矩阵求导（一）

矩阵求导术（上）

转自知乎：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， $\text{tr}(A^TB) = \sum_{i,j}A_{ij}B_{ij}$，这用泛函分析的语言来说 $\text{tr}(A^TB)$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：$d(XY) = dX Y + X dY$；转置：$d(X^T) = (dX)^T$；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。

我们试图利用矩阵导数与微分的联系$df = \text{tr}\left(\frac{\partial f}{\partial X}^T dX\right)$，在求出左侧的微分df后，该如何写成右侧的形式并得到导数呢？这需要一些迹技巧(trace trick)：

标量套上迹：$a = \text{tr}(a)$。
转置：$\mathrm{tr}(A^T) = \mathrm{tr}(A)$。
线性：$\text{tr}(A\pm B) = \text{tr}(A)\pm \text{tr}(B)$。
矩阵乘法交换：$\text{tr}(AB) = \text{tr}(BA)$。两侧都等于$\sum_{i,j}A_{ij}B_{ji}$。
矩阵乘法/逐元素乘法交换：$\text{tr}(A^T(B\odot C)) = \text{tr}((A\odot B)^TC)$。两侧都等于$\sum_{i,j}A_{ij}B_{ij}C_{ij}$。

观察一下可以断言，若标量函数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，再使用迹技巧给df套上迹并将其它项交换至dX左侧，即能得到导数。
在建立法则的最后，来谈一谈复合：假设已求得$\frac{\partial f}{\partial Y}$，而Y是X的函数，如何求$\frac{\partial f}{\partial X}$呢？在微积分中有标量求导的链式法则$\frac{\partial f}{\partial x} = \frac{\partial f}{\partial y} \frac{\partial y}{\partial x}$，但这里我们不能沿用链式法则，因为矩阵对矩阵的导数$\frac{\partial Y}{\partial X}$截至目前仍是未定义的。于是我们继续追本溯源，链式法则是从何而来？源头仍然是微分。我们直接从微分入手建立复合法则：先写出$df = \text{tr}\left(\frac{\partial f}{\partial Y}^T dY\right)$，再将dY用dX表示出来代入，并使用迹技巧将其他项交换至dX左侧，即可得到$\frac{\partial f}{\partial X}$。

接下来演示一些算例。特别提醒要依据已经建立的运算法则来计算，不能随意套用微积分中标量导数的结论，比如认为AX对X的导数为A，这是没有根据、意义不明的。

例1：$f = \boldsymbol{a}^T X\boldsymbol{b}，求\frac{\partial f}{\partial X}$。

解：先使用矩阵乘法法则求微分：$df = \boldsymbol{a}^T dX\boldsymbol{b}$，再套上迹并做交换：$df = \text{tr}(\boldsymbol{a}^TdX\boldsymbol{b}) = \text{tr}(\boldsymbol{b}\boldsymbol{a}^TdX)$，对照导数与微分的联系，得到$\frac{\partial f}{\partial X} = \boldsymbol{a}\boldsymbol{b}^T$。

注意：这里不能用$\frac{\partial f}{\partial X} =\boldsymbol{a}^T \frac{\partial X}{\partial X}\boldsymbol{b}=?$，导数与乘常数矩阵的交换是不合法则的运算（而微分是合法的）。有些资料在计算矩阵导数时，会略过求微分这一步，这是逻辑上解释不通的。

例2【线性回归】：$l = \|X\boldsymbol{w}- \boldsymbol{y}\|^2$，求$\frac{\partial l}{\partial \boldsymbol{w}}$。

解：严格来说这是标量对向量的导数，不过可以把向量看做矩阵的特例。将向量范数写成$l = (X\boldsymbol{w}- \boldsymbol{y})^T(X\boldsymbol{w}- \boldsymbol{y})$，求微分，使用矩阵乘法、转置等法则：$dl = (Xd\boldsymbol{w})^T(X\boldsymbol{w}-\boldsymbol{y})+(X\boldsymbol{w}-\boldsymbol{y})^T(Xd\boldsymbol{w}) = 2(X\boldsymbol{w}-\boldsymbol{y})^TXd\boldsymbol{w}$。对照导数与微分的联系，得到$\frac{\partial l}{\partial \boldsymbol{w}}= 2X^T(X\boldsymbol{w}-\boldsymbol{y})$。

例3【多元logistic回归】：$l = -\boldsymbol{y}^T\log\text{softmax}(W\boldsymbol{x})，求\frac{\partial l}{\partial W}$。其中$\boldsymbol{y}$是除一个元素为1外其它元素为0的向量；$\text{softmax}(\boldsymbol{a}) = \frac{\exp(\boldsymbol{a})}{\boldsymbol{1}^T\exp(\boldsymbol{a})}$，其中$\exp(\boldsymbol{a})$表示逐元素求指数，$\boldsymbol{1}$代表全1向量。

解：首先将softmax函数代入并写成

$$l = -\boldsymbol{y}^T \left(\log (\exp(W\boldsymbol{x}))-\boldsymbol{1}\log(\boldsymbol{1}^T\exp(W\boldsymbol{x}))\right) = -\boldsymbol{y}^TW\boldsymbol{x} + \log(\boldsymbol{1}^T\exp(W\boldsymbol{x}))$$ 这里要注意向量除标量求逐元素log满足 $$\log(\boldsymbol{b}/c) = \log(\boldsymbol{b}) - \boldsymbol{1}\log(c)$$ 以及 $\boldsymbol{y}$满足 $\boldsymbol{y}^T \boldsymbol{1} = 1$。求微分，使用矩阵乘法、逐元素函数等法则： $$dl =- \boldsymbol{y}^TdW\boldsymbol{x}+\frac{\boldsymbol{1}^T\left(\exp(W\boldsymbol{x})\odot(dW\boldsymbol{x})\right)}{\boldsymbol{1}^T\exp(W\boldsymbol{x})}$$ 再套上迹并做交换，其中第二项的分子是 $$\text{tr}\left(\boldsymbol{1}^T\left(\exp(W\boldsymbol{x})\odot(dW\boldsymbol{x})\right)\right) = \text{tr}\left((\boldsymbol{1}\odot\exp(W\boldsymbol{x}))^TdW\boldsymbol{x}\right) = \text{tr}(\exp(W\boldsymbol{x})^TdW\boldsymbol{x})$$ ，故 $$dl = \text{tr}\left(-\boldsymbol{y}^TdW\boldsymbol{x}+\frac{\exp(W\boldsymbol{x})^TdW\boldsymbol{x}}{\boldsymbol{1}^T\exp(W\boldsymbol{x})}\right) =\text{tr}(\boldsymbol{x}(\text{softmax}(W\boldsymbol{x})-\boldsymbol{y})^TdW)$$ 。对照导数与微分的联系，得到 $\frac{\partial l}{\partial W}= (\text{softmax}(W\boldsymbol{x})-\boldsymbol{y})\boldsymbol{x}^T$。

另解：定义$\boldsymbol{a} = W\boldsymbol{x}$，则$l = -\boldsymbol{y}^T\log\text{softmax}(\boldsymbol{a})$，先如上求出$\frac{\partial l}{\partial \boldsymbol{a}} = \text{softmax}(\boldsymbol{a})-\boldsymbol{y}$，再利用复合法则：$dl = \text{tr}\left(\frac{\partial l}{\partial \boldsymbol{a}}^Td\boldsymbol{a}\right) = \text{tr}\left(\frac{\partial l}{\partial \boldsymbol{a}}^TdW \boldsymbol{x}\right) = \text{tr}\left(\boldsymbol{x}\frac{\partial l}{\partial \boldsymbol{a}}^TdW\right)$，得到$\frac{\partial l}{\partial W}= \frac{\partial l}{\partial\boldsymbol{a}}\boldsymbol{x}^T$。

例4【方差的最大似然估计】：样本$\boldsymbol{x}_1,\dots, \boldsymbol{x}_n\sim N(\boldsymbol{\mu}, \Sigma)$，其中$\Sigma$是对称正定矩阵，求方差$\Sigma$的最大似然估计。写成数学式是：$l = \log|\Sigma|+\frac{1}{n}\sum_{i=1}^n(\boldsymbol{x}_i-\boldsymbol{\bar{x}})^T\Sigma^{-1}(\boldsymbol{x}_i-\boldsymbol{\bar{x}})$，求$\frac{\partial l }{\partial \Sigma}$的零点。

解：首先求微分，使用矩阵乘法、行列式、逆等运算法则，第一项是$d\log|\Sigma| = |\Sigma|^{-1}d|\Sigma| = \text{tr}(\Sigma^{-1}d\Sigma)$，第二项是$\frac{1}{n}\sum_{i=1}^n(\boldsymbol{x}_i-\boldsymbol{\bar{x}})^Td\Sigma^{-1}(\boldsymbol{x}_i-\boldsymbol{\bar{x}}) = -\frac{1}{n}\sum_{i=1}^n(\boldsymbol{x}_i-\boldsymbol{\bar{x}})^T\Sigma^{-1}d\Sigma\Sigma^{-1}(\boldsymbol{x}_i-\boldsymbol{\bar{x}})$。再给第二项套上迹做交换：$dl = \text{tr}\left(\left(\Sigma^{-1}-\Sigma^{-1}S_n\Sigma^{-1}\right)d\Sigma\right)$，其中$S_n := \frac{1}{n}\sum_{i=1}^n(\boldsymbol{x}_i-\boldsymbol{\bar{x}})(\boldsymbol{x}_i-\boldsymbol{\bar{x}})^T$定义为样本方差。对照导数与微分的联系，有$\frac{\partial l }{\partial \Sigma}=(\Sigma^{-1}-\Sigma^{-1}S_n\Sigma^{-1})^T$，其零点即$\Sigma$的最大似然估计为$\Sigma = S_n$。

最后一例留给经典的神经网络。神经网络的求导术是学术史上的重要成果，还有个专门的名字叫做BP算法，我相信如今很多人在初次推导BP算法时也会颇费一番脑筋，事实上使用矩阵求导术来推导并不复杂。为简化起见，我们推导二层神经网络的BP算法。

例5【二层神经网络】：

$$l = -\boldsymbol{y}^T\log\text{softmax}(W_2\sigma(W_1\boldsymbol{x}))$$ 求 $$\frac{\partial l}{\partial W_1}和\frac{\partial l}{\partial W_2}$$ 其中 $\boldsymbol{y}$是除一个元素为1外其它元素为0的向量， $\text{softmax}(\boldsymbol{a}) = \frac{\exp(\boldsymbol{a})}{\boldsymbol{1}^T\exp(\boldsymbol{a})}$同例3， $\sigma(\cdot)$是逐元素 $sigmoid$函数 $\sigma(a) = \frac{1}{1+\exp(-a)}$。

解：定义$\boldsymbol{a}_1=W_1\boldsymbol{x}，\boldsymbol{h}_1 = \sigma(\boldsymbol{a}_1)，\boldsymbol{a}_2 = W_2 \boldsymbol{h}_1$，则$l =-\boldsymbol{y}^T\log\text{softmax}(\boldsymbol{a}_2)$。在例3中已求出$\frac{\partial l}{\partial \boldsymbol{a}_2} = \text{softmax}(\boldsymbol{a}_2)-\boldsymbol{y}$。使用复合法则，注意此处$\boldsymbol{h}_1, W_2$都是变量：

$$dl = \text{tr}\left(\frac{\partial l}{\partial \boldsymbol{a}_2}^Td\boldsymbol{a}_2\right) = \text{tr}\left(\frac{\partial l}{\partial \boldsymbol{a}_2}^TdW_2 \boldsymbol{h}_1\right) + \text{tr}\left(\frac{\partial l}{\partial \boldsymbol{a}_2}^TW_2 d\boldsymbol{h}_1\right)$$ ，使用矩阵乘法交换的迹技巧从第一项得到 $\frac{\partial l}{\partial W_2}= \frac{\partial l}{\partial\boldsymbol{a}_2}\boldsymbol{h}_1^T$，从第二项得到 $\frac{\partial l}{\partial \boldsymbol{h}_1}= W_2^T\frac{\partial l}{\partial\boldsymbol{a}_2}$。接下来求 $\frac{\partial l}{\partial \boldsymbol{a}_1}$，继续使用复合法则，并利用矩阵乘法和逐元素乘法交换的迹技巧： $$\text{tr}\left(\frac{\partial l}{\partial\boldsymbol{h}_1}^Td\boldsymbol{h}_1\right) = \text{tr}\left(\frac{\partial l}{\partial\boldsymbol{h}_1}^T(\sigma'(\boldsymbol{a}_1)\odot d\boldsymbol{a}_1)\right) = \text{tr}\left(\left(\frac{\partial l}{\partial\boldsymbol{h}_1}\odot \sigma'(\boldsymbol{a}_1)\right)^Td\boldsymbol{a}_1\right)$$ 得到 $\frac{\partial l}{\partial \boldsymbol{a}_1}= \frac{\partial l}{\partial\boldsymbol{h}_1}\odot\sigma'(\boldsymbol{a}_1)$。为求 $\frac{\partial l}{\partial W_1}$再用一次复合法则： $$\text{tr}\left(\frac{\partial l}{\partial\boldsymbol{a}_1}^Td\boldsymbol{a}_1\right) = \text{tr}\left(\frac{\partial l}{\partial\boldsymbol{a}_1}^TdW_1\boldsymbol{x}\right) = \text{tr}\left(\boldsymbol{x}\frac{\partial l}{\partial\boldsymbol{a}_1}^TdW_1\right)$$ 得到 $$\frac{\partial l}{\partial W_1}= \frac{\partial l}{\partial\boldsymbol{a}_1}\boldsymbol{x}^T$$

下篇见https://zhuanlan.zhihu.com/p/24863977。