【机器学习/深度学习】数学基础——矩阵求导

矩阵求导的实质

A矩阵对B矩阵求导，实质是矩阵A中的每个元素对矩阵B中的每个元素进行求导。

分子布局和分母布局

广义上，矩阵可以认为是一个单独的标量（矩阵中只有一个元素）、一个向量（m1矩阵或者1n矩阵）。那么矩阵对矩阵求导实际上可以分为以下几种：

• 标量对向量求导
• 向量对标量求导
• 向量对向量求导

求导结果的形状是很难界定的。比如说，标量对一个列向量求导，得到的向量的形状是行向量呢，还是列向量呢？
这就有一个分子布局和分母布局的说法。简单来说，如果是分子布局，结果的形状就跟着分子走。如果是分母布局，结果的形状就跟着分母走。
一般，在机器学习或者深度学习之中，我们遇到的情况大部分都是一个标量对一个向量求导，或者一个向量对一个标量求导。这时候通常会采用混合布局。即：

• 标量对向量求导：采用分母布局，结果形状跟着分母走。
• 向量对标量求导：采用分子布局，结果形状跟着分子走。
• 向量对向量求导：这种看情况，分子布局和分母布局都是有可能出现的。

例如，以下图片中，均是分子布局，第一张图片中，y向量中的每一个元素都对x进行求导。第二张图片中，y向量的每一个元素都对x向量的每一个元素进行求导。

链式求导法则

标量中有链式求导法则，向量求导中同样存在链式求导。可以把一些运算式变成中间变量，之后一步步进行简单求导。

计算机在计算矩阵求导时，一般不会采用定义法去求导，而是使用链式求导法则。链式求导法则在计算机中是采用计算图的方式体现的。

计算图分为前向累积和反向累积。如上图所示即为前向累积，将上图中的箭头反向一下，就是反向累积。前向累积和反向累积有什么区别呢？前向累积从自变量开始一步步通过中间变量向因变量求导，反向累积从最上层的中间变量开始（其实就是因变量），一步步向自变量求导。计算图的节点表示中间变量（因变量也会用中间变量表示）或者自变量。

• 对于前向累积而言，每一条有向边表示后一个节点对前一个节点求导，并且把结果存储在后一个节点中。
• 对于反向累积而言，每一条有向边表示前一个节点对后一个节点求导，并且把结果存储在后一个节点中。

两者其实是一样的。在高等数学里，我们手算多元复合函数求偏导的时候，也会用到计算图，同时采用的是反向累积求导。

常用矩阵求导公式

最后，是一些常用的矩阵求导公式。
图片出处：https://blog.csdn.net/weixin_40994552/article/details/123804543

向量对向量求导

标量对向量求导

向量对标量求导