机器学习中的数学知识2——雅可比矩阵与Hessian矩阵

4.雅可比矩阵

对于如下向量到向量的映射函数:
y = f ( x ) \mathbf y=f(\mathbf x) y=f(x)
其中,向量 x ∈ R n \mathbf x\in\mathbb R^n xRn,向量 y ∈ R m \mathbf y\in\mathbb R^m yRm,这个映射分量形式为:
y i = f i ( x ) y_{i}=f_{i}(\mathbf x) yi=fi(x)
即输出向量的每个分量是输入向量的函数,雅可比矩阵为输出向量的每个分量对输入向量的每个分量的偏导数构成的矩阵:
[ ∂ y 1 ∂ x 1 ∂ y 1 ∂ x 1 ⋯ ∂ y 1 ∂ x i   ∂ y 2 ∂ x 1 ∂ y 2 ∂ x 2 ⋯ ∂ y 2 ∂ x i ⋮ ⋱ ⋮ ∂ y m ∂ x 1 ∂ y m ∂ x 2 ⋯ ∂ y m ∂ x m ] \begin{bmatrix} \frac {\partial y_{1}}{ \partial x_{1}} &\frac {\partial y_{1}}{ \partial x_{1}} & \cdots & \frac {\partial y_{1}}{ \partial x_{i}} \\ \ & & \\ \frac {\partial y_{2}}{ \partial x_{1}} &\frac {\partial y_{2}}{ \partial x_{2}} & \cdots & \frac {\partial y_{2}}{ \partial x_{i}}\\ \vdots & \ddots & \vdots \\ \frac {\partial y_{m}}{ \partial x_{1}} & \frac {\partial y_{m}}{ \partial x_{2}} & \cdots & \frac {\partial y_{m}}{ \partial x_{m}} \end{bmatrix} x1y1 x1y2x1ymx1y1x2y2x2ym

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值