单位正方形被矩阵映射为面积 3 的平行四边形 — 单位正方形经过 A 变成平行四边形；面积从 1 变为 |det A|=3。

5.1 行列式：体积的缩放因子

本节位置：模块 5 · 行列式｜前置：3.3 矩阵乘法｜预计：30 分钟

一句话：行列式是线性变换对「有向体积」的缩放倍率；绝对值管大小，符号管定向。

0. 场景引入

凌晨两点，手游项目的美术在导出角色资产。为了「左右手通用」，他把 1.80 m 高的角色整体乘上 scale=(-1, 1, 1)：只翻转左右，看上去什么都没变。角色的绑定盒是 1.80 m × 0.55 m × 0.32 m，体积 0.3168 m³；物理组按 1000 kg/m³ 算质量，得到 317 kg。

同一批里还有一个 2.40 m 的 Boss，美术把它放大 1.5 倍。体积、质量都跟着放大 $1. 5^{3} = 3.375$ 倍：同样的击退力，位移只有原来的 $1/3.375$ ，手感立刻「变重」。

两件事其实是同一个数学对象：那个负缩放矩阵的行列式是 $- 1$ ，放大矩阵的行列式是 $3.375$ 。引擎里所有「体积 × 密度」「体积 × 浮力」的代码都默认缩放因子为正；一旦接进一个 $det < 0$ 的矩阵，法线朝向、背面剔除、凸包体积会同时出错。

决策：放行负缩放（美术省 2 天返工），还是强制改用 180° 旋转加镜像 UV（多花 2 天，但所有工具的 $det > 0$ 假设都成立）？

代价：放行后第一次真机测试，角色有一半面片被剔除、看上去透明；布娃娃求解器拿到负质量后直接发散，角色被打飞时冲出地图。

读完本节，你应该能回答三件事：

一个缩放/镜像变换的 $det$ 是多少，负号在引擎里具体对应什么操作？
为什么 $det = 0$ 和「压扁」是同一件事，为什么 $∣ det ∣$ 大不等于矩阵「大」？
概率密度换元时，为什么必须除以 $∣ det ∣$ ，而不是乘以 $det$ ？

1. 直觉

1.1 单位方格去哪了

二维中， $A$ 的两列就是 $e_{1} = (1, 0)$ 、 $e_{2} = (0, 1)$ 的像。所以 $A$ 把单位正方形映成由两列张成的平行四边形，它的有向面积就是 $det A$ 。

页首的图就是这一步：面积从 1 变成 $∣ det A ∣$ 。

1.2 符号从哪来

面积非负，但 $det$ 可正可负。负号记录的是定向（orientation）：

$det > 0$ ： $A e_{1}$ 到 $A e_{2}$ 仍是逆时针，定向保持；
$det < 0$ ：顺序反过来，定向翻转（像照镜子）； $det = 0$ 时两条边共线，面积 0。

💡 一句话直觉： $det$ 是「把单位体积放大几倍、有没有翻面」的完整记录。

类比边界：这里的「体积」是 $n$ 维欧氏体积。换一种范数或换一组非标准基，数值会变；但「是否为 0」不变。

1.3 它在现实世界里对应什么

在 3D 资产管线里，行列式可以写成一句工具文档：「这个变换把 1 m³ 变成多大的平行六面体，以及有没有照镜子。」

数学对象	资产管线里的对应物
$det A$	体积缩放倍率，带定向
$∣ det A ∣$	质量、浮力、碰撞体体积的乘数
$sign (det A)$	是否镜像：法线朝里还是朝外
$det A = 0$	所有顶点被压到同一平面，导入器应拒绝

量级：一个 $2 \times 2$ 变换 $A = [2 0.6 0.5 2]$ ， $det A = 2 \times 2 - 0.5 \times 0.6 = 3.7$ ——1 m² 的贴图被放大到 3.7 m²。三维里 $diag (1.5, 1.5, 1.5)$ 的 $det = 3.375$ ，1 m³ 的碰撞盒变 3.375 m³，质量从 317 kg 变 1069 kg。行列式就是体积的汇率：乘一次就知道换到新空间要乘几。

这个对应在哪里失效：它假设变换是线性的、刚性的。带蒙皮的角色是逐点非线性的，每根骨骼的局部 $det$ 各不相同，单个 $det$ 只是近似。另外 $det$ 依赖单位——把长度单位从 m 换成 cm， $det$ 要乘 $1 0^{6}$ ，只有「是否为 0」和符号不变。

2. 定义

2.1 二阶行列式

对 $A = [a c b d]$ ，定义 $det A = a d - b c$ ：主对角线乘积减副对角线乘积。它也是两列 $(a, c)$ 、 $(b, d)$ 的二维叉积。

2.2 三阶与 $n$ 阶

对 $3 \times 3$ 矩阵，沿第一行展开：

det A = a_{11} (a_{22} a_{33} - a_{23} a_{32}) - a_{12} (a_{21} a_{33} - a_{23} a_{31}) + a_{13} (a_{21} a_{32} - a_{22} a_{31}) .

三个 $2 \times 2$ 行列式分别是删掉该元素所在行、列后的「余子式（minor）」，符号按 $+ - + -$ 交替。 $n$ 阶用同样的递归方式定义，完整规则见 5.2。

2.3 几何定义

设 $Ω \subset R^{n}$ 可测， $A$ 为 $n \times n$ 矩阵，则 $Vol (A Ω) = ∣ det A ∣ \cdot Vol (Ω)$ 。也就是说： $A$ 把每个区域的体积统一放大 $∣ det A ∣$ 倍。线性变换在每个点处的局部缩放相同，所以整体也相同。

把 $A$ 的 $n$ 个列向量看成平行多面体的 $n$ 条棱，其有向体积就是 $det A$ ，普通体积是 $∣ det A ∣$ 。有向体积的严格定义见 Spivak。

3. 为什么这样定义

我们想要一个数，同时回答：体积放大了几倍？空间有没有被压扁？定向有没有翻转？

范数做不到： $∥ A ∥_{F}$ 大不代表体积大，也不告诉你是否奇异。秩只告诉你「压扁了没有」，不告诉你「放大几倍」。

行列式是满足下面三条的最简函数，而且被这三条唯一确定：

对每一行（或每一列）线性；
两行相同则值为 0（等价于交换两行变号）；
$det I = 1$ 。

这三条正是「有向体积」必须满足的：单位立方体体积为 1，棱向量翻倍则体积翻倍，两条棱重合则体积为 0。这三条也是 Horn & Johnson 第 0 章讨论行列式的起点；5.2 会从这里推出全部计算规则。

3.1 反事实：把「对角线乘积」当行列式会坏在哪

一个很省事的定义是 $det^{'} A = a_{11} a_{22} \dots a_{nn}$ 。它对对角阵、三角阵都正确，很容易通过单元测试。取 90° 旋转

R = [01 - 1 0], det' R = 0 \times 0 = 0.

旋转把单位正方形转成单位正方形，面积仍是 1，而且 $R^{- 1} = R^{⊤}$ 确实存在。按 $det^{'}$ 的判据，这个可逆变换会被判成「把平面压扁了」。

再看奇异矩阵 $M = [1224]$ ：两列共线， $det M = 0$ ，平面被压成一条直线；而 $det^{'} M = 1 \times 4 = 4$ ，它被判成可逆。于是你会为一个没有唯一解的方程算出一组坐标。

更根本的是， $det^{'}$ 不满足定义里的任何一条好性质：它不满足多线性（把第一行写成两行之和，乘积不会相应拆开），也不满足「两行相同则为 0」。所以它既不能当体积，也不能当可逆性判据——只是在对角阵上碰巧正确。

4. 性质与推导

4.1 $2 \times 2$ 的面积公式从哪来

设两列 $u = (a, c)$ 、 $v = (b, d)$ 。平行四边形面积 = 底 × 高，于是

area^{2} = ∥ u ∥^{2} ∥ v ∥^{2} - (u^{⊤} v)^{2} = (a^{2} + c^{2}) (b^{2} + d^{2}) - (ab + c d)^{2} = (a d - b c)^{2} .

所以 $area = ∣ a d - b c ∣ = ∣ det A ∣$ 。取绝对值是因为面积非负； $det$ 的符号被丢掉了。

4.2 几种基本变换的 $det$

变换	矩阵	$det$	几何效果
旋转（rotation） $θ$	$[cos θ sin θ - sin θ cos θ]$	1	保面积、保定向
关于 $x$ 轴反射（reflection）	$diag (1, - 1)$	$- 1$	保面积、翻定向
缩放（scaling）	$diag (s, t)$	$s t$	面积乘 $s t$
剪切（shear）	$[10 k 1]$	1	保面积、形状变斜
投影到 $x$ 轴	$diag (1, 0)$	0	压成一条线

旋转的 $det$ ： $cos^{2} θ + sin^{2} θ = 1$ 。剪切保面积，是因为它把正方形推成同底等高的平行四边形。

4.3 $det = 0$ 就是降维

$det A = 0 ⟺ A$ 的列线性相关 $⟺ \exists z \neq = 0, A z = 0 ⟺ dim im (A) < n$ 。几何上，至少有一个方向被压没了， $n$ 维体积变成 0。这也是 5.3 中「 $det \neq = 0 ⟺$ 可逆」的来源。

5. 例子

5.1 手算：一个 $2 \times 2$ 矩阵

取 $A = [3112]$ ，则 $det A = 3 \times 2 - 1 \times 1 = 5$ 。

单位正方形的四个顶点 $(0, 0)$ 、 $(1, 0)$ 、 $(0, 1)$ 、 $(1, 1)$ 被映到 $(0, 0)$ 、 $(3, 1)$ 、 $(1, 2)$ 、 $(4, 3)$ 。按顺序围成平行四边形，用鞋带公式：

2 \cdot area = (0 \times 1 - 3 \times 0) + (3 \times 3 - 4 \times 1) + (4 \times 2 - 1 \times 3) + (1 \times 0 - 0 \times 2) = 10,

所以 $area = 5 = det A$ 。也可以直接算两列的二维叉积： $3 \times 2 - 1 \times 1 = 5$ 。

5.2 手算：三种变换

剪切 $S = [1021]$ ： $det = 1$ 。单位正方形变成顶点 $(0, 0), (1, 0), (3, 1), (2, 1)$ 的平行四边形，底 1、高 1，面积仍为 1。
缩放 $D = diag (2, 3)$ ： $det = 6$ ，面积变 6 倍。
反射 $F = diag (1, - 1)$ ： $det = - 1$ 。面积不变，但 $(1, 0) \mapsto (1, 0)$ 、 $(0, 1) \mapsto (0, - 1)$ ，逆时针变顺时针。

奇异矩阵 $G = [1224]$ ： $det = 1 \times 4 - 2 \times 2 = 0$ 。两列共线，单位正方形被压到直线 $y = 2 x$ 上，面积 0。

5.3 场景：数据云的面积

$1 0^{6}$ 个点均匀落在单位圆盘（面积 $π$ ）。经线性层 $W = [20 1 1.5]$ 变换后，点云落在椭圆里，面积是 $3 π$ 。

若原密度是 $p_{Z} (z) = 1/ π$ （圆盘内），则数据空间密度是 $p_{X} (x) = p_{Z} (W^{- 1} x) /∣ det W ∣ = 1/ (3 π)$ 。不除以 3，密度积分为 3，就不是概率分布。5.4 会把它推广到非线性的 $W$ 。

5.4 场景闭环：一次资产导入的体积检查

输入：一个 12 万个三角形的角色，绑定盒 1.80 m × 0.55 m × 0.32 m，体积 0.3168 m³；导入变换 $M = diag (1.5, 1.5, - 1.5)$ （镜像再放大）。矩阵只有 9 个数。

计算：用 §2.2 的三阶展开，9 次乘法、6 次加减： $det M = 1.5 \times 1.5 \times (- 1.5) = - 3.375$ ， $∣ det M ∣ = 3.375$ 。碰撞体体积 $0.3168 \times 3.375 = 1.0692$ m³，按 1000 kg/m³ 得 1069 kg。

输出：导入器写下两条元数据—— $det < 0$ ，所以翻转法线、修正切空间手性；质量用 $∣ det ∣$ ，1069 kg。渲染和物理各取一个数，谁都不用猜另一个。

成本：一次 $3 \times 3$ 行列式 9 次乘法、6 次加减，纳秒级；贵的是判定之后的重算——12 万个三角形的法线重算约 $1.2 \times 1 0^{5}$ 次叉积，单核几毫秒。用 9 次乘法拦住一次「全模型法线翻错」的返工，是这条管线里性价比最高的一步。

失败条件：

用了对角线乘积： $M$ 是对角阵，这次碰巧算对。换成带旋转的绑定矩阵（对角元出现 0、而矩阵仍可逆），对角线乘积会把可逆变换判成奇异，模型被拒绝导入。兜底：单元测试里放一个 90° 旋转。
漏掉绝对值：质量变成 $- 1069$ kg，求解器把角色往下拽。兜底：质量入口断言 $m > 0$ 。
非均匀缩放加蒙皮：每根骨骼矩阵的局部 $det$ 不同，单个常数只是近似。兜底：逐骨骼取 $∣ det ∣$ ，并在蒙皮前做体积归一化。

6. 常见误区

误区： $det$ 就是面积。纠正： $det$ 是面积缩放倍率，而且带符号。单位正方形变换后的面积是 $∣ det A ∣$ ，不是 $det A$ 。
误区： $∣ det ∣$ 大说明矩阵「大」或「病态」。纠正： $det$ 依赖尺度。 $diag (100, 0.01)$ 的 $det = 1$ ，条件数（condition number）却是 $1 0^{4}$ ； $0.1 I_{100}$ 的 $det = 1 0^{- 100}$ ，条件数是 1。
误区： $det = 0$ 说明矩阵元素都很小。纠正： $[1224]$ 元素不小， $det = 0$ ，因为两列共线。 $det = 0$ 的本质是降维。

7. 概念网络

前置：3.3 矩阵乘法 —— 矩阵首先是映射， $det$ 描述它如何改变体积。
后续：5.2 行列式的性质与计算 —— 从三条公理推出高效算法。
后续：5.3 逆、Cramer 法则与伴随矩阵 —— $det \neq = 0$ 是可逆的判据。
后续：5.4 行列式与 Jacobian —— 非线性映射的局部体积缩放。
关联：1.3 点积 —— 4.1 的面积推导用到点积。
关联：1.7 叉积 —— 二维叉积就是 $2 \times 2$ 行列式。
关联：6.2 特征多项式 —— $det$ 等于特征值之积，迹等于特征值之和。

8. 通往大模型：概率密度为什么要乘 $∣ det J ∣$

出现位置：变量替换（change of variables）与归一化流（normalizing flow，Rezende & Mohamed）。当 $x = f (z)$ 可逆时，密度不能简单搬移，而要按体积变化修正：

p_{X} (x) = \frac{p _{Z} ( z )}{∣ det J _{f} ( z ) ∣}, z = f^{- 1} (x), lo g p_{X} (x) = lo g p_{Z} (z) - lo g ∣ det J_{f} (z) ∣.

形状： $z \in R^{D}$ ， $f : R^{D} \to R^{D}$ ，Jacobian $J_{f} = \partial f / \partial z \in R^{D \times D}$ ， $det J_{f}$ 是一个标量。 $D = 2$ 时就是第 5.3 节那个 3； $D = 512$ 时它可能小到 $1 0^{- 200}$ 。

为什么需要：生成模型要在数据空间算似然，而似然对「体积怎么被拉伸」极其敏感。少了这个因子，密度积分不等于 1，最大似然目标就是错的。

数值坑：直接算 $det$ 再取对数，在 $D$ 大时几乎必然上溢或下溢。 $0. 1^{1000}$ 在 float64 里直接变成 0， $lo g$ 得到 $- \infty$ 。正确做法是用 np.linalg.slogdet，或对 LU 分解的对角元取对数再求和： $lo g ∣ det A ∣ = \sum_{i} lo g ∣ u_{ii} ∣$ 。

算错时下游看到什么：密度不再归一化—— $\int p_{X}$ 会等于 $∣ det W ∣$ 或 $1/∣ det W ∣$ ，而不是 1。在 flow 里，训练目标会稳定地偏好某一类体积缩放，评估时 NLL 和真实样本质量对不上。更直接的是数值故障： $det$ 下溢成 0， $lo g$ 得到 $- \infty$ ，一次前向就让 loss 变成 NaN。

可检验结论：若 $W = diag (2, 3)$ ，潜空间单位正方形（概率质量 $1/4$ ）映射到面积 6 的长方形，数据密度应为潜密度的 $1/6$ ；对密度积分应回到 1。跑 lab05 的随机面积比实验可验证。

9. 练习

概念： $det A < 0$ 时， $A$ 对基向量做了什么？为什么说它「翻转了定向」？
计算： $A = [23 - 1 4]$ 。求 $det A$ 、单位正方形像的面积，以及点 $(1, 1)$ 的像。
计算： $B = diag (1, 2, 3)$ ，求 $det B$ 和单位立方体像的体积；再判断 $C = 120241361$ 是否奇异。
场景： $W = [01 - 2 0]$ 。单位圆盘经 $W$ 后面积是多少？定向翻转了吗？
开放：已知 $∣ det A ∣ = 1$ ，能否断定 $A$ 是旋转？举一个反例，并说明还需要什么信息才能刻画 $A$ 。

参考答案

两列的顺序从「逆时针」变成「顺时针」，例如 $(1, 0), (0, 1)$ 变成 $(1, 0), (0, - 1)$ 。有向面积由正变负；普通面积取绝对值，仍为正。
$det = 2 \times 4 - (- 1) \times 3 = 11$ ；面积 11；像 $A (1, 1) = (2 - 1, 3 + 4) = (1, 7)$ 。
$det B = 1 \times 2 \times 3 = 6$ ，单位立方体像的体积 6； $C$ 的第二行是第一行的 2 倍，三行线性相关， $det C = 0$ ，奇异。
$det W = 0 \times 0 - (- 2) \times 1 = 2$ ，面积变为 $2 π$ ； $det > 0$ ，定向不变（ $W$ 是旋转 $9 0^{\circ}$ 再拉伸 2 倍）。
不能。剪切 $[1011]$ 的 $det = 1$ ，保面积但不是旋转。还需要 $A^{⊤} A = I$ 且 $det A = 1$ （或奇异值全为 1 且行列式为正）。

10. 一页速记

$det$ 是有向体积的缩放倍率：体积乘 $∣ det ∣$ ，定向看符号。
物理意义 / 现实对应： $det$ 是体积的汇率；1 m³ 的模型过 $M$ 后是 $∣ det M ∣$ m³，符号告诉你有没有照镜子。
$2 \times 2$ ： $det [a c b d] = a d - b c$ ，等于两列的二维叉积。
$det = 0 ⟺$ 列线性相关 $⟺$ 降维 $⟺$ 不可逆。
旋转 $det = 1$ ，反射 $det = - 1$ ，缩放 $diag (s, t)$ 的 $det = s t$ ，剪切 $det = 1$ 。
变量替换除以 $∣ det J ∣$ ；高维用 $lo g ∣ det ∣$ ，别直接连乘。

11. 参考文献与致谢

这一页的知识不是凭空来的。下面列出本页直接借用的原始工作与权威整理；正文中的人名、定理名已链接到对应条目。链接优先指向 DOI、arXiv 或可长期访问的原文存档。

Horn & Johnson（Roger A. Horn & Charles R. Johnson, 2012）：Matrix Analysis（2nd ed.）。第 0 章系统整理了行列式的多线性与交错性、 $det A = 0 ⟺ A$ 不可逆以及 $det (A B) = det A det B$ ，是本页第 3 节与第 4.3 节所用结论的标准出处。Cambridge University Press
Spivak（Michael Spivak, 1965）：Calculus on Manifolds。用 $det$ 定义平行多面体的有向体积，把「绝对值管大小、符号管定向」写成可证明的命题；本页第 1.2 节与第 2.3 节的几何语言据此展开。CRC Press 重印
Rezende & Mohamed（Danilo Jimenez Rezende & Shakir Mohamed, 2015）：Variational Inference with Normalizing Flows。归一化流用 $p_{X} (x) = p_{Z} (z) /∣ det J_{f} (z) ∣$ 把密度搬到数据空间，本页第 8 节那条密度公式就出自这里。arXiv:1505.05770

下一篇 → 5.2 行列式的性质与计算

返回 M05 导览去练习场

随堂测 · 4 题

数值难度 1第 1 / 4 题

A = [3112]

，求

det A

。

没思路？看原文

源文件：05-行列式/01-行列式几何.md