「線性映射（Linear Map）」是理解張量、矩陣、AI 的核心概念之一。我們用最直覺＋數學本質一起講清楚👇
一、最簡單一句話
👉 線性映射 = 保持「加法」與「比例」的變換二、形式定義（抓住兩個條件）
一個映射 fff 是線性的，如果滿足：
1️⃣ 加法保持
f(x+y)=f(x)+f(y)
2️⃣ 倍數保持
f(cx)=cf(x)
👉 這兩個條件合起來就是：
👉 不改變線性結構
三、最直覺例子
🔹 例子1：乘以2（線性映射）
f(x)=2x
- f(x+y)=2(x+y)=2x+2y
- f(cx)=2cx=c(2x)
👉 ✅ 是線性映射
🔹 例子2：加1（非線性映射）
f(x)=x+1
檢查：
- f(x+y)=x+y+1
- f(x)+f(y)=x+1+y+1=x+y+2
👉 ❌ 不一樣 → 不是線性
👉 關鍵：
👉 不能有「常數偏移」
四、幾何直覺（很重要🔥）
線性映射在空間中做的事：
👉 只允許：
- 拉伸（stretch）
- 壓縮（shrink）
- 旋轉（rotate）
- 反射（flip）
👉 不允許：
- 平移（shift）
👉 所以：
👉 原點一定固定在原點
五、矩陣就是線性映射
任何線性映射都可以寫成：
f(x)=Ax
👉 這裡：
- A：矩陣
- x：向量
👉 例子：
A=[2003]A = \begin{bmatrix} 2 & 0 \\ 0 & 3 \end{bmatrix}A=[2003]
作用在：
x=[1,1]
得到：
f(x)=[2,3]
👉 意義：
- x方向放大2倍
- y方向放大3倍
六、為什麼這麼重要？
因為：
👉 幾乎所有科學與AI都建立在線性映射上
在物理（如 廣義相對論）
- 張量 = 多重線性映射
在AI（如 PyTorch）
神經網路每一層：
y=Wx+b
👉 其中：
- Wx：線性映射
- b：非線性偏移
- activation：非線性
👉 本質：
👉 AI = 線性 + 非線性 的疊加
七、更高一層（連到張量）
👉 張量其實是：
👉 多輸入的線性映射（multilinear map）
例如：
- 向量 → 向量（矩陣）
- 向量×向量 → 純量（內積）
👉 所以：
👉 線性映射 = 張量的基礎
八、一句話總結（最精華）
👉 線性映射就是「不改變比例與結構」的變換，本質上就是矩陣作用在向量上
