线性代数笔记：标量、向量、矩阵求导

0 基本法则

行向量对元素求导
列向量对元素求导
矩阵对元素求导
元素对行向量求导
元素对列向量求导
元素对矩阵求导
行向量对列向量求导
列向量对行向量求导
行向量对行向量求导
列向量对列向量求导
矩阵对行向量求导
矩阵对列向量求导 （这个略有不同）
行向量对矩阵求导（这个略有不同）
列向量对矩阵求导
矩阵对矩阵求导

1 分子布局和分母

我们先考虑一个问题：

        维度为m的一个向量对一个标量的求导，那么结果也是一个m维的向量：∂/∂。

        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？

        答案是行向量和列向量都可以（二者只相差一个转置运算）

但是在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。对于分母布局来说，我们求导结果的维度以分母为主。

        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。(就是说，跟着维度大的走）

        对于向量对对向量求导，有些分歧，可能得视情况而定了。

总的来说，我们可以做如下的总结：

2 向量对向量求导

 

 -

——>雅可比矩阵 

小写字母表示向量，大写字母表示矩阵

如果y是m维，x是n维，那么分子布局会得到一个m*n的矩阵；分母布局会得到一个n*m的矩阵

条件情况	典型表达式	分子布局 维度为	分母布局 维度为 (在这一小节中，以分母布局为主）
向量a不是向量x的函数		0【这里是全零矩阵】
/		I【这里是全1矩阵】
A不是关于x的函数		A
			A
a不是关于x的函数 但是u是，u=u(x)
A不是关于x的函数 但是u是，u=u(x)
a=a(x) u=u(x)
u=u(x) v=v(x)
u=u(x)
A不是x的函数

3 标量对向量求导 

条件情况	典型表达式	分子布局 维度为	分母布局 维度为y (在这一小节中，以分母布局为主）
a不是x的函数			0
a不是x的函数 u=u(x)
u=u(x) v=v(x)
u=u(x)
u=u(x) v=v(x) A不是x的函数
a不是x的函数			a
A不是x的函数 b不是x的函数
A不是x的函数
A不是x的函数，同时A是对称矩阵
A不是x的函数
A不是x的函数，同时A是对称矩阵		2A
/			2x
a不是x的函数 u=u(x)
a，b都不是x的函数
A,B,C,D,e都不是x的函数
a不是x的函数

4 向量对标量求导

 

对于一个函数，它的梯度为:

条件情况	典型表达式	分子布局 维度为y (在这一小节中，以分母布局为主）	分母布局 维度为y^T
a不是x的函数		0
a不是x的函数 u=u(x)
A不是x的函数 u=u(x)
u=u(x)
u=u(x) v=v(x)
u=u(x)
U=U(x) v=v(x)

5 标量对矩阵

 

条件情况	典型表达式	分子布局 维度为Y 标量对矩阵一般来说只有分子布局
U=U(x）
A,B不是x的函数 U=U(x)
U=U(x) V=V(x)
U=U(x,y)
A不是X的函数

6 矩阵对标量

注意一点：此时的展开式除以的X也相当于是转置

6.1 求解迹的微分

求解

6.2 矩阵对标量

条件情况	典型表达式	分子布局 维度为  (在这一小节中，以分母布局为主）	分母布局 维度为x
a不是X的方程			0
a不是X的方程 u=u(X)
u=u(X) v=v(X)
u=u(X)
U=U(X)
a,b都不是X的函数
a,b,C都不是X的函数
\		I（单位矩阵）
U=U(X) V=V(X)
a不是X的函数 U=U(X)
/
A不是X的函数		A
			A
A,B不是X的函数		BA
A,B,C不是X的函数
n是一个正整数
A不是X的函数 n是一个正整数
/
a不是X的函数
这里需要用到伪逆
		-2X
A不是X的函数 X是方阵，而且可逆
A不是X的函数 A对称 X不是方阵
A不是X的函数 A不对称 X不是方阵

参考资料

矩阵和向量的求导法则_jmhIcoding-CSDN博客_矩阵对向量求导

维基百科

​​​​​​​