07自动求导(李沐深度学习笔记)

07自动求导(李沐深度学习笔记)_第1张图片
07自动求导(李沐深度学习笔记)_第2张图片
07自动求导(李沐深度学习笔记)_第3张图片
这里求导可以参看上一节这张图, ∂ < x , w > ∂ w = x T ∂ w ∂ w + w T ∂ x ∂ w = x T ∂ w ∂ w = x T \frac {\partial }{\partial w}=x^T\frac{\partial w}{\partial w}+w^T\frac{\partial x}{\partial w}=x^T\frac{\partial w}{\partial w}=x^T w<x,w>=xTww+wTwx=xTww=xT,因为 ∂ w ∂ w = 1 \frac{\partial w}{\partial w}=1 ww=1, ∂ x ∂ w = 0 \frac{\partial x}{\partial w}=0 wx=0
07自动求导(李沐深度学习笔记)_第4张图片

07自动求导(李沐深度学习笔记)_第5张图片
这里的 ∂ X w ∂ w \frac{\partial Xw}{\partial w} wXw的X与w无关,可以提出来,因为 ∂ w ∂ w = 1 \frac{\partial w}{\partial w}=1 ww=1,所以最后 ∂ X w ∂ w = X × 1 = X \frac{\partial Xw}{\partial w}=X \times 1=X wXw=X×1=X
07自动求导(李沐深度学习笔记)_第6张图片
07自动求导(李沐深度学习笔记)_第7张图片
07自动求导(李沐深度学习笔记)_第8张图片
MXNet和TensorFlow都可以显示构造计算图,数学上都是这样显示的构造,先有公式再代入值
07自动求导(李沐深度学习笔记)_第9张图片
MXNet和Pytorch可以隐式的构造
07自动求导(李沐深度学习笔记)_第10张图片
07自动求导(李沐深度学习笔记)_第11张图片
07自动求导(李沐深度学习笔记)_第12张图片
07自动求导(李沐深度学习笔记)_第13张图片
07自动求导(李沐深度学习笔记)_第14张图片

你可能感兴趣的:(李沐深度学习,深度学习,线性代数,矩阵)