Matrix derivatives(矩阵求导)
来源:互联网 发布:tensorflow 关闭sess 编辑:程序博客网 时间:2024/06/06 05:09
11.对于一个函数f:为一个m*n矩阵到实数的映射。定义f对于A的导数为:
∇Af(A)也是一个m*n的矩阵,其中的元素(i,j)为∂f/∂Aij。
22.同样,引入迹(trace)的概念。
对一个n*n的矩阵A,迹定义为矩阵A的对角线元素之和。
如果a是一个实数(i.e., a 1-by-1 matrix),则tr a=a。迹的性质如下,
33.给定一个训练集,定义X是一个m*n的矩阵,其每行的值为训练集的输入值(m为训练集的样例数)
向量y是一个m*1的向量,对应训练集中每个Xi的目标值
因为所以很容易得到如下的定义,
又已知,得
因而为了得到最小J,由迹的性质的2、3可得5如下
44.所以,得到使得代价函数最小的得
#
阅读全文
0 0
- Matrix derivatives(矩阵求导)
- 矩阵微分(matrix derivatives)
- 矩阵、向量求导---Matrix calculus
- Matrix calculus(矩阵微积分)关于矩阵求导
- Derivatives of matrix
- matrix/vector derivatives
- 矩阵(向量)求导
- (Math)矩阵求导
- 矩阵求导(一)
- 矩阵求导(二)
- (Math)矩阵求导
- Matrix calculus(矩阵微积分)(第四部分),向量求导恒等式(II))
- Matrix calculus(矩阵微积分)(第三部分,向量求导恒等式(I))
- 各种矩阵(向量)求导
- (转)矩阵函数求导
- 矩阵求导(machine learning)
- 矩阵、向量求导(未完)
- 矩阵求导
- 第四章、bash特性详解
- 记牌器程序
- python 文件操作
- 求圆内部面积占比
- Linux下一个简单的进度条
- Matrix derivatives(矩阵求导)
- 关于Interface 和 abstrac 的理解
- dfs, bfs之邻接矩阵无向图
- smarty介绍
- UDP和TCP(传输层)
- Java多线程(2) 线程的状态和属性
- jquery load 的使用:
- 注意细节
- BMap的使用填坑