python AIOT教程一1.必备多元函数微分学理论基础

本篇博客主要给大家介绍一下，在学习python AIOT方向中，必备的数学基础知识。

一.多元函数

定义设D为一个非空的n 元有序数组的集合， f 为某一确定的对应规则。

若对于每一个有序数组，通过对应规则 f，都有唯一确定的实数 y 与之对应，则称对应规则 f 为定义在 D 上的n 元函数。记为 。 变量 称为自变量；y称为因变量。
当n=1时，为一元函数，记为y=f(x),x∈D；
当n=2时，为二元函数，记为z=f(x,y),(x,y)∈D，图象如下图。
二元及以上的函数统称为多元函数。

二.偏导数

偏导数，可以看作是导数的推广，对于多元函数来说，我们把其他的自变量固定不动，看成是常量，我们对其中的某一个变量求导数的话，那就是偏导数了，只对一个变量求导数！
几何意义上面来说就是在某个方向上对原函数来切一下，再去求导，就是偏导数。举例说明：

对变量x求偏导数，其中y是常量

对变量y求偏导数，其中x是常量

三.高阶偏导数

对于多元函数来说，若其一阶偏导数仍是关于每个自变量的函数，并且一阶偏导数对每个自变量的偏导数也存在，则说这个多元函数具有二阶偏导数。以此类推，有三阶偏导数，四阶偏导数等，我们把一阶以上的偏导数称为高阶偏导数。

如果定义在开集 G 上的函数的一阶偏导数关于某个变量可偏微分，就能作出二阶偏导数。同样能定义n阶偏导数。我们即将一阶以上的偏导数称为高阶偏导数。将这些高阶偏导数记为：

举例：

四.梯度

定义：
设二元函数在平面区域D上具有一阶连续偏导数，则对于每一个点P（x，y）都可定出一个向量 ,该函数就称为函数 在点P（x，y）的梯度，记作gradf（x，y）或,即有：

gradf（x，y）= =

其中 称为（二维的）向量微分算子或Nabla算子， 。

设 是方向l上的单位向量，则

由于当方向l与梯度方向一致时，有

所以当l与梯度方向一致时,方向导数 有最大值，且最大值为梯度的模，即

因此说，函数在一点沿梯度方向的变化率最大，最大值为该梯度的模。

通俗一点总结一下：梯度可以看成一元函数的导数，对于多元函数来说就是偏导数而已。
多元函数的梯度公式：

五.雅可比矩阵

相信很多人没有接触过这个矩阵，其实这个是比较好理解的，雅可比矩阵就是由一阶偏导数构成的矩阵，发明它的目的主要是为了简化求导公式，对多元的复合函数求导，如果我们用雅可比矩阵来计算的话，它会写起来非常简洁，这在人工神经网络反向推导的过程中往往会看到的。

y=f(x), 其中 x 是 n 维向量表示有 n 个未知数即 n 个自变量，y是k维的向量表示函数对应关系计算返回k个因变量。这句话理解不了不要紧，静下心来，我们继续往后看。

Yi = f(Xi) ,其中每个Xi 和每个 Yi 都是相关的，也就是每个 Yi 是单独从 Xi 映射过来的函数。

那么函数f(X)的雅可比矩阵就是每个Yi 分别对每个 Xi 求偏导，然后构成的矩阵就叫雅可比矩阵：

可能看到这里还是有点迷惑，不知道怎么用这个玩意，我们举几个例子，然后再回过头看，就会有不一样的理解。

示例一

示例二

示例三

相信大家对雅可比矩阵有了一个全面的认识。

六.Hessian矩阵

Hessian矩阵类似于雅可比矩阵，Hessian矩阵是对于一个多元函数来说的，它就相当于一元函数的二阶导数。
有一个关于x 的n元 函数,自变量为$$x_1,x_2,x_{3,...},x_n,$$那么Hessian矩阵为：

举个例子：

从上面例子我们引出来一个问题：什么是正定呢？矩阵的正定是如何判断呢？

答案就在下一个知识点极值判别法则。

七.极值判别法则

7.1、极值判定条件
对于一元函数，f(x) = x²的一阶导数等于0处有极值，当f(x)的二阶导数大于0时是极小值，当f(x)的二阶导数小于0时是极大值，可以参考f(x) = x²这个函数，其二阶导数为2，大于0，那么该函数是凸函数。

对于多元函数 ，首先f(x)的一阶导数等于0，这点是驻点，那它就可能是极值点，它是极大值还是极小值或者不是极值怎么判定呢？

看Hessian矩阵，在f(x)的一阶导数等于0处，就是驻点处。

1. 如果Hessian矩阵是正定的话，函数在该点有极小值。
2. 如果Hessian矩阵是负定的话，函数在该点有极大值。
3. 如果Hessian矩阵不定，函数在该点不是极值。

那么怎么判断Hessian矩阵正负定呢？

7.2、实对称矩阵的正负定判断
实对称矩阵A正定负定判断条件：

我们用代码演示一下：
实对称矩阵A负定，代码如下：

import numpy as np
A = np.array([[-2,-3,-1],
			 [-3,-6,-4],
			 [-1,-4,-5]])
v = np.array([3,5,6])
print('给定向量任意向量v'，v)
print('求解矩阵A正定判定条件结果是：'v.dot(A).dot(v))
'''
给定向量任意向量v：[3,5,6]
求解矩阵A正定判定条件结果是: -714
'''

但是这样不太容易判断，我们还可以根据特征值正负去判断矩阵正定与否：

1. 矩阵A的特征值全部大于0，那么矩阵A为正定矩阵；
2. 矩阵A的特征值全部小于0，那么矩阵A为负定矩阵；

实对称矩阵A负定，特征值代码如下：

import numpy as np
A = np.array([[-2,-3,-1],
			 [-3,-6,-4],
			 [-1,-4,-5]])
w,v = np.linalg.eig(A)
print('矩阵A的特征值特征向量是：')
print(w,v)
'''
矩阵A的特征值特征向量是：
 [-10.54287655  -0.03922866  -2.41789479]  特征值全部为负数

 [[ 0.32798528  0.73697623 -0.59100905]
 [ 0.73697623 -0.59100905 -0.32798528]
 [ 0.59100905  0.32798528  0.73697623]]
'''

那存在不存在特征向量有大与0的，也有小于0的呢？ 肯定是存在的，我们称它为不定。那存在不存在特征向量大于等于0的，或者小于等于0的呢？ 肯定也是存在的，它们我们称为半正定，或者半负定。

什么是半正定，什么是半负定呢？留个疑问，我们学完下面的二次型就明白啦。

八.二次型

8.1、二次型定义
二次型（quadratic form）：n个变量的二次多项式称为二次型，即在一个多项式中，未知数的个数为任意多个，但每一项的次数都为2的多项式。

二次型就是纯二次项构成的一个函数。

因为二次函数（方程）的二次部分最重要，为了发表研究，我们把含有n个变量的二次齐次函数：

称为二次型。

8.2、二次型表示

我们可以通过矩阵来进行表示

二次型通俗表现形式：

二次型矩阵表示：

这里我们可以发现与我们之前说的Hessian矩阵的判定正负有点相似。

n个变量的二次齐次函数矩阵表示：


8.3、二次型应用
在机器学习中，我们可以根据数据分布进行模型选择:

●如果数据分布是一次型的，那我们就可以选择Logistic Regression、SVM 等分界面为-次型的模型;

●如果据分布是二次型的，我们可以选择naive bayes;

●如果数据分布既不是一次型也不是二次型，那我们可以选择基于决策树的模型，例如GBDT、随机森林等，或者DNN (深度神经网络)， 这些模型都高度非线性，表达能力极强理论上可以拟合任意曲线。

8.4、Hessian矩阵与二次型

将Hessian矩阵A转换为二次型：

这个就是我们上一节留的疑问，半正定，半负定矩阵。

正定效果图，如下所示：

如上图所示，正定有极小值，相反负定有极大值。

半正定效果图，如下所示：

不定效果图，如下所示：

我们可以看到，不定没有最大值也没有最小值。

以上仅供理解，大概理解正定，负定，半正定，半负定，不定就可以了。

以上就是机器学习必备的多元函数微分学理论基础的知识点。
bye，bye！

python AIOT教程目录：
1.AIOT介绍
2.python AIOT 必备多元函数微分学理论基础

持续更新中。。。，本人马上就要考研了，可能更新有些慢，敬请理解。