向量和矩阵求导

向量、矩阵求导其实就两个内容

分子每个元素对分母每个元素求导
将结果以一定方式布局

对于 1，没什么特别的，就是标量之间的求导。

对于 2，我们需要分情况讨论。

求导布局

求导结果的布局根据定义不同有所不同，没有统一。所以经常在不同的书上看到不一样的公式，使人产生困惑。

常见的求导类型如下：

分母 \ 分子	标量	向量	矩阵
标量	$\frac{\partial y}{ \partial x}$	$\frac{ \partial \boldsymbol{y} }{ \partial x }$	$\frac{\partial \boldsymbol{Y}}{\partial x}$
向量	$\frac{\partial y}{ \partial \boldsymbol{x}}$	$\frac{\partial \boldsymbol{y} }{ \partial \boldsymbol{x}}$	/
矩阵	$\frac{ \partial y }{ \partial \boldsymbol{X} }$	/	/

我们划掉的类型是因为其结果无法在二维矩阵中很好地表示，在优化问题中也不常见。

未划掉的类型中，唯一布局有歧义的就是向量对向量的求导： $\frac{ \partial \boldsymbol{y} }{ \partial \boldsymbol{x} }$

向量对向量求导

歧义在于，假设 $\boldsymbol{y}$ 是一个 $m$ 维向量， $\boldsymbol{x}$ 是一个 $n$ 维向量，那求导结果是一个 $m \times n$ 矩阵还是 $n \times m$ 矩阵呢？

分子布局，即以分子 $\boldsymbol{y}$ 的元素数作为行数。结果是一个 $m \times n$ 矩阵，也称为雅可比（Jacobian）矩阵。

$\frac{ \partial \boldsymbol{ y } }{ \partial \boldsymbol{ x } } = \begin{bmatrix} \frac{ \partial {y_1} }{ \partial {x_1} } & \frac{\partial {y_1} }{\partial {x_2} } & \cdots &\frac{\partial {y_1} }{\partial {x_n} } \\ \frac{\partial {y_2} }{\partial {x_1} } & \frac{\partial {y_2} }{\partial {x_2} } & \cdots &\frac{\partial {y_2} }{\partial {x_n} } \\ \vdots & \vdots & & \vdots \\ \frac{\partial {y_m} }{\partial {x_1} } & \frac{\partial {y_m} }{\partial {x_2} } & \cdots &\frac{\partial {y_m} }{\partial {x_n} } \\ \end{bmatrix}_{m \times n}$

分母布局，即以分母 $\boldsymbol{x}$ 的元素数作为行数。结果是一个 $n \times m$ 矩阵，也称为梯度(Gradient)矩阵。

$\frac{\partial \boldsymbol{ y }}{\partial \boldsymbol{ x } } = \begin{bmatrix} \frac{\partial {y_1} }{\partial {x_1} } & \frac{\partial {y_2} }{\partial {x_1} } & \cdots &\frac{\partial {y_m} }{\partial {x_1} } \\ \frac{\partial {y_1} }{\partial {x_2} } & \frac{\partial {y_2} }{\partial {x_2} } & \cdots &\frac{\partial {y_m } }{\partial {x_2} } \\ \vdots & \vdots & & \vdots \\ \frac{\partial {y_1} }{\partial {x_n} } & \frac{\partial {y_2} }{\partial {x_n} } & \cdots &\frac{\partial {y_m} }{\partial {x_n} } \\ \end{bmatrix}_{n \times m}$

两种布局均可，在一本书中一般是一致的。

标量对向量求导

标量常见的有以下几种形式：

$a^T x$
$x^T a$
$x^T A x$

从定义上看，1 和 2 类似：

首先定义：

$S = a^T x = x^T a = \sum_{i=1}^n a_ix_i$
得出：
$\frac{\partial S}{\partial x_i} = a_i$
因此：
$\frac{\partial a^Tx}{\partial x} = \frac{\partial x^Ta}{\partial x} = [ \frac{\partial S}{\partial x_1}, \frac{\partial S}{\partial x_2}, \cdots, \frac{\partial S}{\partial x_n}]^T = a$

3 稍微复杂：
$S = \sum_{i=1}^n \sum_{j=1}^n x_iA_{i,j}x_j$

$\frac{\partial S}{\partial x_k} = \sum_{j=1}^n A_{k,j}x_j + \sum_{i=1}^n x_iA_{i,k} = (A_{k,i} + A_{i,k})x_i$

即求导后向量的第 k 个元素是 A 的第 k 行与 x 的内积 + 第 k 列与 x 的内积。这其实就是矩阵与向量乘法的定义。

$\frac{\partial x^TAx}{\partial x} = [ \frac{\partial S}{\partial x_1}, \frac{\partial S}{\partial x_2}, \cdots, \frac{\partial S}{\partial x_n}]^T = Ax + A^Tx$

例：最小二乘法

最小二乘法是最流行的线性模型拟合方法。它的目的是找出系数 $\boldsymbol{\beta}$ 使 $||Y-\hat Y||_2$ （residual sum of squares, RSS）最小：

$\text{RSS}(\boldsymbol{\beta} ) = \sum_{j=1}^N (y_j - X_j^T\boldsymbol{\beta} )^2$

其中 $j$ 代表训练数据的序号。一共有 $N$ 组训练数据。
用矩阵形式表示为：

$\text{RSS}(\boldsymbol{\beta}) = (\boldsymbol{y} - \boldsymbol{X}\boldsymbol{\beta} )^T(\boldsymbol{y} - \boldsymbol{X}\boldsymbol{\beta} )$

这里需要用 $\text{RSS}(\boldsymbol{\beta})$ 对 $\boldsymbol{\beta}$ 求导，得出二次函数最值点。

$\text{RSS}(\boldsymbol{\beta}) = \boldsymbol{y}^T\boldsymbol{y} -\boldsymbol{y}^T \boldsymbol{X} \boldsymbol{\beta} - \boldsymbol{\beta}^T \boldsymbol{X}^T \boldsymbol{y} + \boldsymbol{\beta}^T \boldsymbol{X}^T \boldsymbol{X}\boldsymbol{\beta}$

套用上面的结论，可以得到：

$\frac{ \partial \text{RSS}(\boldsymbol{\beta})}{\partial \boldsymbol{\beta}} = - 2\boldsymbol{X}^T\boldsymbol{y} + 2\boldsymbol{X}^T\boldsymbol{X}\boldsymbol{\beta}$

令其为 0 可以解出：

$\hat{\boldsymbol{\beta}} = (\boldsymbol{X}^T \boldsymbol{X})^{-1} \boldsymbol{X}^T \boldsymbol{y}$

最后编辑于：2021.10.31 21:49:58

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 213,864评论 6赞 494
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 91,175评论 3赞 387
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 159,401评论 0赞 349
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 57,170评论 1赞 286
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 66,276评论 6赞 385
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 50,364评论 1赞 292
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 39,401评论 3赞 412
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 38,179评论 0赞 269
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 44,604评论 1赞 306
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 36,902评论 2赞 328
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 39,070评论 1赞 341
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 34,751评论 4赞 337
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 40,380评论 3赞 319
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 31,077评论 0赞 21
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 32,312评论 1赞 267
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 46,924评论 2赞 365
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 43,957评论 2赞 351

向量和矩阵求导

求导布局

向量对向量求导

标量对向量求导

例：最小二乘法

推荐阅读更多精彩内容