在高等数学、线性代数及计算机图形学中，仿射函数（Affine Function）是一个基础且至关重要的概念。它不仅是线性变换的推广，更是连接几何直观与代数运算的桥梁。
其中 A 为线性变换矩阵，b 为平移向量
设 V 和 W 是域 K 上的向量空间。一个映射 f: V → W 被称为仿射函数，如果存在一个线性映射 L: V → W 和一个向量 b ∈ W，使得对于所有 x ∈ V，都有：
f(x) = L(x) + b
这里，L(x) 代表线性部分，b 代表常数偏移量（平移）。
从几何角度来看，仿射函数是保持仿射结构的映射。这意味着：
另一种等价的定义方式是基于仿射组合（Affine Combination）。如果 f 保持任意点的仿射组合不变，即：
f(∑ α_i x_i) = ∑ α_i f(x_i), 其中 ∑ α_i = 1
则 f 是仿射函数。
很多初学者容易混淆仿射函数与线性函数。虽然两者密切相关，但在严格的数学定义下，它们有本质区别。以下是详细的对比分析：
| 特征 | 线性函数 (Linear Function) | 仿射函数 (Affine Function) |
|---|---|---|
| 数学表达式 | f(x) = Ax | f(x) = Ax + b |
| 原点映射 | 必须经过原点 (f(0) = 0) | 不一定经过原点 (f(0) = b) |
| 叠加性 | f(x + y) = f(x) + f(y) | f(x + y) = f(x) + f(y) - b |
| 齐次性 | f(cx) = c f(x) | f(cx) = c f(x) + (1-c)b |
| 几何意义 | 过原点的子空间映射 | 子空间映射 + 平移 |
| 包含关系 | 线性函数是仿射函数的特例 (当 b=0 时) | 仿射函数是更广泛的概念 |
判断一个函数是否为仿射函数，最简单的方法是看它的图像是否是一条“不过原点的直线”（在一维情况下）或一个“不过原点的平面”（在二维情况下）。如果图像平行于通过原点的线性映射图像，则它是仿射的。
仿射函数最重要的几何性质之一是保持平行性。如果两条直线在定义域中是平行的，那么它们在值域中的像也是平行的（或重合为一点）。
设 f(x) = 2x + 1。考虑两条平行直线 y = x 和 y = x + 5。
两条像直线的斜率相同，因此它们仍然平行。
虽然一般的仿射函数不保持距离（除非 A 是正交矩阵且 b=0），但它保持线段的比例。
设点 A, B, C 共线，且 B 是 AC 的中点，即 B = (A+C)/2。
应用仿射函数 f(x) = Ax + b：
f(B) = f((A+C)/2) = A((A+C)/2) + b = (1/2)(Ax + b) + (1/2)(Ax + b) = (1/2)f(A) + (1/2)f(C)
这表明 f(B) 仍然是 f(A) 和 f(C) 的中点。因此，仿射函数保持了共线点的相对位置比率。
仿射函数将仿射包映射为仿射包。一个集合的仿射包是包含该集合的最小仿射子空间。
想象一张无限延展的纸（平面），它是二维仿射空间。如果你在纸上画一个三角形，这个三角形的仿射包就是这张纸本身（如果三角形不退化为线段或点）。仿射函数可以将这张纸弯曲、拉伸或平移，但不会把它“折叠”成非平面的形状，也不会把平面变成曲线。
仿射函数不仅仅是理论数学的概念，它在现代科技中有着广泛的应用。以下是几个主要领域：
在3D渲染中，物体的平移、旋转和缩放都可以用仿射变换矩阵表示。通过齐次坐标，这些操作可以统一为矩阵乘法，极大提高了计算效率。
在线性回归中，模型 y = wx + b 实际上就是一个仿射函数。虽然常被称为线性模型，但严格来说，由于存在偏置项 b，它是仿射的。支持向量机 (SVM) 和神经网络中的全连接层也广泛使用仿射变换。
在投入产出分析中，仿射函数用于描述生产函数，其中既包含线性规模效应，也包含固定成本（平移项）。
地图投影往往涉及复杂的仿射变换，用于将地球表面的坐标转换为平面地图坐标，同时保持局部几何特征的准确性。
勒内·笛卡尔创立了解析几何，为后来用代数方法研究几何变换奠定了基础。虽然当时没有明确的仿射概念，但直线方程 y = mx + c 的形式已经隐含了仿射思想。
奥古斯特·费迪南德·莫比乌斯在研究重心坐标时，引入了仿射组合的概念。他区分了线性依赖和仿射依赖，这是仿射几何形成的关键一步。
朱塞佩·皮亚诺和大卫·希尔伯特等人将仿射几何公理化，使其成为独立于射影几何和欧几里得几何的分支。他们定义了仿射空间的结构，即一个平移向量空间作用于一个点集。
随着计算机图形学和机器学习的发展，仿射函数和仿射变换成为核心工具。齐次坐标的引入使得仿射变换可以用统一的矩阵形式处理，极大地推动了算法的实现。
以下是网友们搜索最多的关于仿射函数的问题及其深度解答：
仿射函数（Affine Function）是线性函数和平移变换的组合。其标准定义形式为 f(x) = Ax + b，其中 A 是一个线性变换矩阵，b 是一个平移向量。如果 b 为零向量，则退化为线性函数。它保持了直线的平行性和线段的比例。
主要区别在于是否经过原点。线性函数必须满足 f(x+y)=f(x)+f(y) 和 f(cx)=cf(x)，且必然经过原点 (0,0)。仿射函数允许存在常数项（平移），因此不一定经过原点，它保持了直线的平行性和线段的比例，但不一定保持原点不变。
在计算机图形学中，仿射变换用于实现图形的平移、旋转、缩放和错切。通过使用齐次坐标，可以将这些变换统一表示为矩阵乘法，从而高效地处理2D和3D模型的几何变换。
仿射空间是一个点集，其中的点可以通过一个向量空间（称为平移空间）进行平移。它没有原点，也没有内积结构，但保留了直线的概念和平行性。线性空间是仿射空间的一种特殊情况，即指定了原点的仿射空间。
判断方法有三：1) 检查表达式是否为 f(x) = Ax + b 的形式；2) 验证 f(x+y) - f(x) - f(y) + f(0) = 0；3) 验证它将直线映射为直线，并保持平行性。
通过对仿射函数的深入探讨，我们可以看出，它不仅是线性代数的自然延伸，更是连接纯数学与应用科学的桥梁。从严格的代数定义到几何直观，从历史演变到现代应用，仿射函数展现了数学结构的优雅与强大。
理解仿射函数，关键在于掌握其“线性+平移”的本质，以及它在保持几何结构（如平行性、共线性）方面的独特能力。无论是在学术研究还是工程实践中，仿射函数都是一个不可或缺的基础工具。