矩阵求导术（上）

最新推荐文章于 2023-11-13 21:18:27 发布

LianYueBiao

最新推荐文章于 2023-11-13 21:18:27 发布

阅读量3k

点赞数 6

分类专栏：深度学习

本文链接：https://blog.csdn.net/alvinlyb/article/details/78931034

版权

原文链接：https://zhuanlan.zhihu.com/p/24709748

矩阵求导的技术，在统计学、控制论、机器学习等领域有广泛的应用。鉴于我看过的一些资料或言之不详、或繁乱无绪，本文来做个科普，分作两篇，上篇讲标量对矩阵的求导术，下篇讲矩阵对矩阵的求导术。本文使用小写字母x表示标量，粗体小写字母 $\boldsymbol{x}$ 表示向量，大写字母X表示矩阵。

首先来琢磨一下定义，标量f对矩阵X的导数，定义为 $\frac{\partial f}{\partial X} = \left[\frac{\partial f }{\partial X_{ij}}\right]$ ，即f对X逐元素求导排成与X尺寸相同的矩阵。然而，这个定义在计算中并不好用，实用上的原因是在对较复杂的函数难以逐元素求导；哲理上的原因是逐元素求导破坏了整体性。试想，为何要将f看做矩阵X而不是各元素 $X_{ij}$ 的函数呢？答案是用矩阵运算更整洁。所以在求导时不宜拆开矩阵，而是要找一个从整体出发的算法。为此，我们来回顾，一元微积分中的导数（标量对标量的导数）与微分有联系： df = f'(x)dx ；多元微积分中的梯度（标量对向量的导数）也与微分有联系： $df = \sum_{i} \frac{\partial f}{\partial x_i}dx_i = \frac{\partial f}{\partial \boldsymbol{x}}^T d\boldsymbol{x}$ ，这里第一个等号是全微分公式，第二个等号表达了梯度 $\frac{\partial f}{\partial \boldsymbol{x}}$ 与微分的联系；受此启发，我们将矩阵导数与微分建立联系： $df = \sum_{i,j} \frac{\partial f}{\partial X_{ij}}dX_{ij} = \text{tr}\left(\frac{\partial f}{\partial X}^T dX\right)$ ，这里tr代表迹(trace)是方阵对角线元素之和，满足性质：对尺寸相同的矩阵A,B， $\text{tr}(A^TB) = \sum_{i,j}A_{ij}B_{ij}$ ，即 $\text{tr}(A^TB)$ 是矩阵A,B的内积，因此上式与原定义相容。

然后来建立运算法则。回想遇到较复杂的一元函数如 $f = \log(2+\sin x)e^{\sqrt{x}}$ ，我们是如何求导的呢？通常不是从定义开始求极限，而是先建立了初等函数求导和四则运算、复合等法则，再来运用这些法则。故而，我们来创立常用的矩阵微分的运算法则：

加减法： $d(X\pm Y) = dX \pm dY$ ；矩阵乘法：；转置：；迹： $d\text{tr}(X) = \text{tr}(dX)$ 。
逆： $dX^{-1} = -X^{-1}dX X^{-1}$ 。此式可在 $XX^{-1}=I$ 两侧求微分来证明。
行列式： $d|X| = \text{tr}(X^{\#}dX)$ ，其中 $X^{\#}$ 表示X的伴随矩阵，在X可逆时又可以写作 $d|X|= |X|\text{tr}(X^{-1}dX)$ 。此式可用Laplace展开来证明，详见张贤达《矩阵分析与应用》第279页。
逐元素乘法： $d(X\odot Y) = dX\odot Y + X\odot dY$ ， $\odot$ 表示尺寸相同的矩阵X,Y逐元素相乘。
逐元素函数： $d\sigma(X) = \sigma'(X)\odot dX$ ， $\sigma(X) = \left[\sigma(X_{ij})\right]$ 是逐元素运算的标量函数。

最低0.47元/天解锁文章

LianYueBiao

关注

6
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
矩阵求导术（上）

原文链接：https://zhuanlan.zhihu.com/p/24709748矩阵求导的技术，在统计学、控制论、机器学习等领域有广泛的应用。鉴于我看过的一些资料或言之不详、或繁乱无绪，本文来做个科普，分作两篇，上篇讲标量对矩阵的求导术，下篇讲矩阵对矩阵的求导术。本文使用小写字母x表示标量，粗体小写字母表示向量，大写字母X表示矩阵。首先来琢磨一下定义，标量f对矩阵X的导数，定义为，即f对
复制链接

扫一扫