二元函数对xy同时求导_矩阵求导与矩阵微分

矩阵求导与矩阵微分

符号定义

使用大写的粗体字母表示矩阵

使用小写的粗体字母表示向量

，这里默认为列向量

使用小写的正体字母表示标量

需要明白的是，矩阵求导的意义在哪来，我们回想一下函数求导的意义，最大的作用就是寻找极值，导数为0的位置就是函数极值位置，某个点的导数代表梯度下降的方向。

0.布局约定

当向量对于向量的求导的时候，通常会有两种结果，出现不同结果的原因是所使用的的布局不同。通常布局(Layout)有两种，分子布局(numerator layout)和分母布局(denominator layout)，简单来说，两种区别在于：

分子布局：分子为列向量或者分母为行向量
分母布局，分子为行向量或者分母为列向量

注意到分子布局与分母布局只是相差一个转置。我们考虑的大多数问题都是以函数自变量为一个矩阵或者向量（我们使用列向量），函数值为一个数，采用分母布局，得到的结果的维度将于自变量相同，所以下面都采用分母布局。

1.课本上的定义

在开始之前，先看一下戴华老师的《矩阵论》里面关于矩阵微分的描述：

矩阵

的导数

矩阵

对

的导数可以表示成:

函数对矩阵的导数

设

，

元函数

，定义

对矩阵

的导数为：

函数矩阵对矩阵的导数

设

，

元函数

定义函数矩阵：

对

的的导数如下：

其中

2.函数值为数

本节中我们考虑的问题是求

或者

，说白了就是一些变量到一个数的函数映射，在该情况下，

矩阵求导就是为了找到这些变量的具体的值，使得这个函数映射取得极值。

矩阵求导就为了寻找

。

2.1 通过定义求解例——最小二乘问题

以上我们知道了矩阵求导的定义，也明确了有两种基本的布局，由于在本文中，我们求解的问题通常是函数值为一个数，自变量为矩阵，目的是求矩阵变化对函数值的影响，导数应该维度与自变量相同，所以采用分母布局。一个最经典的问题就是最小二乘问题。

最小二乘问题是为了求解方程

，其中

，

。为了求解

，映射到一个数，当满足

时候，这个数取极值。构造如下映射：

很显然，这个数只有在满足测量的情况下，取得极值0。求极值就需要求导，求

对于

的导数有两种方法，首先最简单的一种就是写成定义形式：

所以有：

其中：

上式展示的是导数的每一行，

的求和可以看成是两个向量的内积，特别要注意，只利用的是分母布局，得到的是一个列向量，对于

需要转置，

，

，得到：

2.2 更简单的解法——矩阵微分

可以看出，使用定义写法非常麻烦，需要把每个分量都写出来，而且特别容易出错，有没有更简单的方法，那是肯定的，可以使用矩阵微分的方法。

因为这里面都是数，可以写成：

可以更快得到最终结果。

该简单的方法主要用到了矩阵微分的方法，矩阵微分主要有以下几种：

加减乘运算，转置，求迹：

求逆运算：

简单证明：

哈达玛积，也就是一般说的逐元素乘，即

：

逐元素函数，其中

接下来将导数与微分联系起来。我们先考虑对于一个二元函数

导数与微分的联系：

对于一个函数矩阵

，类似的，有：

写成矩阵形式就是：

注意到，如果矩阵降维成向量，上式子直接变成了

。

结合求迹的技巧，可以更加方便地计算求导:

标量求迹：
转置：
线性：
乘法交换：

2.3 更多的例子

首先给出一个非常简单的例子：

直接求迹，可以得到：

，所以可以得到

。
再给出一个更加复杂的例子，这个例子中会出现哈达玛积：

计算其导数，有

这里利用了哈达玛积的交换性，式子中的

表示将向量变成对角矩阵。所以可以得到：

还有一些例子可以见知乎上大佬的文章：矩阵求导术（上）

写在最后

本文简单介绍了矩阵求导的一些相关计算方法，本文的主要目的是通过矩阵求导寻找极值问题，为了帮助大家梳理，我给出了以下思维导图：

未完待续。。。

以后有机会我还会更新寻找极值的一些常见方法，主要包括梯度下降法和牛顿法。希望能够帮到大家。