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
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:
;多元微积分中的梯度(标量对向量的导数)也与微分有联系:
,这里第一个等号是全微分公式,第二个等号表达了梯度
与微分的联系;受此启发,我们将矩阵导数与微分建立联系:
,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,
,即
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,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:
;矩阵乘法:
;转置:
;迹:
。
- 逆:
。此式可在
两侧求微分来证明。
- 行列式:
,其中
表示X的伴随矩阵,在X可逆时又可以写作
。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:
,
表示尺寸相同的矩阵X,Y逐元素相乘。
- 逐元素函数:
,
是逐元素运算的标量函数。
<