矩阵的秩

秩数的是一个矩阵真正「知道」多少个独立方向：列空间里独立列向量的个数。它把「矩阵满不满、方程组有没有解、数据有没有冗余」统一成同一个整数 $r$。

定义与等价刻画

$\mathrm{rank}(A)=\dim \mathrm{col}(A)=\dim \mathrm{row}(A)$——列秩恒等于行秩，这是线性代数里最不平凡的对偶事实。一组等价说法：

• $r$ = 非零奇异值个数（奇异值分解 SVD视角）
• $r$ = 非零特征值个数的上界（仅当可对角化时取等）
• $r=n⟺\det A\ne 0$（见行列式）$⟺$ 可逆
• 秩零化定理：$\dim \ker A=n-r$——线性变换的核与像分掉整个定义域

方程组的解结构

对 $Ax=b$（$A$ 为 $m\times n$）：

条件	结论
$r(A) = r([A	b]) = n$
$r(A) = r([A	b]) < n$
$r(A) < r([A	b])$

判据与求解流程见高斯消元与线性方程组。

秩与数据

数据矩阵的秩是其中独立信息的上限：$m$ 个样本、$n$ 个特征，$r<\min (m,n)$ 意味着存在线性冗余。低秩近似——用秩 $k$ 矩阵逼近原矩阵——是降维、去噪、压缩的共同数学内核，其最优解由 Eckart–Young 定理给出（见奇异值分解 SVD）。深度学习里「权重矩阵的有效秩」被用来度量特征崩溃（representation collapse）：表达塌缩到低维子空间，往往意味着信息丢失。

相关笔记

• 行列式 — 满秩的 0/1 检测
• 奇异值分解 SVD — 秩的数值化：按奇异值大小排出「有效秩」谱
• 线性变换 — rank = 像空间维数，变换的本质不变量