标量对矩阵求导
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,,这用泛函分析的语言来说是矩阵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。
我们试图利用矩阵导数与微分的联系,在求出左侧的微分后,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:。
- 转置:。
- 线性:。
- 矩阵乘法交换:。两侧都等于。
- 矩阵乘法/逐元素乘法交换:。两侧都等于。
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,而Y是X的函数,如何求呢?在微积分中有标量求导的链式法则,但这里我们不能沿用链式法则,因为矩阵对矩阵的导数