【ML

求导的自变量和因变量直接有复杂的多层链式求导的关系，此时微分法使用起来也有些麻烦。需要一些简洁的方法。

本文我们讨论矩阵向量求导链式法则，使用该法则很多时候可以帮我们快速求出导数结果。如果遇到其他资料求

导结果不同，请先确认布局是否一样。

若没有特殊说明，默认情况定义如下：求导的自变量用x表示标量，x表示n维向量，X表示m×n维度的矩阵，求导的因变量用y表示标量，y表示m维向量，Y表示p×q维度的矩阵。默认向量为列向量，若是行向量，本文全部使用对应字母的转置表示。

总的求导准则：形式和平时高中所述的链式求导方式一样，这里矩阵和向量求导一定要注意维度统一。

假设多个向量存在依赖关系，比如三个向量 x → y → z 存在依赖关系，则我们有下面的链式求导法则：

维度探讨：假设x y z 的维度分别为m，n，p，∂z/∂x 是 p×m，∂z/∂y 是 p×n，∂y/∂x 是 n×m，符合矩阵乘法维度原则。

最后到1标量的依赖关系： x → y → z ，此时很容易发现维度不相容。不能再简单套用上面的式子，而做了对应的变形：

维度探讨：假设x y z 的维度分别为m，n，1，∂z/∂x 是 m×1，(∂y/∂x)T 是 m×n，∂z/∂x 是 n×1，符合矩阵乘法维度原则。

对于更加复杂的形式：如： y1 → y2 →…… yn → z ,则表达式为：

ML-2最小二乘法中使用到的，最小二乘法优化的目标是最小化如下损失函数:

对上述进行如下假设：

很容易得到以下表达式：

假设： X → Y → z 存在依赖关系，则我们有下面的链式求导法则：

上面的式子是矩阵迹性质来的，不是特别实用，也不便于推广。我们再看一个偏难得问题：

同样还是如此，

我们再来看看后半部分的导数：

那么最终的标签链式求导公式转化为：

排列成矩阵即为：

对上面的式子做个总结：

维度探讨：假设Y A X 的维度分别为p×n，p×m，m×n，∂z/∂X是m×n，(A)T 是 m×p，∂z/∂Y是 p×n，符合矩阵乘法维度原则。

这结论在是一个向量x的时候也成立，即

同理：如果要求导的自变量在左边，线性变换在右边，也有类似稍有不同的结论如下:

使用好上述四个结论，对于机器学习尤其是深度学习里的求导问题可以非常快的解决

矩阵向量求导的三种方法：定义法，微分法和链式求导法。在同等情况下，优先考虑链式求导法，尤其是第三节的四个结论。其次选择微分法、在没有好的求导方法的时候使用定义法是最后的保底方案。

基本上大家看了系列里这四篇后对矩阵向量求导就已经很熟悉了，对于机器学习中出现的矩阵向量求导问题已足够。

主要来自： https://www.cnblogs.com/pinard/p/10825264.html