矩阵的求导
来源:互联网 发布:origin改host软件 编辑:程序博客网 时间:2024/05/16 11:51
复杂矩阵问题求导方法:可以从小到大,从scalar到vector再到matrix。
x is a column vector, A is a matrix
practice:
这几天由于用到矩阵求导相关的知识,但是自己没有学过矩阵论(研究生选课的时候,导师没有让选),于是百度了下,觉得完整的相关资料不多,还好发现了下面的这篇博客,给我了很大的帮助!
仔细分析了下博客中的内容,其实矩阵求导也是挺好理解的(估计是我有较好的MATLAB使用基础吧),下面看帖吧,哈哈!!
矩阵求导 属于 矩阵计算,应该查找 Matrix Calculus 的文献:
http://www.psi.toronto.edu/matrix/intro.html#Intro
http://www.psi.toronto.edu/matrix/calculus.html
http://www.stanford.edu/~dattorro/matrixcalc.pdf
http://www.colorado.edu/engineering/CAS/courses.d/IFEM.d/IFEM.AppD.d/IFEM.AppD.pdf
http://www4.ncsu.edu/~pfackler/MatCalc.pdf
http://center.uvt.nl/staff/magnus/wip12.pdf
在网上看到有人贴了如下求导公式:
Y = A * X --> DY/DX = A'
Y = X * A --> DY/DX = A
Y = A' * X * B --> DY/DX = A * B'
Y = A' * X' * B --> DY/DX = B * A'
于是把以前学过的矩阵求导部分整理一下:
1. 矩阵Y对标量x求导:
相当于每个元素求导数后转置一下,注意M×N矩阵求导后变成N×M了
Y = [y(ij)] --> dY/dx = [dy(ji)/dx]
2. 标量y对列向量X求导:
注意与上面不同,这次括号内是求偏导,不转置,对N×1向量求导后还是N×1向量
y = f(x1,x2,..,xn) --> dy/dX = (Dy/Dx1,Dy/Dx2,..,Dy/Dxn)'
3. 行向量Y'对列向量X求导:
注意1×M向量对N×1向量求导后是N×M矩阵。
将Y的每一列对X求偏导,将各列构成一个矩阵。
重要结论:
dX'/dX = I
d(AX)'/dX = A'
4. 列向量Y对行向量X’求导:
转化为行向量Y’对列向量X的导数,然后转置。
注意M×1向量对1×N向量求导结果为M×N矩阵。
dY/dX' = (dY'/dX)'
5. 向量积对列向量X求导运算法则:
注意与标量求导有点不同。
d(UV')/dX = (dU/dX)V' + U(dV'/dX)
d(U'V)/dX = (dU'/dX)V + (dV'/dX)U'
重要结论:
d(X'A)/dX = (dX'/dX)A + (dA/dX)X' = IA + 0X' = A
d(AX)/dX' = (d(X'A')/dX)' = (A')' = A
d(X'AX)/dX = (dX'/dX)AX + (d(AX)'/dX)X = AX + A'X
6. 矩阵Y对列向量X求导:
将Y对X的每一个分量求偏导,构成一个超向量。
注意该向量的每一个元素都是一个矩阵。
7. 矩阵积对列向量求导法则:
d(uV)/dX = (du/dX)V + u(dV/dX)
d(UV)/dX = (dU/dX)V + U(dV/dX)
重要结论:
d(X'A)/dX = (dX'/dX)A + X'(dA/dX) = IA + X'0 = A
8. 标量y对矩阵X的导数:
类似标量y对列向量X的导数,
把y对每个X的元素求偏导,不用转置。
dy/dX = [ Dy/Dx(ij) ]
重要结论:
y = U'XV = ΣΣu(i)x(ij)v(j) 于是 dy/dX = [u(i)v(j)] = UV'
y = U'X'XU 则 dy/dX = 2XUU'
y = (XU-V)'(XU-V) 则 dy/dX = d(U'X'XU - 2V'XU + V'V)/dX = 2XUU' - 2VU' + 0 = 2(XU-V)U'
9. 矩阵Y对矩阵X的导数:
将Y的每个元素对X求导,然后排在一起形成超级矩阵。
10.乘积的导数
d(f*g)/dx=(df'/dx)g+(dg/dx)f'
结论
d(x'Ax)=(d(x'')/dx)Ax+(d(Ax)/dx)(x'')=Ax+A'x (注意:''是表示两次转置)
关于最小二乘问题的求解,之前已有梯度下降法,还有比较快速的牛顿迭代。今天来介绍一种方法,是基于
矩阵求导来计算的,它的计算方式更加简洁高效,不需要大量迭代,只需解一个正规方程组。
在开始之前,首先来认识一个概念和一些用到的定理。矩阵的迹定义如下
一个的矩阵的迹是指的主对角线上各元素的总和,记作。即
好了,有了上述7个定理,就可以来求最小二乘解了。设
那么进一步得到
接下来会涉及到矩阵求导,因为
那么进一步利用矩阵求导并利用上述定理,得到
我们知道在极值点处梯度值为零,即
上述得到的方程组叫做正规方程组,那么最终得到
这样最小二乘问题只需解一个线性方程组即可,不再需要像梯度下降那样迭代了。
既然说到了正规方程组,在介绍一种方程组,叫做超定方程组,它的定义为:把方程个数大于未知量个数的方
程组叫做超定方程组。通常来说,对于一个超定方程组来说,求最小二乘解只需要两边同时乘的转
置,然后得到正规方程组,然后解这个方程就得到了最小二乘解。
- 矩阵的范数求导
- 矩阵的求导
- 常用的矩阵求导
- 常见的矩阵求导
- 矩阵的求导运算
- 矩阵的求导运算
- 矩阵的范数求导
- 矩阵、向量的求导
- 矩阵的求导
- 矩阵的求导
- 矩阵求导迹的求导技巧
- 数学基础: 矩阵的求导
- 神经网络的严格矩阵求导
- 矩阵的求导问题小结
- 矩阵求导的一些公式
- 常用的矩阵求导公式
- 矩阵求导
- 矩阵求导
- Unity3d与Android交互-SDK接入总结
- iptables日志记录访问记录
- Python类中__init__函数和self参数的关系
- MySQL5.7.19 解压版安装详细教程(附送纯净破解中文版SQLYog)
- 随机森林学习总结
- 矩阵的求导
- 区分函数重载、隐藏、函数覆盖,确定使用哪个成员
- CGI——万法归宗
- JavaWeb之tomcat安装、配置与使用(一)
- [每日刷题记录-dxy]
- web和webApp如何显示第三方网页链接
- 反射机制(详细)
- 【LeetCode】24. Swap Nodes in Pairs
- GOOGLE PLAY更新到安卓L风格后,给运营人员的几点建议