向量转置的怎么求导_机器学习中的向量求导和矩阵求导

本文介绍了机器学习中向量和矩阵求导的规则,包括向量对标量、标量对向量、矩阵对标量以及向量对向量的求导,并分别展示了分子布局和分母布局的处理方法。常见的约定如向量求导默认使用分子布局,而标量对向量求导通常使用分母布局。
摘要由CSDN通过智能技术生成

在机器学习的各种关于向量或者矩阵的求导中,经常会出现各种需要转置或者不需要转置的地方,经常会看得人晕头转向。今天我对机器学习中关于这部分的常识性处理方法进行整理并记录下来方便大家参考。

一些约定

首先,在机器学习中,对于研究经常需要用到的标量、向量、矩阵的求导,我们约定分子使用

表示, 分母使用

表示。其中,分子的标量形式为

,分子的向量形式表示为

,分子的矩阵形式表示为

;类似的,分母的标量形式为

,分母的向量形式表示为

,分母的矩阵形式表示为

根据上面的约定,我们研究一下五个分类(标号1-标号5对应后续标题)。如下:

上面的表格表示我们主要讨论的6个种类,对于矩阵对向量的求导

、向量对矩阵的求导

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