矩阵求导法则与性质，机器学习必备~

前提及说明

第一次遇见矩阵求导，大多数人都是一头雾水，而搜了维基百科看也还是云里雾里，一堆的名词和一堆的表格到底都是什么呢？这里总结了我个人的学习经验，并且通过一个例子可以让你感受如何进行矩阵求导，下次再遇到需要进行矩阵求导的地方就不会措手不及。

在进行概念的解说之前，首先大家需要先知道下面的这个前提：

前提： 若 x 为向量，则默认 x 为列向量， xT 为行向量

布局的概念

布局简单地理解就是分子 y 、分母 x 是行向量还是列向量。

• 分子布局（Numerator-layout）： 分子为 y 或者分母为 xT (即，分子为列向量或者分母为行向量)
• 分母布局（Denominator-layout）： 分子为 yT 或者分母为 x (即，分子为行向量或者分母为列向量)

为了更加深刻地理解两种布局的特点和区别，下面是从维基百科中布局部分拿来的例子：

分子布局

• 标量/向量：  （分母的向量为行向量）

• 向量/标量：  （分子的向量为列向量）

• 向量/向量：  （分子为列向量横向平铺，分母为行向量纵向平铺）

• 标量/矩阵：  （注意这个矩阵部分是转置的，而下面的分母布局是非转置的）

• 矩阵/标量： 

分母布局

• 标量/向量：  （分母的向量为列向量）

• 向量/标量：  （分子的向量为行向量）

• 向量/向量：  （分子为行向量纵向平铺，分母为列向量横向平铺）

• 标量/矩阵：  （矩阵部分为原始矩阵）

一个求导的例子

问题

 

说明： y、w为列向量，X为矩阵

式子演化

看到这个例子不要急着去查表求导，先看看它的形式，是的形式，这种形式一般求导较为复杂，因此为了简化运算，我们先把式子展开成下面的样子（注意：： ）

然后就可以写成四个部分求导的形式如下（累加后求导=求导后累加）： 

求导

说明：分子部分为标量，分母部分为向量，找到维基百科中的Scalar-by-vector identities表格，在表格中匹配形式到第1行的位置，因为分母为列向量，因此为分母布局，对应的求导结果就是 0 。

说明：同样的，在维基百科中的Scalar-by-vector identities表格，在表格中匹配形式到第11行的位置，对应的求导结果就是 。

说明：因为分子为标量，标量的转置等于本身，所以对分子进行转置操作，其等价于第二部分。

说明：同样的，在维基百科中的Scalar-by-vector identities表格，在表格中匹配形式到第13行的位置，矩阵的转置乘上本身为对称矩阵当做表格中的A ，所以得到求导结果 。

整合

把四个部分求导结果进行相应的加减就可以得到最终的结果： 

 

现在你再看看维基百科里那成堆的表格，是不是觉得异常实用了！

参考文献

• 维基百科 Matrix calculus
• 求导的例子来自《机器学习实战》-第八章 回归 138页