在线性代数中，向量不仅仅是高中物理课上带箭头的线段。你可以把向量想象成一个列表，里面装着一组有序的数字。这些数字被称为向量的分量。例如，一个人的身高和体重可以组成一个二维向量 [180, 75]。城市在地图上的位置可以用一个二维向量 [经度, 纬度] 来表示。

这个向量 $\mathbf{v}$ 有两个分量：第一个分量是 3，第二个分量是 2。向量的维度就是它包含的分量的数量。上面的 $\mathbf{v}$ 就是一个二维向量。按照惯例，我们通常把向量写成列的形式，称为列向量。

向量不仅有大小（或长度），还有方向。在坐标系中，它就像一个从原点指向特定坐标点的箭头。

就像普通数字可以加减乘除一样，向量也有自己的一套运算法则。最基本的运算是加法和数乘。

两个维度相同的向量可以相加。方法很简单：把它们对应的分量加起来。

例如，向量 $\mathbf{u} = \begin{bmatrix} 1 \\ 2 \end{bmatrix}$ 和向量 $\mathbf{v} = \begin{bmatrix} 3 \\ 1 \end{bmatrix}$ 相加，结果是：

数乘是指用一个普通的数字（我们称之为“标量”）去乘以一个向量。方法同样简单：把向量的每个分量都乘以这个标量。

比如，用标量 2 乘以向量 $\mathbf{v} = \begin{bmatrix} 3 \\ 1 \end{bmatrix}$：

数乘的效果是缩放向量的长度。如果标量大于 1，向量被拉长；如果在 0 和 1 之间，向量被缩短。如果标量是负数，向量的方向会反转。

如果我们把多个向量并排放在一起，会得到什么？答案是矩阵。矩阵是一个由数字组成的矩形阵列。

这个矩阵 $A$ 有 2 行 3 列，我们称之为一个 $2 \times 3$ 的矩阵。你可以把它看作是由三个二维列向量 $\begin{bmatrix} 1 \\ 4 \end{bmatrix}$, $\begin{bmatrix} 7 \\ 5 \end{bmatrix}$, 和 $\begin{bmatrix} 3 \\ 6 \end{bmatrix}$ 组成的。

矩阵的加法和数乘与向量的规则非常相似。只有维度完全相同的矩阵才能相加，方法是对应位置的元素相加。数乘也是将矩阵中的每个元素都乘以那个标量。

矩阵乘法要复杂一些，它不是简单地将对应元素相乘。两个矩阵 $A$ 和 $B$ 能相乘（$A \times B$），当且仅当 $A$ 的列数等于 $B$ 的行数。

如果 $A$ 是一个 $m \times n$ 矩阵，$B$ 是一个 $n \times p$ 矩阵，那么它们的乘积 $C = AB$ 将是一个 $m \times p$ 矩阵。$C$ 中第 $i$ 行第 $j$ 列的元素，是由 $A$ 的第 $i$ 行与 $B$ 的第 $j$ 列对应元素相乘再求和得到的。

举个例子，一个 $2 \times 3$ 的矩阵乘以一个 $3 \times 2$ 的矩阵：

一个重要的性质是，矩阵乘法通常不满足交换律，也就是说，$A \times B$ 一般不等于 $B \times A$。

除了基本的运算，矩阵还有一些特殊的操作，比如转置和求逆。

矩阵的转置（Transpose）是一种非常简单的操作，就是把矩阵的行和列互换。矩阵 $A$ 的转置记作 $A^T$。

可以看到，$A$ 的第一行变成了 $A^T$ 的第一列，$A$ 的第二行变成了 $A^T$ 的第二列。一个 $m \times n$ 矩阵的转置是一个 $n \times m$ 矩阵。

在普通算术中，一个数 $x$（非零）的倒数是 $1/x$，因为 $x \cdot (1/x) = 1$。数字 1 在乘法中很特殊，任何数乘以 1 都等于它本身。矩阵世界里也有类似的概念。

首先，有一个叫做“单位矩阵”（Identity Matrix）的特殊矩阵，记作 $I$。它是一个对角线上全是 1，其他位置全是 0 的方阵（行数和列数相同）。

单位矩阵的作用类似于数字 1，任何矩阵乘以单位矩阵（在维度匹配的情况下）都等于它本身，即 $A \times I = A$ 且 $I \times A = A$。

一个方阵 $A$ 的逆矩阵（Inverse Matrix），记作 $A^{-1}$，是指另一个矩阵，它与 $A$ 相乘的结果是单位矩阵 $I$。

逆矩阵的概念非常有用，它类似于除法。但要注意，并非所有方阵都有逆矩阵。如果一个方阵没有逆矩阵，我们称之为“奇异矩阵”或“不可逆矩阵”。

向量和矩阵是线性代数的基石。理解了它们的定义和基本运算，就为探索更深层次的线性代数概念打下了坚实的基础。