【矩阵学习】Jacobian矩阵和Hessian矩阵
Jacobian 矩阵
在向量分析中, 雅可比矩阵是一阶(first-order)偏导数(partial derivatives)以一定方式排列成的矩阵, 其行列式称为雅可比行列式。
wikipedia 给出的定义:
假设 f : R n → R m \bm{f}:R^{n} \rightarrow R^{m} f:Rn→Rm 是一个从欧式 n n n 维空间映射到欧式 m m m 维空间的函数,输入向量为 x ∈ R n \bm{x} \in R^{n} x∈Rn,输出向量为 f ( x ) ∈ R m \bm{f(x)} \in R^{m} f(x)∈Rm。若 f f f 的偏导数存在,其组成的 m × n m \times n m×n 的矩阵就是雅可比(Jacobian)矩阵:
可以看出, J i j = ∂ f i ∂ x j \bm{J}_{ij} = \frac{\partial \bm{f}_{i}}{\partial \bm{x}_{j}} Jij=∂xj∂fi。
Jacobian 矩阵有一个很重要的知识点,就是 最佳优线性近似 。
如果 p p p 是 R n R^{n} Rn 中的一点, f \bm{f} f 在 p p p 点可微,那么这一点的导数可由 J f ( p ) \bm{J}_\bm{f}(p) Jf(p) 给出。在这种情况下, J f ( p ) \bm{J}_\bm{f}(p) Jf