0基础动手学深度学习-李沐-ML-矩阵计算

亚导数:

​ 将导数拓展到不可导的函数,即在不可导点补充导数在一个范围内

请添加图片描述
请添加图片描述

标量对向量求导(梯度):

​ 对向量求导时,结果向量与被导向量形状互为转置,一个标量对行向量求导,得到的是一个列向量

在这里插入图片描述

向量对标量求导数:

​ 只需要将向量的每个分量对标量求导即可

向量对向量求导数:

​ 先把x看作标量,对y向量求导,所得为一个列向量,由于x是列向量,之后对x向量求导,得到一个矩阵。

在这里插入图片描述

矩阵求导与分子布局、分母布局:

函数:function(inputs)的九种类型
function\input标量变元向量变元矩阵变元
实值标量函数 f ( x ) f(x) f(x) f ( f( f(x ) ) ) f ( f( f(X ) ) )
实向量函数f ( x ) (x) (x)f ( ( (x ) ) )f ( ( (X ) ) )
实矩阵函数F ( ( (x ) ) )F ( ( (x ) ) )F ( ( (X ) ) )
例1:

在这里插入图片描述

例2:

在这里插入图片描述

例3:

在这里插入图片描述

例4:

在这里插入图片描述

例5:

在这里插入图片描述

例6:

在这里插入图片描述

例7:

在这里插入图片描述

例8:

在这里插入图片描述

例9:

在这里插入图片描述

矩阵求导:
本质:

​ function中的每一个 f f f分别对变元中的每个元素逐个求偏导,并将其写成向量、矩阵形式

例:

在这里插入图片描述

在这里插入图片描述

若function中有m个 f f f,变元中有n个元素,每个 f f f对变元中的每个元素逐个求偏导后,就产生了m x n个结果,至于写成列向量或是行向量则是要看需要分子布局还是分母布局。

分子布局:分子是列向量形式,分母是行向量形式

在这里插入图片描述

分母布局:分母是列向量形式,分子是行向量形式

在这里插入图片描述

向量对向量求导数的实例:

在这里插入图片描述

​ 理解:这里的x是一个单位向量(每一个元素都是x),其中第一行的最后一个xTA,偏导计算无关行列空间属性,因此对y进行转置后再进行计算。

在这里插入图片描述

矩阵对标量求导:

​ 矩阵的每个元素对标量求导

标量对矩阵求导:

​ 依次对矩阵的每个元素求偏导数,注意结果矩阵的形状与求导矩阵的形状互为转置(分子布局)

矩阵对向量求导:

​ 将矩阵将矩阵依次对每个分量求导即可;若矩阵是 n ∗ m n*m nm对 L维列向量求导,则得到一个n*m*L的张量

向量对矩阵求导:

​ 每个分量对矩阵进行求导,就转换为标量对矩阵进行求导,一个 L维列向量对一个 n ∗ m n*m nm的矩阵求导得到的是一个L*m*n的张量

矩阵对矩阵求导:

​ 第一个矩阵的每个元素对第二个矩阵进行求导,就转换为标量对矩阵进行求导,一个L维列向量对一个n*m的矩阵求导得到的是一个 L ∗ m ∗ n L*m*n Lmn的张量

矩阵对矩阵求导:

​ 第一个矩阵的每个元素对第二个矩阵进行求导

李老师动手学深度学习视频课上均为分子布局

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值