cr:http://blog.csdn.net/txwh0820/article/details/46392293

一、矩阵的迹求导法则 
 

1. 复杂矩阵问题求导方法:可以从小到大,从scalar到vector再到matrix 


2. x is a column vector, A is a matrix

d(A∗x)/dx=A 
d(xT∗A)/dxT=A 
d(xT∗A)/dx=AT 
d(xT∗A∗x)/dx=xT(AT+A)

3. Practice: 
 
4. 矩阵求导计算法则 
求导公式(撇号为转置): 
Y = A * X –> DY/DX = A’ 
Y = X * A –> DY/DX = A 
Y = A’ * X * B –> DY/DX = A * B’ 
Y = A’ * X’ * B –> DY/DX = B * A’ 
乘积的导数: 
d(f*g)/dx=(df’/dx)g+(dg/dx)f’

一些结论

  1. 矩阵Y对标量x求导: 
    相当于每个元素求导数后转置一下,注意M×N矩阵求导后变成N×M了 
    Y = [y(ij)]–> dY/dx = [dy(ji)/dx]
  2. 标量y对列向量X求导: 
    注意与上面不同,这次括号内是求偏导,不转置,对N×1向量求导后还是N×1向量 
    y = f(x1,x2,..,xn) –> dy/dX= (Dy/Dx1,Dy/Dx2,..,Dy/Dxn)’
  3. 行向量Y’对列向量X求导: 
    注意1×M向量对N×1向量求导后是N×M矩阵。 
    将Y的每一列对X求偏导,将各列构成一个矩阵。 
    重要结论: 
    dX’/dX =I 
    d(AX)’/dX =A’
  4. 列向量Y对行向量X’求导: 
    转化为行向量Y’对列向量X的导数,然后转置。 
    注意M×1向量对1×N向量求导结果为M×N矩阵。 
    dY/dX’ =(dY’/dX)’
  5. 向量积对列向量X求导运算法则: 
    注意与标量求导有点不同。 
    d(UV’)/dX =(dU/dX)V’ + U(dV’/dX) 
    d(U’V)/dX =(dU’/dX)V + (dV’/dX)U’ 
    重要结论: 
    d(X’A)/dX =(dX’/dX)A + (dA/dX)X’ = IA + 0X’ = A 
    d(AX)/dX’ =(d(X’A’)/dX)’ = (A’)’ = A 
    d(X’AX)/dX =(dX’/dX)AX + (d(AX)’/dX)X = AX + A’X
  6. 矩阵Y对列向量X求导: 
    将Y对X的每一个分量求偏导,构成一个超向量。 
    注意该向量的每一个元素都是一个矩阵。
  7. 矩阵积对列向量求导法则: 
    d(uV)/dX =(du/dX)V + u(dV/dX) 
    d(UV)/dX =(dU/dX)V + U(dV/dX) 
    重要结论: 
    d(X’A)/dX =(dX’/dX)A + X’(dA/dX) = IA + X’0 = A
  8. 标量y对矩阵X的导数: 
    类似标量y对列向量X的导数, 
    把y对每个X的元素求偏导,不用转置。 
    dy/dX = [Dy/Dx(ij) ] 
    重要结论: 
    y = U’XV= ΣΣu(i)x(ij)v(j) 于是 dy/dX = [u(i)v(j)] =UV’ 
    y = U’X’XU 则dy/dX = 2XUU’ 
    y =(XU-V)’(XU-V) 则 dy/dX = d(U’X’XU - 2V’XU + V’V)/dX = 2XUU’ - 2VU’ +0 = 2(XU-V)U’
  9. 矩阵Y对矩阵X的导数: 
    将Y的每个元素对X求导,然后排在一起形成超级矩阵。 
    10.乘积的导数 
    d(f*g)/dx=(df’/dx)g+(dg/dx)f’ 
    结论 
    d(x’Ax)=(d(x”)/dx)Ax+(d(Ax)/dx)(x”)=Ax+A’x (注意:”是表示两次转置)

矩阵求导 属于 矩阵计算,应该查找 Matrix Calculus 的文献: 
http://www.psi.toronto.edu/matrix/intro.html#Intro 
http://www.psi.toronto.edu/matrix/calculus.html 
http://www.stanford.edu/~dattorro/matrixcalc.pdf 
http://www.colorado.edu/engineering/CAS/courses.d/IFEM.d/IFEM.AppD.d/IFEM.AppD.pdf 
http://www4.ncsu.edu/~pfackler/MatCalc.pdf 
http://center.uvt.nl/staff/magnus/wip12.pdf

矩阵的 Frobenius 范数及其求偏导法则的更多相关文章

  1. 矩阵的frobenius范数及其求偏导法则

    例子: http://www.mathchina.net/dvbbs/dispbbs.asp?boardid=4&Id=3673

  2. 矩阵的f范数及其求偏导法则

    转载自: http://blog.csdn.net/txwh0820/article/details/46392293 矩阵的迹求导法则   1. 复杂矩阵问题求导方法:可以从小到大,从scalar到 ...

  3. Maths | 二次型求偏导

  4. 用tensorflow求偏导

    # coding:utf-8 from __future__ import absolute_import from __future__ import unicode_literals from _ ...

  5. MathType二次偏导怎么表示

    求导以及求偏导运算在数学中是很重要的一个部分,尤其是在高等数学中,基本都由函数的导数与偏导组成,很多公式定理也是关于这方面的,如果少了这一部分,数学将会黯然失色.因此在文档中涉及到这些内容时,必然会少 ...

  6. Frobenius norm(Frobenius 范数)

    Frobenius 范数,简称F-范数,是一种矩阵范数,记为||·||F. 矩阵A的Frobenius范数定义为矩阵A各项元素的绝对值平方的总和,即 可用于 利用低秩矩阵来近似单一数据矩阵. 用数学表 ...

  7. C++实现矩阵的相加/相称/转置/求鞍点

    1.矩阵相加 两个同型矩阵做加法,就是对应的元素相加. #include<iostream> using namespace std; int main(){ int a[3][3]={{ ...

  8. 螺旋矩阵O(1)根据坐标求值

    传送门 洛谷2239 •题意 从矩阵的左上角(第11行第11列)出发,初始时向右移动: 如果前方是未曾经过的格子,则继续前进,否则右转: 重复上述操作直至经过矩阵中所有格子. 根据经过顺序,在格子中依 ...

  9. 关于matlab矩阵卷积conv2和傅里叶变换求卷积ifft2的关系

    先定义两个矩阵 a = [1 2 3 5 ; 4 7 9 5;1 4 6 7;5 4 3 7;8 7 5 1] %a矩阵取5*4 b = [1 5 4; 3 6 8; 1 5 7]   %b矩阵如多数 ...

随机推荐

  1. 【记录】Redis 基础

    Redis可以存放五种类型 1:String(字符串) 2:List(列表) 3:Hash(字典) 4:Set(集合) 5:ZSet(有序集合) String (字符串) redis 127.0.0. ...

  2. Docker两个问题的讨论

    docker中的container到底可不可以理解为一个操作系统? 先表明态度,我的理解是,NO. 主机级虚拟化 容器级虚拟化 容器通过Docker的守护进程(Docker daemon)来进行创建, ...

  3. 新旧Django版本中urls与path的区别

    from django.conf.urls import url from . import view urlpatterns = [ url(r'^hello$', view.hello),] 新版 ...

  4. Struts2中Action类的三种写法

      一.普通的POJO类(没有继承没有实现)-基本不使用 POJO(Plain Ordinary Java Object)简单的Java对象,实际就是普通JavaBeans,是为了避免和EJB混淆所创 ...

  5. 【串线篇】SpringMvc之强大的annotation-driven标签

    只要请求不好使就召唤mvc:annotation-driven <mvc:default-servlet-handler/> <mvc:annotation-driven/> ...

  6. WGCNA构建基因共表达网络详细教程

    这篇文章更多的是对于混乱的中文资源的梳理,并补充了一些没有提到的重要参数,希望大家不会踩坑. 1. 简介 1.1 背景 WGCNA(weighted gene co-expression networ ...

  7. 这样才能正确解锁MaxCompute客户端

    大数据计算服务(MaxCompute,原名ODPS)是一种快速.完全托管的TB/PB级数据仓库解决方案.MaxCompute向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速的解决 ...

  8. Python--数据类型与变量(列表、元祖、字典)

    今天我们来看Python中3种內建的数据结构:列表.元祖和字典 列表 定义:[]内以逗号分隔,按照索引,存放各种数据类型,每个位置代表一个元素特性:1.可存放多个值2.可修改指定索引位置对应的值,可变 ...

  9. 【Flutter学习】可滚动组件之滚动监听及控制

    一,概述 ScrollController可以用来控制可滚动widget的滚动位置 二,ScrollController 构造函数 ScrollController({ double initialS ...

  10. BZOJ 3622: 已经没有什么好害怕的了(二项式反演)

    传送门 解题思路 首先将\(a\),\(b\)排序,然后可以算出\(t(i)\),表示\(a(i)\)比多少个\(b(i)\)大,根据容斥套路,设\(f(k)\)表示恰好有\(k\)个\(a(i)\) ...