2 x 2 단위행렬\n', i2)
7
print('3 x 3 단위행렬\n', i3)
8
'''출력결과
9
2 x 2 단위행렬
10
 [[ 1.  0.]
11
 [ 0.  1.]]
12
13
3 x 3 단위행렬
14
 [[ 1.  0.  0.]
15
 [ 0.  1.  0.]
16
 [ 0.  0.  1.]]
17
'''

5.2 열공간(Column space)과 행공간(Row space)

행렬은 여러가지 목적을 위해 사용되며 그 중 한 가지는 벡터들의 묶음을 만드는 데 사용된다. 행렬을 벡터들의 묶음으로 해석하는 두 가지 방법이 있다. 바로, 열들의 묶음과 행들의 묶음이다. 따라서, 행렬과 연관된 벡터공간은 두 개가 있게 된다.

Definition : 행렬 에 대해,

의 열공간(Column space) 은 Col 으로 나타내며 의 열들에 의해 생성된 벡터공간이다.
의 행공간(Row space)은 Row 으로 나타내며 의 행들에 의해 생성된 벡터공간이다.

Example 5.2.2 : 의 열공간은 이다. 이 경우 은 의 스칼라배이므로 열공간은 과 동일하다. 행공간은 이다.

5.3 벡터로서의 행렬

위의 5.3에서 처럼 행렬은 벡터로 해석될 수 있다. 상의 행렬은 에서 로의 함수이다. 따라서 상의 -벡터로 해석될 수 있다. 이 해석을 이용하면 벡터 연산인 스칼라-벡터 곱셈 와 벡터 덧셈 을 행렬에 대해 사용할 수 있다.

 
1
M = np.matrix([[1,2,3], [10, 20, 30]])
2
3
# 스칼라-벡터 곱셈
4
print('스칼라-벡터 곱셈\n',M * 2)
5
# 벡터 덧셈
6
print('벡터 덧셈\n', M+M)
7
8
'''출력결과
9
스칼라-벡터 곱셈
10
 [[ 2  4  6]
11
 [20 40 60]]
12
벡터 덧셈
13
 [[ 2  4  6]
14
 [20 40 60]]
15
'''

5.4 전치(Transpose)

행렬의 전치 는 행과 열을 바꾸는 것을 의미한다.

Definition : 행렬의 전치는 로 나타내며, 모든 에 대해 를 만족하는 행렬이다.

다음 행렬 M에 대한 전치행렬은 아래와 같다.

numpy 모듈에서는 numpy.matrix.transpose() 또는 numpy.matrix.T 로 전치행렬을 구할 수 있다.

 
1
M = np.matrix([[1,2,3], [10, 20, 30]])
2
3
print('numpy.matrix.transpose() \n', M.transpose())
4
print('numpy.matrix.T \n', M.T)
5
6
'''출력결과
7
numpy.matrix.transpose() 
8
 [[ 1 10]
9
 [ 2 20]
10
 [ 3 30]]
11
numpy.matrix.T 
12
 [[ 1 10]
13
 [ 2 20]
14
 [ 3 30]]
15
'''

만약 이면, 행렬 은 대칭행렬(Symmetric Matrix)이라 한다.

 
1
M = np.matrix([[1, 2], [2, 4]])
2
3
assert repr(M.T) == repr(M)

5.5 선형결합의 행렬-벡터 곱셈과 벡터-행렬 곱셈

5.5.1 선형결합의 행렬-벡터 곱셈

Definition(행렬-벡터 곱셈의 선형결합 정의) : 을 상의 행렬이라고 하고, 는 상의 -벡터라고 하면, 는 선형결합이다.

$의 열$

만약 행렬 이 이지만 는 -벡터가 아니면, 는 성립하지 않는다. 행렬의 열(column) 수는 벡터의 원소 개수와 일치해야 한다. 우리가 중, 고등학교 수학해서 행렬을 배울때 행렬의 곱셈이 성립 되는 규칙을 생각하면 된다. 아래의 예제를 보자.

Example 5.5.2 :

numpy.dot을 이용하여 벡터-행렬 곱셈을 구현할 수 있다.

 
1
M = np.matrix([[1,2,3], [10, 20, 30]])
2
v = [7, 0, 4]
3
4
print('M * v =', np.dot(M, v))
5
'''출력결과
6
M * v = [[ 19 190]]
7
'''

5.5.2 선형결합의 벡터-행렬 곱셈

Definition(벡터-행렬 곱셈의 선형결합 정의) : 을 행렬이라 하고, 는 -벡터라고 하면 은 선형결합이다.

$의 행$

행렬과 벡터의 곱은 교환법칙이 성립되지 않는다. 는 성립하지만, 은 성립하지 않는 경우가 거의 대부분이다.

Example 5.5.7 :

 
1
M = np.matrix([[1,2,3], [10, 20, 30]])
2
w = [3, 4]
3
4
print('w * M =', np.dot(w, M))
5
'''출력결과
6
w * M = [[ 43  86 129]]
7
'''

5.5.3 생략

5.5.4 행렬-벡터 방정식의 해 구하기

input: 행렬 와 -벡터
output: 를 만족하는 -벡터

Example 5.5.14 : Example 4.4.13 에서 를 고려하였다. 이때, 이다.

가 에 있지 않으면 이다.
이 경우, 의 모든 벡터 에 대해 다음을 만족하는 계수 가 있다.

라고 하면, 아래와 같이 쓸 수 있다.

numpy.linalg.solve() 를 이용해 행렬-벡터 방정식의 해를 구할 수 있다. 예를 들어 , 행렬방정식 에서 를 구한다고 할때, 아래와 같이 구할 수 있다.

 
1
A = np.matrix([[1, 2], [3, 4]])
2
b = np.array([-1, 1])
3
4
x = np.linalg.solve(A, b)
5
print(x)
6
'''출력결과
7
[ 3. -2.]
8
'''

5.6 도트곱(dot-product)의 행렬-벡터 곱셈

5.6.1 정의

Definition(행렬 -벡터 곱셈의 도트곱 정의) : 이 행렬이고 는 -벡터 이면, 는 -벡터 이다. 이때, 은 의 행 과 의 도트곱이다.

Definition(벡터-행렬 곱셈의 도트곱 정의) : 이 행렬이고 는 -벡터 이면, 은 -벡터 이다. 이때, 은 와 의 열 의 도트곱이다.

Example 5.6.2 : 행렬-벡터 곱셈을 고려해 보자.

 
1
M = np.matrix([[1, 2], [3, 4], [10, 0]])
2
v = [3, -1]
3
4
dot_prod = np.dot(M, v)
5
print(dot_prod)
6
print('dot_prod shape: {}'.format(dot_prod.shape))
7
8
'''출력결과
9
[[ 1  5 30]]
10
dot_prod shape: (1, 3)
11
'''

5.6.2 응용 예

Example 5.6.4 : 고해상도 이미지가 있다고 해 보자. 이 이미지의 해상도를 줄여 다운샘플링(downsampling)을 한다고 해보자.

아래의 그림처럼 원래의 이미지를 () 크기 만큼 그룹을 지어 그 그룹의 평균을 저해상도의 이미지 픽셀값으로 설정한다.

아래의 코드는 파이썬에서 pillow라는 모듈을 이용하여 이미지 파일을 불러오고 Image.resize()메소드를 이용해 사이즈를 4배 축소해준 예제 및 for문을 순회 하면서 위의 설명 처럼 () 크기 만큼 그룹을 만들어 그 값의 평균을 픽셀값으로 지정하여 img_r이라는 이미지 행렬을 만들어 준 예제이다.

 
1
%matplotlib inline
2
import matplotlib.pyplot as plt
3
from PIL import Image
4
5
# 이미지 파일 불러오기
6
img = Image.open('./images/original.png') 
7
img = img.convert('L')
8
img_org = img
9
print('img.size : {}'.format(img.size))  # (width, height)
10
11
# 이미지를 너비, 높이를 4배 씩 축소하기
12
img_resized = img.resize((int(img.size[0]/4), int(img.size[1]/4)))
13
print('resized img size : {}'.format(img_resized.size))
14
15
# 이미지 파일을 np.asarray를 이용해 배열로 만들기
16
img_org = np.asarray(img_org, dtype='float32')
17
18
19
img2 = []
20
for i in range(int(img_org.shape[0]/4)):  # 행(row)
21
    for j in range(int(img_org.shape[1]/4)):  # 열 (column)
22
        tmp = []
23
        for m in range(4):  # 4 x 4 행렬의 행 
24
            for n in range(4):  # 4 x 4 행렬의 열
25
                tmp.append(img_org[4*i+m, 4*j+n])
26
        img2.append(np.mean(tmp))
27
28
img_r = np.asarray(img2).reshape(64, -1)
29
30
fig, axs = plt.subplots(1, 3, figsize=(25, 5))
31
fig.subplots_adjust(hspace = .5, wspace=.5)
32
33
img_list = [img_org, img_r, img_resized]
34
title_list = ['original', 'downsample', 'resizing']
35
36
for i, img in enumerate(img_list):
37
    axs[i].imshow(img ,cmap='Greys_r')

5.6.3 선형방정식들의 시스템을 행렬-벡터 방정식으로 구성하기

3.9.2 선형방정식에서 선형방정식은 형태의 방정식으로 정의하였고 선형방정식들의 시스템(일차 연립방정식)을 이러한 방정식들의 컬렉션으로 정의했다.

이를 행렬-벡터 곱셈의 도트곱 정의를 사용하여 행렬-벡터 방정식으로 나타낼 수 있다. 를 행들이 인 행렬이라 하고, 는 벡터 라고 하면, 선형방정식들의 시스템은 행렬-벡터 방정식 와 동일하다. 따라서 선형시스템의 해를 구하는 것은 곧 행렬방정식의 해 를 구하는 것과 같은 의미다.

5.6.4 삼각시스템(Triangular system)과 삼각행렬(Triangular matrix)

3.11에서 선형방정식들의 삼각시스템에 대한 해를 구하는 알고리즘을 알아보았다. 아래의 삼각시스템을 행렬-벡터 방정식으로 나타내면 다음과 같다.

Definition : 상삼각 (Upper-triangular) 행렬 는 에 대해 행렬이다.

삼각형을 형성하는 즉, Upper-traingular 부분의 원소들은 0일 수도 있고 아닐 수도 있다.

numpy에서는 numpy.triu를 이용해 Upper-triangular를 구할 수 있다.

 
1
m = np.matrix([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
2
3
ut = np.triu(m, -1)
4
print(ut)
5
'''출력결과
6
[[ 1  2  3]
7
 [ 4  5  6]
8
 [ 0  8  9]
9
 [ 0  0 12]]
10
'''

5.6.5 행렬-벡터 곱셈의 산술적 성질

행렬-벡터 곱셈의 도트곱 해석을 사용하여 두 개의 중요한 성질을 유도해 보자.

Proposition : 을 행렬이라 하면,

임의의 -벡터 와 임의의 스칼라 에 대해,

임의의 -벡터 와 에 대해,

5.7 영공간 - Null space

5.7.1 동차 선형시스템과 행렬방정식

4.6에서 동차 선형시스템에 대해 알아보았다. 동차 선형 시스템은 우변의 값들이 모두 영(0)인 선형 방정식들의 시스템이다. 이러한 시스템은 우변이 영벡터인 행렬-벡터 방정식 으로 나타낼 수 있다.

Definition : 행렬 의 영공간(Null space) 은 집합 이다. 이를 Null 로 나타낸다. Null 는 동차 선형시스템의 해집합이므로 벡터공간(4.4 참고)이다.

Example 5.7.2 : 이면, 첫 번째, 두번째 열의 합은 세 번째 열과 동일하므로 은 영벡터이다. 따라서, 벡터 [1, 1, -1]은 Null 에 속한다. 또한 임의의 스칼라 에 대해 도 영벡터이다. 그러므로 도 Null 에 속한다.

Lemma : 임의의 행렬 와 -벡터 에 대해 벡터 가 의 영공간(Null space)에 있을 필요충분조건은 이다.

5.7.2 행렬-벡터 방정식의 해공간

Corollary : 은 행렬-벡터 방정식 의 해라고 하면, 또한 해가 될 필요충분조건은 가 의 영공간(Null space)에 속하는 것이다.

Corollary : 행렬-벡터 방정식 가 해를 가진다면, 이 해가 유일한 해가 될 필요충분조건은 의 영공간이 영벡터로만 구성 되는 것이다.

5.8 스파스(Sparse) 행렬-벡터 곱 계산

Sparse Matrix(희소행렬)은 아래의 행렬과 같이 행렬의 원소(엔트리) 대부분이 인 행렬을 의미한다.

Definition(행렬-벡터 곱셈의 일반적 정의) : 이 행렬이고 가 -벡터이면, 은 각 에 대해 다음을 만족하는 -벡터 이다.

위의 정의대로 행렬-벡터 곱셈을 구현한다고 하면 다음과 같이 작성할 수 있다.

for in :

하지만, 희소행렬을 위의 방식대로 구현하면 효율적이지 않다. 희소행렬을 구현하는 방법 중 하나는 출력 벡터 를 영벡터로 초기화하고, 그다음에 의 영이 아닌 엔트리들에 대해 이터레이션하는 것이다.

initialize to zero vector

5.9 행렬과 함수의 만남

5.9.1 행렬에서 함수로

모든 행렬 에 대해 행렬-벡터 곱셈을 사용하여 함수 를 정의할 수 있다.

Definition : 행렬 이 필드 상의 행렬이면 함수 은 로 정의 할 수 있다.

위의 Definition은 선형 대수학에서 사용되는 전통적인 정의는 아니며, 교재에서 별도로 정의한 것이다.

Example 5.9.1 : 은 아래의 행렬이라고 하자.

	#	@	?
a	1	2	3
b	10	20	30

그러면, 함수 의 정의역은 , 공역은 이다. 예를 들어, 벡터 의 치역은 벡터 이다.

5.9.2 함수에서 행렬로

어떤 행렬 에 대응하는 함수 가 있다고 하고, 인 행렬 을 계산하고자 한다.

먼저, M에 대한 열-레이블(Column-label) 집합을 알아보면 의 정의역은 이므로, 는 -벡터이다. 곱 가 성립하려면 의 열-레이블 집합은 가 되어야 한다. 그다음으로, 의 공역은 이므로, 을 에 곱한 결과는 -벡터여야 한다. 이것이 성립하려면 의 행-레이블(Row-label) 집합은 가 되어야 한다.

은 라는 것을 알았으므로, 이제 행렬 의 원소들을 구하면 된다. 원소들을 구하기 위해 행렬-벡터 곱의 선형결합 정의를 이용한다. 에 대한 표준 생성자(4.2.5 참고)를 기억해 보자. 각 원소 에 대해 는 1에 매핑하고 의 다른 모든 원소는 0에 매핑하는 생성자 가 있다. 선형결합 정의에 의하면 는 의 열 이다. 즉, 의 열 는 와 동일해야 한다.

5.9.3 행렬을 유도하는 예

Example 5.9.3 : 은 -좌표를 2만큼 스케일링하는 로의 함수라고 하고, 어떤 행렬 에 대해 라고 가정하자. 정의역 에 대한 상(치역)은 이고, 이 상은 이다. 따라서 이다.

numpy와 matplotlib을 이용해 그래프로 확인 해보자.

 
1
M = np.matrix([[2, 0], [0, 1]])  # 행렬 M 정의
2
3
v = [2, 4]  # 임의의 벡터 v
4
5
mv = np.dot(M, v)  # M * v
6
7
fig, ax = plt.subplots()
8
9
for spine in ['left', 'bottom']:
10
    ax.spines[spine].set_position('zero')
11
12
# Hide the other spines...  
13
for spine in ['right', 'top']:
14
    ax.spines[spine].set_color('none')
15
    
16
ax.scatter([v[0], mv[0, 0]], [v[1], mv[0, 1]])
17
ax.axis([-4, 10, -4, 10])
18
ax.grid()
19
20
plt.show()

Example 5.9.4 : 은 로의 함수라고 하자. 이 함수는 2D 상의 점들을 원점에 대해 반시계 방향으로 90도 회전하는 것이다. 어떤 행렬 에 대해 라고 가정하자. 을 찾기 위해 두 표준 생성자 과 의 함수값을 구하면 이고, 이 된다. 행렬 을 구하게 되면 이다.

 
1
M = np.matrix([[0, -1], [1, 0]])  # 행렬 M 정의
2
v = [2, 2]  # 임의의 벡터 v
3
mv = np.dot(M, v)  # M * v
4
5
fig, ax = plt.subplots()
6
7
for spine in ['left', 'bottom']:
8
    ax.spines[spine].set_position('zero')
9
10
# Hide the other spines...  
11
for spine in ['right', 'top']:
12
    ax.spines[spine].set_color('none')
13
    
14
ax.scatter([v[0]], [v[1]])
15
ax.scatter([mv[0, 0]], [mv[0, 1]])
16
ax.axis([-5, 5, -5, 5])
17
ax.grid()
18
19
plt.show()

Example 5.9.5 : 임의의 각도 에 대해, 은 로의 함수라 하자. 이 함수는 원점에 대해 만큼 반시계 방향으로 점들을 회전하는 것이다. 행렬 에 대해 라고 가정하자. 점 을 만큼 회전하면 점 가 얻어진다. 그리고 점 을 만큼 회전하면 점 가 얻어진다. 그 이유는 아래의 그림과 같다.

따라서, 이다.

 
1
theta = np.pi / 4
2
M = np.matrix([[np.cos(theta), -np.sin(theta)], [np.sin(theta), np.cos(theta)]])
3
v = [np.cos(theta), np.sin(theta)]
4
mv = np.dot(M, v)
5
6
fig, ax = plt.subplots()
7
8
for spine in ['left', 'bottom']:
9
    ax.spines[spine].set_position('zero')
10
11
# Hide the other spines...  
12
for spine in ['right', 'top']:
13
    ax.spines[spine].set_color('none')
14
    
15
ax.scatter([v[0]], [v[1]])
16
ax.scatter([mv[0, 0]], [mv[0, 1]])
17
ax.axis([-3, 3, -3, 3])
18
ax.grid()
19
20
plt.show()

5.10 선형함수 - Linear functions

5.10.1 행렬-벡터 곱으로 표현될 수 있는 함수

4.4 벡터공간 에서 벡테공간에 대한 세 가지 성질에 대해 살펴보았다. 또한 5.6.5에서 행렬-벡터 곱셈의 두 가지 대수적 성질을 알아보았다. 이제 이러한 대수적 성질을 사용하여 특수한 종류의 함수인 선형함수 를 정의해 보자.

5.10.2 정의와 간단한 예제

Definition : 와 는 필드 상의 벡터공간이라 하자. 함수 은 다음 두 성질을 만족할 경우 선형함수(또는, 선형변환) 라고 한다.

Property L1 : 의 정의역 내 임의의 벡터 와 내 임의의 스칼라 에 대해,

Property L2 : 의 정의역 내 임의의 두 벡터 와 에 대해,

은 필드 상의 행렬 라 하고, 아래 함수를 로 정의해 보자.

정의역과 공역은 벡터공간이다. 5.6.5의 성질에 의하면 아래와 같이 함수 는 Property L1과 L2를 만족한다.

따라서, 는 선형함수이다.

Proposition : 임의의 행렬 데 대해 함수 는 선형함수 이다.

아래의 경우는 특수한 경우를 보여준다.

Lemma : 상의 임의의 -벡터 에 대해, 에 의해 정의된 함수 는 선형함수 이다.

Proof : 는 행렬이라 하고, 이행렬의 유일한 행은 라 하면, 이고 위의 Lemma 는 5.6.5의 성질에 의해 성립한다.

5.10.3 선형함수와 영벡터

Lemma : 와 는 필드 상의 벡터공간이라 하고, 가 선형함수이면, 는 의 영벡터를 의 영벡터에 매핑한다.

Proof : 을 의 영벡터, 를 의 영벡터라 하면,

양번에 을 빼면 다음과 같다.

Definition : 행렬의 영공간(Null space)와 마찬가지로 선형함수의 의 커널(kernel) 을 라고 정의하고, 의 커널을 Ker 로 나타낸다.

Lemma : 선형함수의 커널은 벡터공간이다.

5.10.4 선형함수와 직선의 관계는 무엇인가?

함수 는 선형함수라 가정하고, 과 는 내 두 개의 벡터라 하자. 선형결합 와 의 상(함수값)을 고려해 보자. 함수 를 선형함수라고 가정하였으니, 위의 Property L1과 L2 를 만족한다.

과 의 선형결합의 상(함수값)은 과 의 선형결합에 대응한다고 할 수 있다.

이것이 기하학적으로 무엇을 의미할까? 정의역 가 인 경우에 대해 고려해 보자. 점 과 를 지나는 직선은 과 의 아핀 hull(Affine hull, 4.5.2 참고) 즉, 아핀결합들로 구성된 집합니다.

이러한 모든 아핀결합들에 대한 의 상들의 집합은 아래와 같다.

또한, 위의 식은 다음과 같이 쓸 수 있다.

즉 .과 의 모든 아핀결합들의 집합이다. 따라서, 다음과 같이 나타낼 수 있다.

과 를 지나는 직선에 대한 의 상은 과 를 지나는 "직선 " 이다.

Proposition : 선형함수 , 의 정의역 내 임의의 벡터 과 임의의 스칼라 에 대해, 다음이 성립한다.

즉, 임의의 flat의 선형함수에 대한 상(함수값)은 또 다른 flat이다.

아래의 예제는 행렬 에 대해 선형함수 에대해 그래프를 그려본 것이다. 아래의 그래프와 같이 라는 선형함수에 대한 상(함수값)은 또 다른 이라는 것을 알 수 있다.

 
1
X = np.linspace(-4, 10, num=50, endpoint=True)
2
M = np.matrix([[2, 1], [2, 3]])
3
4
Y = X
5
mv = np.dot(M, np.column_stack((X, Y)).T)
6
7
fig, ax = plt.subplots()
8
9
for spine in ['left', 'bottom']:
10
    ax.spines[spine].set_position('zero')
11
12
# Hide the other spines...  
13
for spine in ['right', 'top']:
14
    ax.spines[spine].set_color('none')
15
    
16
ax.plot(X, Y)
17
ax.plot(mv.T[:,0], mv.T[:,1])
18
ax.axis([-4, 10, -4, 10])
19
ax.grid()
20
21
plt.show()

5.10.5 단사함수인 선형함수

커널(kernel)의 개념을 사용하여 선형함수가 단사함수인지 아닌지를 알아보는 기준을 제시할 수 있다.

Lemma (One-to-One Lemma) : 선형함수가 단사함수일 필요충분조건은 함수의 커널이 자명한 벡터공간이 되는 것이다.

Proof : 는 선형함수라고 하면 증명은 두 가지 방법으로 할 수 있다.
- Ker 가 어떤 영이 아닌 벡터 를 포함한다고 하자. 그리고 이며, 또한 일 경우 는 단사함수가 아니다.
- Ker 라고 하자. 는 를 만족하는 임의의 벡터라고 하면 이다. 선형성(linearity)에 의해 이고, Ker 이다. Ker 는 으로만 구성되므로 이고, 따라서 이다.
위의 증명을 그림으로 나타내면 아래와 같다. (출처 : ratsgo's blog)

위의 Lemma 는 선형시스템의 해가 유일한가? 란 물음에 대해 새로운 관점을 제공한다. 선형시스템 의 해를 구하는 것은 함수 에 대한 의 원상(pre-image) 즉, 를 구하는 것으로 해석할 수 있다. 만약 원상이 존재하고, 그것이 가 단사함 수일 경우 선형시스템의 해는 유일하다.

5.10.6 전사함수인 선형함수

정의역 를 가진 함수 의 상 은 집합 라 하고, 함수 가 전사함수(onto) 라는 것은 함수의 치역(Image)과 공역(codomain)이 일치해야 한다.

가 선형함수일 때 의 상을 Im 로 나타낸다. 따라서 가 전사인지를 판단하는 것은 Im 와 같다.

아래의 그림은 전사함수가 아닌 경우와 전사함수인 경우를 나타낸다. (출처 : ratsgo's blog)

Lemma : 선형함수의 상은 그 함수의 공역의 부분공간 이다.

Proof : 는 선형함수라고 하면, Im 는 의 부분집합이다. Im 는 의 부분 공간임을 보이기 위해, Im 는 벡터공간의 성질 (4.4 벡터공간 참고) Property V1, V2, V3 을 만족해야 한다는 것을 보여야 한다.
- V1 : 5.10.3 에서 보았듯이 는 의 영벡터를 의 영벡터로 매핑한다. 따라서, 의 영벡터는 Im 에 속한다.
- V2 : 는 Im 내의 벡터라고 하면, Im 의 정의에 의하면, 를 만족하는 벡터 가 내에 있어야 한다. 임의의 스칼라 에 대해, 다음이 성립한다. 따라서 는 Im 내에 있다.
- V3 : 과 는 Im 내에 있는 벡터라고 하면, Im 의 정의에 의해, 과 를 만족하는 벡터 과 가 내에 있어야 한다. 5.10.2 에서 선형함수의 Property L1에 의하면 이다. 따라서, 는 Im 내에 있다.

5.10.7 행렬에 의해 표현될 수 있는 에서 로의 선형함수

Lemma : 이 선형함수이면, 모든 벡터 에 대해 을 만족하는 상의 행렬 이 있다.

5.10.8 대각행렬 - Diagonal Matrix

을 실수라고 하고, 은 을 만족하는 함수라고 하면, 이 함수에 대응하는 행렬은 다음과 같다.

이러한 행렬을 대각 행렬이라 한다.

Definition : 정의역 에 대해, 행렬 은 인 모든 쌍 에 대해 이면 대각행렬 이다.

numpy 모듈에서 numpy.diag()를 이용해 대각행렬을 구현할 수 있다.

 
1
x = np.arange(9).reshape(3, -1)
2
print(x)
3
x_diag = np.diag(x)
4
print('x_diag :', x_diag)
5
6
print('x의 대각행렬 : \n', np.diag(x_diag))
7
8
'''출력결과
9
[[0 1 2]
10
 [3 4 5]
11
 [6 7 8]]
12
x_diag : [0 4 8]
13
x의 대각행렬 : 
14
 [[0 0 0]
15
 [0 4 0]
16
 [0 0 8]]
17
'''

5.11 행렬-행렬 곱셈

5.11.1 행렬-벡터 및 벡터-행렬 곱셈으로 표현한 행렬-행렬 곱셈

Definition :

행렬-행렬 곱셈의 벡터-행렬 정의 : 의 각 행-라벨 에 대해,

$의 행 의 행$

행렬-행렬 곱셈의 행렬-벡터 정의 : 의 각 열-라벨 에 대해,

$의 열 의 열$

5.11.2 생략

5.11.3 행렬-행렬 곱셈과 함수 합성

행렬 와 는 행렬-벡터 곱셈 와 를 통해 함수를 정의 한다. 두 행렬을 곱한 결과인 행렬 를 라고 하면,

Lemma :

proof : 행렬 를 열 벡터로 나타내면 아래와 같다.

행렬-행렬 곱셈의 행렬-벡터 정의에 의해, 의 열 는 ( 의 열 ) 이다. 임의의 -벡터 에대해,

$의 열 의 열$

Definition : 행렬 를 번 곱한 것은 (k 번 곱함) 이다. 이를 " 의 제곱 "이라 한다.

5.11.4 행렬-행렬 곱의 전치

Proposition : 행렬 와 에 대해 다음이 성립한다.

Example 5.11.15

 
1
A = np.matrix([[1, 2], [3, 4]])
2
B = np.matrix([[5, 0], [1, 2]])
3
4
print('(AB)^T : \n', np.dot(A, B).T)
5
print('B^T * A^T : \n', np.dot(B.T, A.T))
6
7
'''출력결과
8
(AB)^T : 
9
 [[ 7 19]
10
 [ 4  8]]
11
B^T * A^T : 
12
 [[ 7 19]
13
 [ 4  8]]
14
'''

5.11.5 열벡터와 행벡터

열벡터 : 행렬은 행렬-벡터 곱셈에서 벡터 처럼 동작하므로 열벡터 라고 한다. 아래의 행렬-행렬곱을 고려해 보자.

위의 행렬-행렬 곱셈에서 ()-행렬 에 열이 하나밖에 없는 행렬 를 곱한 결과는 열이 하나인 행렬이 된다. 위의 식에서 를 벡터 로 해석하고, 를 벡터 로 해석하면 위의 식은 행렬-벡터 식 로 해석할 수 있다.

행벡터 : 벡터를 행렬로 해석하는 또 다른 방법은 행이 하나 밖에 없는 행렬로 해석할 수 있다. 이러한 행렬을 행벡터 라고 한다. 이러한 행벡터의 오른쪽에 행렬 을 곱하는 것은 벡터-행렬 곱셈과 같다.

5.11.6 모든 벡터는 열벡터로 해석된다.

선형 대수학의 관례에 따르면, 행렬과 벡터가 관련된 것을 표현할 때 모든 벡터는 열벡터로 해석된다. 벡터를 행벡터 대신 열벡터로 해석하는 이유는 행렬-벡터 곱셈이 벡터-행렬 곱셈보다 더 흔하기 때문이다.

Example 5.11.17 : 아래의 행렬-벡터 곱을 행렬-행렬(열벡터)로 나타낸다.

Example 5.11.18 : 벡터-행렬 곱은 아래와 같이 나타낸다.

5.12 내적(Inner product)과 외적(Outer product)

5.12.1 내적 (Inner product)

와 는 두 개의 -벡터라고 하고, "행렬-행렬" 곱 를 고려해 보자. 첫 번째 행렬은 하나의 행만 있고, 두 번째 행렬은 하나의 열만 가진다. 행렬-행렬 곱셈의 도트곱 정의 의하면 이 곱의 결과는 인 하나의 원소(엔트리)로 구성된다. 아래의 예제를 보자.

Example 5.12.1 :

위와 같이 와 의 도트곱은 흔히 로 나타내고, 내적 이라고 한다. (내적에 대한 자세한 내용은 Chap09.내적 에서 자세히 다룬다.) 파이썬에서 numpy 모듈의 numpy.inner()를 이용하여 벡터의 내적을 구할 수 있다. 위의 예제를 아래의 코드로 나타낼 수 있다.

 
1
u = np.array([1, 2, 3])
2
v = np.array([3, 2, 1])
3
4
uv = np.inner(u, v)
5
print(uv)
6
'''출력결과
7
10
8
'''

5.12.2 외적 (Outer product)

이번에는 벡터 에 대해 를 고려해 보자. 의 정의역 의 각 원소 와 의 정의역의 각 원소 에 대해, 의 원소는 이다. 이러한 곱셉을 벡터 와 의 외적 이라고 한다.

Example 5.12.2 :

마찬가지로 numpy.outer()를 이용하여 벡터의 외적을 구할 수 있다.

 
1
u = np.array([1, 2, 3])
2
v = np.array([1, 2, 3, 4])
3
4
uv = np.outer(u, v)
5
print(uv)
6
'''출력결과
7
[[ 1  2  3  4]
8
 [ 2  4  6  8]
9
 [ 3  6  9 12]]
10
'''

5.13 역함수와 역행렬

5.13.1 선형함수의 역함수는 선형함수이다.

Lemma : 가 선형함수이고 는 의 역함수이면, 도 또한 선형함수이다.

Proof : 다음 두 가지를 증명하면 된다.
- 의 정의역 내 모든 벡터 쌍 에 대해,
- 의 정의역 내 모든 스칼라 와 벡터 에 대해,

5.13.2 역행렬

Definition : 는 상의 행렬이라 하고 , 는 상의 행렬이라 하자. 함수 은 라 정의 하고, 함수 는 라고 정의하자. 와 가 서로의 역함수이면, 행렬 와 는 서로의 역행렬이라고 한다. 가 역행렬을 가지면 는 가역행렬(Invertible matrix) 라고 한다. 역함수의 유일성을 이용하여 행렬 또한 역행렬이 존재할 경우 오직 하나의 역행렬을 가진다는 것을 보여줄 수 있다. 가역행렬 의 역행렬은 로 나타낸다.

가역적이지 않은 행렬은 특이행렬(singular matrix) 이라한다.

파이썬의 numpy 모듈에서 numpy.linalg.inv()를 이용하여 행렬의 역행렬을 구할 수 있다. 아래의 예제 Example 5.13.9 의 의 역행렬을 구해보자.

 
1
A = np.matrix([[1, 0, 0, 0], [2, 1, 0, 0], [3, 0, 1, 0], [4, 0, 0, 1]])
2
3
A_inv = np.linalg.inv(A)
4
print(A_inv)
5
'''출력결과
6
[[ 1.  0.  0.  0.]
7
 [-2.  1.  0.  0.]
8
 [-3.  0.  1.  0.]
9
 [-4. -0. -0.  1.]]
10
'''

5.13.3 역행렬의 사용

Lemma : 행렬 가 역행렬 을 가지면, 은 단위행렬(Identity Matrix) 이다.

Proof : 라고 하고, 라고 하면, 는 모든 -벡터 에 대해 를 만족한다. 는 항등함수이고, 따라서 는 단위행렬이다.

Proposition : 행렬 가 가역적이면, 의 행-라벨 집합과 동일한 정의역을 가지는 임의의 벡터 에 대해 행렬-벡터 식 는 정확하게 하나의 해를 가지며 그 해는 이다.

Lemma : 는 상삼각행렬(Upper triangular)이라고 하면, 가 가역적(invertible)이 될 필요충분조건은 의 대각 원소가 모두 영(0)이 아니어야 한다.

5.13.4 가역행렬의 곱은 가역행렬이다.

Proposition : 만약 와 는 가역행렬이고 행렬 곱 는 가역행렬이고, 이다.

Proof : 함수 와 를 와 라 하고, 와 는 가역행렬이라고 하면 그에 대응하는 함수인 와 는 가역적이다. 그러므로 g 는 가역적이고 그 가역 함수는 이다. 따라서, 에 대응하는 행렬 는 가역행렬이고, 역행렬은 이다.

Example 5.13.15 : 와 는 함수 와 에 대응한다.

함수 와 는 가역적이므로, 함수 가역적이다. 의 행렬-곱셈은 다음과 같으며 도 가역행렬이다.

저작자표시

'Linear Algebra > Coding the Matrix' 카테고리의 다른 글

[코딩더매트릭스]Chap07 - 차원 Dimension (0)	2018.05.02
[코딩더매트릭스]Chap06 - 기저 Basis (0)	2018.04.19
[코딩더매트릭스]Chap04 - 벡터공간 Vector Space (0)	2018.02.27
[코딩더매트릭스]Chap03 - 벡터 Vector (0)	2018.02.05
[코딩더매트릭스]Chapter02 - 필드 Field (0)	2018.02.01

'Linear Algebra/Coding the Matrix' Related Articles

Comments