什么是齐次方程？ https://blog.csdn.net/shimly123456/article/details/136198159

行列式和是否有解的关系？ https://blog.csdn.net/shimly123456/article/details/136198215

---

特征值和特征向量 参考视频：https://www.bilibili.com/video/BV1vY4y1J7gd/?spm_id_from=333.337.search-card.all.click&vd_source=7a1a0bc74158c6993c7355c5490fc600

把矩阵 A 作为一个对向量的映射，x1 矢量在经过 A 映射后变换了方向，x2 经过 A 映射后保持原来的方式，只是长度发生了变化 (长度变换可以是负数，也就是 x2 方向变相反了也不影响)。像 x1 这种向量就不是 矩阵A 的特征向量；x2 这种向量就是矩阵 A 的特征向量

由于 矩阵A 对特征向量 x2 只起到了伸缩作用，那么就可以写下式子 (lamda 是一个常数、标量)
Ax2 = (lamda) * x2

在这里，(lamda) 就是特征值，x2 就是特征向量

所以，特征向量的严格定义就是：只要一个向量 x2 可以写成 Ax2 = (lamda) * x2。那么 lamda 就是矩阵 A 的特征值，x2 就是矩阵 A 的特征向量

---

一个矩阵可以有多个特征值和特征向量，如下图为例：

图片可以经过线性变化（或者说，矩阵乘法）进行翻转，只要把图片上的每一个像素点视为一个矢量，然后让它们乘以翻转矩阵即可。

在这里，经过翻转矩阵映射后，图片左右翻转了，每一个像素点(即，矢量) 在纵轴上的方向没有变化，所以有纵特征向量 x1，在横轴上的方向变反了，所以有横特征向量 x2。x1 和 x2 的特征值分别是 1 和 -1

---

接下来，我们看看特征值和特征向量的严格数学计算

如果看不懂，可以再看一遍参考视频，也就 6min，不长