矩阵的 Frobenius 范数及其求偏导法则

最新推荐文章于 2025-03-21 14:42:36 发布

vast_w

最新推荐文章于 2025-03-21 14:42:36 发布

阅读量8.7w

点赞数 129

分类专栏： Basic Theories 文章标签： F范数矩阵求导

本文链接：https://blog.csdn.net/txwh0820/article/details/46392293

版权

Basic Theories 专栏收录该内容

15 篇文章

订阅专栏

矩阵的迹求导法则

矩阵的frobenius范数及其求偏导法则-1
矩阵的frobenius范数及其求偏导法则-2

1. 复杂矩阵问题求导方法：可以从小到大，从scalar到vector再到matrix

2. x is a column vector, A is a matrix

$d(A*x)/dx=A$
$d(x^T*A)/dx^T=A$
$d(x^T*A)/dx=A^T$
$d(x^T*A*x)/dx=x^T(A^T+A)$

3. Practice:

4. 矩阵求导计算法则
求导公式(撇号为转置）：
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’
乘积的导数：
d(f*g)/dx=(df’/dx)g+(dg/dx)f’

一些结论：

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]
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)’
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’
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)’
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
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。
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
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’
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）