这里我们大致地复习一下偏导数，雅克比矩阵以及黑塞矩阵的定义和关系。导数向量与雅克比矩阵（Jacobi matrix）函数的某个因变量对某个自变量求的导数即为它们关于函数的偏导数。当因变量为一元的情况下，各个自变量的偏导数组成了导数向量.当函数因变量为多元的情况下，函数的导数可由jacobi matrix来描述。E.g., 现有一函数可将m维的自变量映射到n维的因变量上，也就是说该函数由n个子函...
这里我们大致地复习一下偏导数，雅克比矩阵以及黑塞矩阵的定义和关系。
导数向量与雅克比矩阵（Jacobi matrix）
函数的某个因变量对某个自变量求的导数即为它们关于函数的偏导数。当因变量为一元的情况下，各个自变量的偏导数组成了导数向量.当函数因变量为多元的情况下，函数的导数可由jacobi matrix来描述。E.g., 现有一函数可将m维的自变量映射到n维的因变量上，也就是说该函数由n个子函数构成 y 1 ( x 1 , . . . , x m ) , . . . , y n ( x 1 , . . . , x m ) y_1(x_1,...,x_m),...,y_n(x_1,...,x_m) y1(x1,...,xm),...,yn(x1,...,xm).而jacobi matrix则由这些自变量和因变量之间的偏导数组成，构成一个n行m列的矩阵：
[ ∂ y 1 ∂ x 1 ⋯ ∂ y 1 ∂ x m ⋮ ⋱ ⋮ ∂ y n ∂ x 1 ⋯ ∂ y n ∂ x m ] (3) \left[ \begin{matrix} \frac{\partial y_1}{\partial x_1} & \cdots & \frac{\partial y_1}{\partial x_m} \\ \vdots & \ddots & \vdots \\ \frac{\partial y_n}{\partial x_1} & \cdots & \frac{\partial y_n}{\partial x_m} \end{matrix} \right] \tag{3} ⎣⎢⎡∂x
最低0.47元/天 解锁文章
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
