学习
实践
活动
专区
工具
TVP
写文章
专栏首页机器学习算法原理与实践机器学习中的矩阵向量求导(一) 求导定义与求导布局

机器学习中的矩阵向量求导(一) 求导定义与求导布局

    在之前写的上百篇机器学习博客中,不时会使用矩阵向量求导的方法来简化公式推演,但是并没有系统性的进行过讲解,因此让很多朋友迷惑矩阵向量求导的具体过程为什么会是这样的。这里准备用三篇来讨论下机器学习中的矩阵向量求导,今天是第一篇。

    本系列主要参考文献为维基百科的Matrix Caculas和张贤达的《矩阵分析与应用》。

1. 矩阵向量求导引入

    在高等数学里面,我们已经学过了标量对标量的求导,比如标量$y$对标量$x$的求导,可以表示为$\frac{\partial y}{\partial x}$。

    有些时候,我们会有一组标量$y_i,i=1,2,...,m$来对一个标量$x$的求导,那么我们会得到一组标量求导的结果:$$\frac{\partial y_i}{\partial x}, i=1,2.,,,m$$

    如果我们把这组标量写成向量的形式,即得到维度为m的一个向量$\mathbf{y}$对一个标量$x$的求导,那么结果也是一个m维的向量:$\frac{\partial \mathbf{y}}{\partial x}$

    可见,所谓向量对标量的求导,其实就是向量里的每个分量分别对标量求导,最后把求导的结果排列在一起,按一个向量表示而已。类似的结论也存在于标量对向量的求导,向量对向量的求导,向量对矩阵的求导,矩阵对向量的求导,以及矩阵对矩阵的求导等。

    总而言之,所谓的向量矩阵求导本质上就是多元函数求导,仅仅是把把函数的自变量,因变量以及标量求导的结果排列成了向量矩阵的形式,方便表达与计算,更加简洁而已。

    为了便于描述,后面如果没有指明,则求导的自变量用$x$表示标量,$\mathbf{x}$表示n维向量,$\mathbf{X}$表示$p \times q$维度的矩阵,求导的因变量用$y$表示标量,$\mathbf{y}$表示m维向量,$\mathbf{Y}$表示$m \times n$维度的矩阵。

2. 矩阵向量求导定义

    根据求导的自变量和因变量是标量,向量还是矩阵,我们有9种可能的矩阵求导定义,如下:

自变量\因变量

标量$y$

向量$\mathbf{y}$

矩阵$\mathbf{Y}$

标量$x$

$\frac{\partial y}{\partial x}$

$\frac{\partial  \mathbf{y}}{\partial x}$

$\frac{\partial  \mathbf{Y}}{\partial x}$

向量$\mathbf{x}$

$\frac{\partial y}{\partial \mathbf{x}}$

$\frac{\partial  \mathbf{y}}{\partial \mathbf{x}}$

$\frac{\partial  \mathbf{Y}}{\partial \mathbf{x}}$

矩阵$\mathbf{X}$

$\frac{\partial y}{\partial \mathbf{X}}$

$\frac{\partial  \mathbf{y}}{\partial \mathbf{X}}$

$\frac{\partial  \mathbf{Y}}{\partial \mathbf{X}}$

    这9种里面,标量对标量的求导高数里面就有,不需要我们单独讨论,在剩下的8种情况里面,我们先讨论上图中标量对向量或矩阵求导,向量或矩阵对标量求导,以及向量对向量求导这5种情况。另外三种向量对矩阵的求导,矩阵对向量的求导,以及矩阵对矩阵的求导我们在第三篇再讲。

    现在我们回看第一节讲到的例子,维度为m的一个向量$\mathbf{y}$对一个标量$x$的求导,那么结果也是一个m维的向量:$\frac{\partial \mathbf{y}}{\partial x}$。这是我们表格里面向量对标量求导的情况。这里有一个问题没有讲到,就是这个m维的求导结果排列成的m维向量到底应该是列向量还是行向量?

    这个问题的答案是:行向量或者列向量皆可!毕竟我们求导的本质只是把标量求导的结果排列起来,至于是按行排列还是按列排列都是可以的。但是这样也有问题,在我们机器学习算法法优化过程中,如果行向量或者列向量随便写,那么结果就不唯一,乱套了。

    为了解决这个问题,我们引入求导布局的概念。

3. 矩阵向量求导布局

    为了解决矩阵向量求导的结果不唯一,我们引入求导布局。最基本的求导布局有两个:分子布局(numerator layout)和分母布局(denominator layout )。

    对于分子布局来说,我们求导结果的维度以分子为主,比如对于我们上面对标量求导的例子,结果的维度和分子的维度是一致的。也就是说,如果向量$\mathbf{y}$是一个m维的列向量,那么求导结果$\frac{\partial \mathbf{y}}{\partial x}$也是一个m维列向量。如果如果向量$\mathbf{y}$是一个m维的行向量,那么求导结果$\frac{\partial \mathbf{y}}{\partial x}$也是一个m维行向量。

    对于分母布局来说,我们求导结果的维度以分母为主,比如对于我们上面对标量求导的例子,如果向量$\mathbf{y}$是一个m维的列向量,那么求导结果$\frac{\partial \mathbf{y}}{\partial x}$是一个m维行向量。如果如果向量$\mathbf{y}$是一个m维的行向量,那么求导结果$\frac{\partial \mathbf{y}}{\partial x}$是一个m维的列向量向量。

    可见,对于分子布局和分母布局的结果来说,两者相差一个转置。

    再举一个例子,标量$y$对矩阵$ \mathbf{X}$求导,那么如果按分母布局,则求导结果的维度和矩阵$X$的维度$m \times n$是一致的。如果是分子布局,则求导结果的维度为$n \times m$。

    这样,对于标量对向量或者矩阵求导,向量或者矩阵对标量求导这4种情况,对应的分子布局和分母布局的排列方式已经确定了。

    稍微麻烦点的是向量对向量的求导,本文只讨论列向量对列向量的求导,其他的行向量求导只是差一个转置而已。比如m维列向量$\mathbf{y}$对n维列向量$\mathbf{x}$求导。它的求导结果在分子布局和分母布局各是什么呢?对于这2个向量求导,那么一共有$mn$个标量对标量的求导。求导的结果一般是排列为一个矩阵。如果是分子布局,则矩阵的第一个维度以分子为准,即结果是一个$m \times n$的矩阵,如下:$$ \frac{\partial  \mathbf{y}}{\partial \mathbf{x}} = \left( \begin{array}{ccc} \frac{\partial y_1}{\partial x_1}& \frac{\partial y_1}{\partial x_2}& \ldots & \frac{\partial y_1}{\partial x_n}\\  \frac{\partial y_2}{\partial x_1}& \frac{\partial y_2}{\partial x_2} & \ldots & \frac{\partial y_2}{\partial x_n}\\   \vdots&  \vdots &  \ddots & \vdots \\ \frac{\partial y_m}{\partial x_1}& \frac{\partial y_m}{\partial x_2} & \ldots & \frac{\partial y_m}{\partial x_n}  \end{array} \right)$$

    上边这个按分子布局的向量对向量求导的结果矩阵,我们一般叫做雅克比 (Jacobian)矩阵。

    如果是按分母布局,则求导的结果矩阵的第一维度会以分母为准,即结果是一个$n \times m$的矩阵,如下:$$ \frac{\partial  \mathbf{y}}{\partial \mathbf{x}} = \left( \begin{array}{ccc} \frac{\partial y_1}{\partial x_1}& \frac{\partial y_2}{\partial x_1}& \ldots & \frac{\partial y_m}{\partial x_1}\\  \frac{\partial y_1}{\partial x_2}& \frac{\partial y_2}{\partial x_2} & \ldots & \frac{\partial y_m}{\partial x_2}\\   \vdots&  \vdots &  \ddots & \vdots \\ \frac{\partial y_1}{\partial x_n}& \frac{\partial y_2}{\partial x_n} & \ldots & \frac{\partial y_m}{\partial x_n}  \end{array} \right)$$

    上边这个按分母布局的向量对向量求导的结果矩阵,我们一般叫做梯度矩阵。

    有了布局的概念,我们对于上面5种求导类型,可以各选择一种布局来求导。但是对于某一种求导类型,不能同时使用分子布局和分母布局求导。

    但是在机器学习算法原理的资料推导里,我们并没有看到说正在使用什么布局,也就是说布局被隐含了,这就需要自己去推演,比较麻烦。但是一般来说我们会使用一种叫混合布局的思路,即如果是向量或者矩阵对标量求导,则使用分子布局为准,如果是标量对向量或者矩阵求导,则以分母布局为准。对于向量对对向量求导,有些分歧,我的所有文章中会以分子布局的雅克比矩阵为主。

    具体总结如下:

自变量\因变量

标量$y$

列向量$\mathbf{y}$

矩阵$\mathbf{Y}$

标量$x$

/

$\frac{\partial  \mathbf{y}}{\partial x}$ 分子布局:m维列向量(默认布局) 分母布局:m维行向量

$\frac{\partial  \mathbf{Y}}{\partial x}$ 分子布局:$p \times q$矩阵(默认布局) 分母布局:$q \times p$矩阵

列向量$\mathbf{x}$

$\frac{\partial y}{\partial \mathbf{x}}$ 分子布局:n维行向量 分母布局:n维列向量(默认布局)

$\frac{\partial  \mathbf{y}}{\partial \mathbf{x}}$ 分子布局:$m \times n$雅克比矩阵(默认布局) 分母布局:$n \times m$梯度矩阵

/

矩阵$\mathbf{X}$

$\frac{\partial y}{\partial \mathbf{X}}$ 分子布局:$n \times m$矩阵 分母布局:$m \times n$矩阵(默认布局)

/

/

4. 矩阵向量求导基础总结

    有了矩阵向量求导的定义和默认布局,我们后续就可以对上表中的5种矩阵向量求导过程进行一些常见的求导推导总结求导方法,并讨论向量求导的链式法则。

(欢迎转载,转载请注明出处。欢迎沟通交流: liujianping-ok@163.com) 

本文参与 腾讯云自媒体分享计划 ,欢迎热爱写作的你一起参与!
本文分享自作者个人站点/博客:http://www.cnblogs.com/pinard复制
如有侵权,请联系 cloudcommunity@tencent.com 删除。
登录 后参与评论
0 条评论

相关文章

  • 机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法

        在机器学习中的矩阵向量求导(一) 求导定义与求导布局中,我们讨论了向量矩阵求导的9种定义与求导布局的概念。今天我们就讨论下其中的标量对向量求导,标量对矩...

    刘建平Pinard
  • 机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导

        在矩阵向量求导前4篇文章中,我们主要讨论了标量对向量矩阵的求导,以及向量对向量的求导。本文我们就讨论下之前没有涉及到的矩阵对矩阵的求导,还有矩阵对向量,...

    刘建平Pinard
  • 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法

        在机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法中,我们讨论了定义法求解矩阵向量求导的方法,但是这个方法对于比较复杂的求导式子,中间运算会很复杂,...

    刘建平Pinard
  • 【机器学习 基本概念】矩阵、向量求导法则

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

    魏晓蕾
  • 机器之心最干的文章:机器学习中的矩阵、向量求导

    机器之心
  • 《机器学习》-- 第三章 线性回归

    线性模型形式简单、易于建模,但却蕴涵着机器学习中一些重要的基本思想,许多功能更为强大的非线性模型(nonlinear model)可在线性模型的基础上通过引入层...

    fireWang
  • 深度学习中的参数梯度推导(一)下篇

    在《深度学习中的参数梯度推导(一)上篇》中,我们总结了各常见(向量对矩阵,矩阵对向量)的导数定义。我们还学习了矩阵微分和矩阵导数的关系,以及一些常见的矩阵微分性...

    灯塔大数据
  • 线性回归模型中的正规方程推导

    本文对吴恩达老师的机器学习教程中的正规方程做一个详细的推导,推导过程中将涉及矩阵和偏导数方面的知识,比如矩阵乘法,转值,向量点积,以及矩阵(或向量)微积分等。

    阿波张
  • 矩阵和向量求导入门

    本文主要介绍在机器学习公式推导过程中经常会用到的矩阵和向量求导入门知识。之前的文章也提过,本科的高数和线性代数课程中一般都没有介绍这部分知识,于是可能就有朋友会...

    阿波张
  • 矩阵求导与实例

    缘由 布局 求导的类别 从简单的例子说起 实例 SVM的对偶形式转换 Soft-SVM对偶形式转换 线性回归 logistic回归 参考资料 缘由 机器学习的很...

    用户1147754
  • 机器学习--多标签softmax + cross-entropy交叉熵损失函数详解及反向传播中的梯度求导

    https://blog.csdn.net/oBrightLamp/article/details/84069835

    用户1148525
  • 矩阵求导笔记

    1. 原则1:如果分子是标量函数,分母是列向量,那么求导结果要写成分母的形式,也就是列向量。

    小小杨
  • 最小二乘法小结

    最小二乘法是用来做函数拟合或者求函数极值的方法。在机器学习,尤其是回归模型中,经常可以看到最小二乘法的身影,这里就对我对最小二乘法的认知做一个小结。

    lujohn3li
  • 矩阵求导、几种重要的矩阵及常用的矩阵求导公式

    一般来讲,我们约定x=(x1,x2,...xN)T,这是分母布局。常见的矩阵求导方式有:向量对向量求导,标量对向量求导,向量对标量求导。

    狼啸风云
  • 矩阵微分布局

    在数学中, 矩阵微积分是多元微积分的一种特殊表达,尤其是在矩阵空间上进行讨论的时候。它把单个函数对多个变量或者多元函数对单个变量的偏导数写成向量和矩阵的形式,使...

    hotarugali
  • 深度学习利器之自动微分(1)

    本文和下文以 Automatic Differentiation in Machine Learning: a Survey 这篇论文为基础,逐步分析自动微分这...

    罗西的思考
  • 让向量、矩阵和张量的求导更简洁些吧

    本文是我在阅读 Erik Learned-Miller 的《Vector, Matrix, and Tensor Derivatives》时的记录。 本文的主要...

    用户7699929
  • 自动微分技术

    几乎所有机器学习算法在训练或预测时都归结为求解最优化问题,如果目标函数可导,在问题变为训练函数的驻点。通常情况下无法得到驻点的解析解,因此只能采用数值优化算法,...

    SIGAI学习与实践平台

扫码关注腾讯云开发者

领取腾讯云代金券