[转载]矩阵的求导

最新推荐文章于 2024-03-11 21:20:22 发布
最新推荐文章于 2024-03-11 21:20:22 发布
阅读量711 收藏
点赞数
原文链接：http://blog.sina.com.cn/s/blog_7959e7ed0100w2b3.html
版权

原文：http://blog.sina.com.cn/s/blog_7959e7ed0100w2b3.html

今天推导公式，发现居然有对矩阵的求导，狂汗–完全不会。不过还好网上有人总结了。吼吼，赶紧搬过来收藏备份。
基本公式：
Y = A * X --> DY/DX = A’
Y = X * A --> DY/DX = A
Y = A’ * X * B --> DY/DX = A * B’
Y = A’ * X’ * B --> DY/DX = B * A’

  1. 矩阵Y对标量x求导：

相当于每个元素求导数后转置一下，注意M×N矩阵求导后变成N×M了

Y = [y(ij)] --> dY/dx = [dy(ji)/dx]

  1. 标量y对列向量X求导：

注意与上面不同，这次括号内是求偏导，不转置，对N×1向量求导后还是N×1向量

y = f(x1,x2,…,xn) --> dy/dX = (Dy/Dx1,Dy/Dx2,…,Dy/Dxn)’

  1. 行向量Y’对列向量X求导：

注意1×M向量对N×1向量求导后是N×M矩阵。

将Y的每一列对X求偏导，将各列构成一个矩阵。

重要结论：

dX’/dX = I

d(AX)’/dX = A’

  1. 列向量Y对行向量X’求导：

转化为行向量Y’对列向量X的导数，然后转置。

注意M×1向量对1×N向量求导结果为M×N矩阵。

dY/dX’ = (dY’/dX)’

  1. 向量积对列向量X求导运算法则：

注意与标量求导有点不同。

d(UV’)/dX = (dU/dX)V’ + U(dV’/dX)

d(U’V)/dX = (dU’/dX)V + (dV’/dX)U’

重要结论：

d(X’A)/dX = (dX’/dX)A + (dA/dX)X’ = IA + 0X’ = A

d(AX)/dX’ = (d(X’A’)/dX)’ = (A’)’ = A

d(X’AX)/dX = (dX’/dX)AX + (d(AX)’/dX)X = AX + A’X

  1. 矩阵Y对列向量X求导：

将Y对X的每一个分量求偏导，构成一个超向量。

注意该向量的每一个元素都是一个矩阵。

  1. 矩阵积对列向量求导法则：

d(uV)/dX = (du/dX)V + u(dV/dX)

d(UV)/dX = (dU/dX)V + U(dV/dX)

重要结论：

d(X’A)/dX = (dX’/dX)A + X’(dA/dX) = IA + X’0 = A

  1. 标量y对矩阵X的导数：

类似标量y对列向量X的导数，

把y对每个X的元素求偏导，不用转置。

dy/dX = [ Dy/Dx(ij) ]

重要结论：

y = U’XV = ΣΣu(i)x(ij)v(j) 于是 dy/dX = [u(i)v(j)] = UV’

y = U’X’XU 则 dy/dX = 2XUU’

y = (XU-V)’(XU-V) 则 dy/dX = d(U’X’XU - 2V’XU + V’V)/dX = 2XUU’ - 2VU’ + 0 = 2(XU-V)U’

  1. 矩阵Y对矩阵X的导数：

将Y的每个元素对X求导，然后排在一起形成超级矩阵。

10.乘积的导数

d(f*g)/dx=(df’/dx)g+(dg/dx)f’

结论

d(x’Ax)=(d(x’’)/dx)Ax+(d(Ax)/dx)(x’’)=Ax+A’x （注意：’'是表示两次转置）

其他参考：

Contents
Notation
Derivatives of Linear Products
Derivatives of Quadratic Products
Notation
d/dx (y) is a vector whose (i) element is dy(i)/dx
d/dx (y) is a vector whose (i) element is dy/dx(i)
d/dx (yT) is a matrix whose (i,j) element is dy(j)/dx(i)
d/dx (Y) is a matrix whose (i,j) element is dy(i,j)/dx
d/dX (y) is a matrix whose (i,j) element is dy/dx(i,j)
Note that the Hermitian transpose is not used because complex conjugates are not analytic.

In the expressions below matrices and vectors A, B, C do not depend on X.

Derivatives of Linear Products
d/dx (AYB) =A * d/dx (Y) * B
d/dx (Ay) =A * d/dx (y)
d/dx (xTA) =A
d/dx (xT) =I
d/dx (xTa) = d/dx (aTx) = a
d/dX (aTXb) = abT
d/dX (aTXa) = d/dX (aTXTa) = aaT
d/dX (aTXTb) = baT
d/dx (YZ) =Y * d/dx (Z) + d/dx (Y) * Z
Derivatives of Quadratic Products
d/dx (Ax+b)TC(Dx+e) = ATC(Dx+e) + DTCT(Ax+b)
d/dx (xTCx) = (C+CT)x
[C: symmetric]: d/dx (xTCx) = 2Cx
d/dx (xTx) = 2x
d/dx (Ax+b)T (Dx+e) = AT (Dx+e) + DT (Ax+b)
d/dx (Ax+b)T (Ax+b) = 2AT (Ax+b)
[C: symmetric]: d/dx (Ax+b)TC(Ax+b) = 2ATC(Ax+b)
d/dX (aTXTXb) = X(abT + baT)
d/dX (aTXTXa) = 2XaaT
d/dX (aTXTCXb) = CTXabT + CXbaT
d/dX (aTXTCXa) = (C + CT)XaaT
[C:Symmetric] d/dX (aTXTCXa) = 2CXaaT
d/dX ((Xa+b)TC(Xa+b)) = (C+CT)(Xa+b)aT
Derivatives of Cubic Products
d/dx (xTAxxT) = (A+AT)xxT+xTAxI
Derivatives of Inverses
d/dx (Y-1) = -Y-1d/dx (Y)Y-1
Derivative of Trace
Note: matrix dimensions must result in an n*n argument for tr().

d/dX (tr(X)) = I
d/dX (tr(Xk)) =k(Xk-1)T
d/dX (tr(AXk)) = SUMr=0:k-1(XrAXk-r-1)T
d/dX (tr(AX-1B)) = -(X-1BAX-1)T
d/dX (tr(AX-1)) =d/dX (tr(X-1A)) = -X-TATX-T
d/dX (tr(ATXBT)) = d/dX (tr(BXTA)) = AB
d/dX (tr(XAT)) = d/dX (tr(ATX)) =d/dX (tr(XTA)) = d/dX (tr(AXT)) = A
d/dX (tr(AXBXT)) = ATXBT + AXB
d/dX (tr(XAXT)) = X(A+AT)
d/dX (tr(XTAX)) = XT(A+AT)
d/dX (tr(AXTX)) = (A+AT)X
d/dX (tr(AXBX)) = ATXTBT + BTXTAT
[C:symmetric] d/dX (tr((XTCX)-1A) = d/dX (tr(A (XTCX)-1) = -(CX(XTCX)-1)(A+AT)(XTCX)-1
[B,C:symmetric] d/dX (tr((XTCX)-1(XTBX)) = d/dX (tr( (XTBX)(XTCX)-1) = -2(CX(XTCX)-1)XTBX(XTCX)-1 + 2BX(XTCX)-1
Derivative of Determinant
Note: matrix dimensions must result in an n*n argument for det().

d/dX (det(X)) = d/dX (det(XT)) = det(X)X-T
d/dX (det(AXB)) = det(AXB)X-T
d/dX (ln(det(AXB))) = X-T
d/dX (det(Xk)) = kdet(Xk)X-T
d/dX (ln(det(Xk))) = kX-T
[Real] d/dX (det(XTCX)) = det(XTCX)(C+CT)X(XTCX)-1
[C: Real,Symmetric] d/dX (det(XTCX)) = 2det(XTCX) CX(XTCX)-1
[C: Real,Symmetricc] d/dX (ln(det(XTCX))) = 2CX(XTCX)-1
Jacobian
If y is a function of x, then dyT/dx is the Jacobian matrix of y with respect to x.

Its determinant, |dyT/dx|, is the Jacobian of y with respect to x and represents the ratio of the hyper-volumes dy and dx. The Jacobian occurs when changing variables in an integration: Integral(f(y)dy)=Integral(f(y(x)) |dyT/dx| dx).

Hessian matrix
If f is a function of x then the symmetric matrix d2f/dx2 = d/dxT(df/dx) is the Hessian matrix of f(x). A value of x for which df/dx = 0 corresponds to a minimum, maximum or saddle point according to whether the Hessian is positive definite, negative definite or indefinite.

d2/dx2 (aTx) = 0
d2/dx2 (Ax+b)TC(Dx+e) = ATCD + DTCTA
d2/dx2 (xTCx) = C+CT
d2/dx2 (xTx) = 2I
d2/dx2 (Ax+b)T (Dx+e) = ATD + DTA
d2/dx2 (Ax+b)T (Ax+b) = 2ATA
[C: symmetric]: d2/dx2 (Ax+b)TC(Ax+b) = 2ATCA
http://www.psi.toronto.edu/matrix/calculus.html
http://www.stanford.edu/~dattorro/matrixcalc.pdf

http://www.colorado.edu/engineering/CAS/courses.d/IFEM.d/IFEM.AppD.d/IFEM.AppD.pdf

http://www4.ncsu.edu/~pfackler/MatCalc.pdf

http://center.uvt.nl/staff/magnus/wip12.pdf

清欢年岁~
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【高等数学】微积分----教你如何简单地推导求导公式（三）
师兄怎么办
11-26 1674
在开头前请一定要记住一个很重要的东西：dx 的增长并没有以下图例所示的那么大，一般是越接近于 0 越好，比如dx =0.0000000001 ,只是为了更加直观地查看到图形的变化，所以以下例子将其放大，很多时候变量 x 增加一丢丢意味着在公式里面可以被忽略。 ——————————————下面是正文———————————————— 一.f(x) = sin(x) + x^2 的求导 ...
《高等数学》 总结 导数、微分、不定积分
vincent_hbl的博客
01-20 1万+
必须掌握各个概念的定义。从定义中，深入的理解概念，以及发掘概念之间的相互联系。 导数&微分 微积分有两种定义： 1、古典微积分 这是一种直观、便于理解的定义。首先定义微分是微小变化量。比如函数y=f(x)中dx是x的微小变化量，那么dy就是dx对应的y的微小变化。导数也就从中得到了定义：是两个微小变量的比值=dy/dx。所以导数也被称为微商。这是古典定义，可以看出是非常容易理解的。
矩阵求导
private_void_main的博客
06-19 5470
1.布局 布局主要分为分子布局和分母布局,在我看来,分子布局就是被积项是一个行向量,分母布局被积项使列向量,而我们大部分情况都是默认一个向量为列向量,所以我们一般的求导都是分母布局,而本文所有的公式都是依照分母布局 2.基本公式 依我所见,矩阵求导只不过是矩阵的各部分对各个变量分开求导,然后又将分开求导的结果写成矩阵形式 规定x为列向量: x=(x1,x2,⋯ ,x...
常用矩阵求导公式，逆矩阵求导
李宏宗的博客
02-24 2044
∂βx∂x=β\frac{\partial \beta \mathbf{x}}{\partial \mathbf{x}}=\beta∂x∂βx​=β ∂xTx∂x=2x\frac{\partial \mathbf{x}^T\mathbf{x}}{\partial \mathbf{x}}=2\mathbf{x}∂x∂xTx​=2x ∂xTAx∂x=(A+AT)x\frac{\partial \mathbf{x}^TA\mathbf{x}}{\partial \mathbf{x}}=(A+A^T)\mathbf
矩阵的求导问题小结
sunnyxiaohu的博客
09-07 1万+
Torch的安装和常见问题 Torch安装 http://torch.ch/docs/getting-started.html#next-steps 常见问题 https://github.com/torch/torch7/wiki/Cheatsheet 快捷键 加粗 Ctrl + B 斜体 Ctrl + I 引用 Ctrl + Q 插入链接 C
矩阵求导法
CGCG53的博客
02-13 694
矩阵求导法 1、前言 设y=f(x)y=f(x)y=f(x)且x=[x1 x2 ...xn]Tx=[x_1 \ x_2 \ ... x_n]^{T}x=[x1​ x2​ ...xn​]T，由多元函数微积分可知 dy=∑i=1ndydxidxi=(dydx)Tdx dy=\sum_{i=1}^{n} \frac{dy}{dx_i}dx_i=(\frac{dy}...
从零开始机器学习（二）
最新发布
m0_58233492的博客
03-11 399
跟着李沐学自动求导
矩阵求导术
zhang2010hao的博客
03-26 331
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。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xxx表示标量，粗体小写字母x\boldsymbol{x}x表示（列）向量，大写字母XXX表示矩阵。 首先来琢磨一下定义，标量fff对矩阵XXX的导数∂f∂X=[∂f∂Xij]\frac{\partial f}{\partial X}=\lef...
矩阵求导数
要把所有那些负面的信息当做对自身行为的评价，而不是对自身价值的评判。
09-30 1019
根据导数定义和性质，极值处导数为0。首先求出矩阵的导数，置为0后求解。一般是列向量，需要放在后面，此时需要将矩阵导数放在前面，并转置。注意：上式中每一项都是一个标量，而不是向量。
矩阵求导公式
Justpayne的专栏
01-20 4962
基本公式： Y = A * X --> DY/DX = A' Y = X * A --> DY/DX = A Y = A' * X * B --> DY/DX = A * B' Y = A' * X' * B --> DY/DX = B * A' 1. 矩阵Y对标量x求导： 相当于每个元素求导数后转置一下，注意M×N矩阵求导后变成N×M了 Y = [y(ij)] -->
矩阵求导公式_矩阵求导笔记
weixin_39790760的博客
12-16 1415
符号约定矩阵求导矩阵A对矩阵B求导的本质：矩阵A的每个元素分别对矩阵B中的每个元素进行求导。不同维度的A和B，其导数个数：A1*1 B1*1: 1个导数Am*1 B1*1: Am*1 Bp*1: m*p个导数Am*n Bp*q: m*n*p*q个导数标量函数和向量函数标量函数：结果为标量的函数；向量函数：结果为向量的函数。以分母布局为例的矩阵求导的基本原则1. 原则1：如果分子是...
基本求导公式
Peter的博客
11-03 8652
复合函数求导：链式法则 链式法则是将复杂函数进行简单化，其基本表达关系如下： 举个栗子 比如函数 y=(2x+e^x)^2 1 关于y的导函数的计算，咋一看好像很复杂，但根据链式法则就是 y=u^2 u=2x+e^x dy/du=2u du/dx=2+e^x 于是 dy/dx=(dy/du)*(du/dx) =(2u)*(2+e^x) =(2*(2x+e^x))*(2+e^x) 这样就是把复杂函数化简成我们熟知的常见导函数形式。 ...
常用矩阵求导公式推导
u012836279的专栏
09-29 7033
引论 矩阵求导的方法一直以来都很让我困惑，最近看了一些博客参考，得到了一些理解。 接下来尝试从最基础的地方开始讲， 在中学的时候，我们最常见到的函数是一元函数，类似这种： f1(x)=xf2(x)=ax2+bf_1(x) = x \\ f_2(x) = a x^2 + bf1​(x)=xf2​(x)=ax2+b 它们的求导很简单： df1(x)dx=1df2(x)dx=2ax\frac{\text{d}f_1(x)} {\text{d}x} = 1 \\ \frac{\text{d}f_2(x)} {\te
线性代数之 矩阵求导（3）标量、向量求导的快速记忆
qq_41035283的博客
11-10 2341
线性代数之 矩阵求导（3）标量、向量求导的快速记忆前言基本约定引例标量对标量求导标量对向量求导向量对向量求导包含两个变量的求导总结扩展 前言 上一次记录了矩阵求导的基本法则和公式，并且大部分给出了基于矩阵乘法的证明（本质证明）。然而这样记忆矩阵求导还是比较困难的。 这里给出一种作者使用的快速记忆矩阵求导的方法。 注意：该方法仅是作者个人记忆用方法，公式推导并不严格符合数学规范。 基本约定 默认向量是列向量。只涉及标量对向量，向量对向量的求导。 本次矩阵求导默认使用分子布局，即分子不变分母转置。 引例 标量对
不定积分24个基本公式整理
热门推荐
qq_25018077的博客
10-15 33万+
不定积分的求解
矩阵、向量求导法则
weixin_33826268的博客
06-28 1895
矩阵微分 http://www.iwenchao.com/mathematics/matrix-differential.html http://en.wikipedia.org/wiki/Matrix_calculus http://www.atmos.washington.edu/~dennis/MatrixCalculus.pdf https://ccrma....
矩阵求导公式大全csdn
09-08
矩阵求导是矩阵微积分中的重要内容，它在各个领域具有广泛的应用。在CSND（CSDN）上，你可以找到一些矩阵求导的公式大全，这些公式可以帮助你解决各种与矩阵求导有关的问题。 在矩阵求导的公式大全中，一般会包含以下几个方面的内容： 1. 标量对向量的导数公式：这部分的公式包括向量对向量的导数、标量对列向量的导数、标量对行向量的导数等。 2. 向量对矩阵的导数公式：这部分的公式包括矩阵对矩阵的导数、向量对矩阵的导数、矩阵对列向量的导数等。 3. 矩阵对矩阵的导数公式：这部分的公式包括矩阵对矩阵的导数、矩阵对行向量的导数、矩阵对列向量的导数等。 4. 矩阵对标量的导数公式：这部分的公式包括标量对矩阵的导数、标量对向量的导数、标量对矩阵的导数等。 5. 矩阵对矩阵的微分公式：这部分的公式包括矩阵的微分性质、矩阵在基本矩阵操作下的微分等。 在使用矩阵求导的过程中，除了公式外，还需要了解矩阵求导的规则和特点。例如，矩阵求导中的链式法则、迹运算的求导法则等都是非常重要的。 总之，在CSND上可以找到一些矩阵求导的公式大全，它们可以帮助你更好地理解和应用矩阵求导的知识。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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