python求向量函数的雅可比矩阵_[数学] 向量函数的雅可比矩阵与链式法则

最新推荐文章于 2024-05-30 11:29:55 发布

伊小小

最新推荐文章于 2024-05-30 11:29:55 发布

阅读量1.4k

点赞数

文章标签： python求向量函数的雅可比矩阵

本文链接：https://blog.csdn.net/weixin_30844301/article/details/114442747

版权

本文介绍了多元数量函数的梯度和向量函数的雅可比矩阵，详细阐述了雅可比矩阵的概念，并通过一个例子展示了如何用Python计算雅可比矩阵以及应用链式法则。内容涵盖了向量函数的链式法则的矩阵表示和实际计算过程。

摘要由CSDN通过智能技术生成

复习一下我的数学知识T_T

1. 回顾高等数学：多元数量函数的梯度

回想高等数学中常见的多元数量函数$f:\mathbb{R}^{n}\rightarrow \mathbb{R}^{1}$，我们可以把他的输入当作一个向量 $\bf{x}\in \mathbb{R}^{n}$，输出$y=f(\bf{x})\in \mathbb{R}^{1}$是一个数字。那么由高数的知识我们知道$f$的梯度定义为

\nabla f_{\boldsymbol{x}} \overset{\underset{\mathrm{def}}{}}{=} \left[ \frac{\partial f }{\partial x_1}, \frac{\partial f }{\partial x_2},\cdots,\frac{\partial f }{\partial x_n} \right]=\frac{\partial f }{\partial \boldsymbol{x}}

有了上式，我们还可以写出全微分的向量化表示

\begin{aligned}

df &= \frac{\partial f}{\partial x_1}dx_1+\frac{\partial f}{\partial x_2}dx_2+\cdots+\frac{\partial f}{\partial x_n}dx_n \\

&=\left[ \frac{\partial f }{\partial x_1}, \frac{\partial f }{\partial x_2},\cdots,\frac{\partial f }{\partial x_n} \right] \left[dx_1, dx_2,\cdots,dx_n \right]^T \\

&=\frac{\partial f }{\p