矩阵求导术（下）

点击上方“Datawhale”，选择“星标”公众号

第一时间获取价值内容

本文承接上篇 https://zhuanlan.zhihu.com/p/24709748，来讲矩阵对矩阵的求导术。使用小写字母x表示标量，粗体小写字母  表示列向量，大写字母X表示矩阵。矩阵对矩阵的求导采用了向量化的思路，常应用于二阶方法求解优化问题。

首先来琢磨一下定义。矩阵对矩阵的导数，需要什么样的定义？第一，矩阵 对矩阵 的导数应包含所有mnpq个偏导数 ，从而不损失信息；第二，导数与微分有简明的联系，因为在计算导数和应用中需要这个联系；第三，导数有简明的从整体出发的算法。我们先定义向量 对向量 的导数 ；再定义矩阵的（按列优先）向量化，并定义矩阵F对矩阵X的导数。导数与微分有联系。几点说明如下：

1. 按此定义，标量 对矩阵 的导数 是 向量，与上篇的定义不兼容，不过二者容易相互转换。为避免混淆，用记号 表示上篇定义的 矩阵，则有 。虽然本篇的技术可以用于标量对矩阵求导这种特殊情况，但使用上篇中的技术更方便。读者可以通过上篇中的算例试验两种方法的等价转换。

2. 标量对矩阵的二阶导数，又称Hessian矩阵，定义为，是对称矩阵。对向量 或矩阵 求导都可以得到Hessian矩阵，但从矩阵  f出发更方便。

3. ，求导时矩阵被向量化，弊端是这在一定程度破坏了矩阵的结构，会导致结果变得形式复杂；好处是多元微积分中关于梯度、Hessian矩阵的结论可以沿用过来，只需将矩阵向量化。例如优化问题中，牛顿法的更新 ，满足。

4. 在资料中，矩阵对矩阵的导数还有其它定义，比如，它能兼容上篇中的标量对矩阵导数的定义，但微分与导数的联系（dF等于 中每个 子块分别与dX做内积）不够简明，不便于计算和应用。

然后来建立运算法则。仍然要利用导数与微分的联系，求微分的方法与上篇相同，而从微分得到导数需要一些向量化的技巧：

1. 线性： 。

2. 矩阵乘法：，其中 表示Kronecker积， 与 的Kronecker积是 。此式证明见张贤达《矩阵分析与应用》第107-108页。

3. 转置： ，A是 矩阵，其中 是交换矩阵(commutation matrix)。

4. 逐元素乘法：，其中 是用A的元素（按列优先）排成的对角阵。

观察一下可以断言，若矩阵函数F是矩阵X经加减乘法、行列式、逆、逐元素函数等运算构成，则使用相应的运算法则对F求微分，再做向量化并使用技巧将其它项交换至 左侧，即能得到导数。

再谈一谈复合：假设已求得 ，而Y是X的函数，如何求 呢？从导数与微分的联系入手， ，可以推出链式法则 。

和标量对矩阵的导数相比，矩阵对矩阵的导数形式更加复杂，从不同角度出发常会得到形式不同的结果。有一些Kronecker积和交换矩阵相关的恒等式，可用来做等价变形：

1. 。

2. 。

3. 。可以对 求导来证明，一方面，直接求导得到 ；另一方面，引入 ，有 ,  ，用链式法则得到 。

4. 。

5. ，A是m×n矩阵，B是p×q矩阵。可以对 做向量化来证明，一方面，；另一方面，。

接下来演示一些算例。

例1： ， 是 矩阵，求 。

解：先求微分： ，再做向量化，使用矩阵乘法的技巧，注意在dX右侧添加单位阵：，对照导数与微分的联系得到 。

特例：如果 退化为向量，   ，则根据向量的导数与微分的关系  ，得到   。

例2：  ， 是 矩阵，求 和 。

解：使用上篇中的技术可求得  。为求 ，先求微分： ，再做向量化，使用转置和矩阵乘法的技巧，对照导数与微分的联系，得到 ，注意它是对称矩阵。在X是对称矩阵时，可简化为 。

例3： ， 是 ， 是 ， 是 矩阵， 为逐元素函数，求 。

解：先求微分：，再做向量化，使用矩阵乘法的技巧：，再用逐元素乘法的技巧：，再用矩阵乘法的技巧：，对照导数与微分的联系得到。

例4【一元logistic回归】：。其中 是取值0或1的标量， , 是向量。

解：使用上篇中的技术可求得 ，其中 为sigmoid函数。为求 ，先求微分：  ，其中 为sigmoid函数的导数，对照导数与微分的联系，得到 。

推广：样本 ,  ,  ，，求 和 。有两种方法，方法一：先对每个样本求导，然后相加；方法二：定义矩阵 ，向量 ，将l写成矩阵形式，进而可以求得。

例5【多元logistic回归】：，求 和  。

解：上篇例3中已求得。为求 ，先求微分：定义 ，，这里需要化简去掉逐元素乘法，第一项中 ，第二项中，故有，其中 ，代入有，做向量化并使用矩阵乘法的技巧，得到。

最后做个总结。我们发展了从整体出发的矩阵求导的技术，导数与微分的联系是计算的枢纽，标量对矩阵的导数与微分的联系是 ，先对f求微分，再使用迹技巧可求得导数，特别地，标量对向量的导数与微分的联系是 ；矩阵对矩阵的导数与微分的联系是，先对F求微分，再使用向量化的技巧可求得导数，特别地，向量对向量的导数与微分的联系是 。

参考资料：

1. 张贤达. 矩阵分析与应用. 清华大学出版社有限公司, 2004.

2. Fackler, Paul L. "Notes on matrix calculus." North Carolina State University(2005).

3. Petersen, Kaare Brandt, and Michael Syskind Pedersen. "The matrix cookbook." Technical University of Denmark 7 (2008): 15.

4. HU, Pili. "Matrix Calculus: Derivation and Simple Application." (2012).