矩阵求导(二)

混江龙づ霸主 提交于 2019-11-30 00:52:25

本文承接上篇 ,来讲矩阵对矩阵的求导术。使用小写字母x表示标量,粗体小写字母

表示列向量,大写字母X表示矩阵。矩阵对矩阵的求导采用了向量化的思路,常应用于二阶方法求解优化问题。

首先来琢磨一下定义。矩阵对矩阵的导数,需要什么样的定义?第一,矩阵F(p×q)对矩阵X(m×n)的导数应包含所有mnpq个偏导数

,从而不损失信息;第二,导数与微分有简明的联系,因为在计算导数和应用中需要这个联系;第三,导数有简明的从整体出发的算法。我们先定义向量

(p×1)对向量

(m×1)的导数

(m×p),有

;再定义矩阵的(按列优先)向量化

(mn×1),并定义矩阵F对矩阵X的导数

(mn×pq)。导数与微分有联系

。几点说明如下:
  1. 按此定义,标量f对矩阵X(m×n)的导数

    是mn×1向量,与上篇的定义不兼容,不过二者容易相互转换。为避免混淆,用记号

    表示上篇定义的m×n矩阵,则有

    。虽然本篇的技术可以用于标量对矩阵求导这种特殊情况,但使用上篇中的技术更方便。读者可以通过上篇中的算例试验两种方法的等价转换。
  2. 标量对矩阵的二阶导数,又称Hessian矩阵,定义为

    (mn×mn),是对称矩阵。对向量

    或矩阵

    求导都可以得到Hessian矩阵,但从矩阵

    出发更方便。
  3. ,求导时矩阵被向量化,弊端是这在一定程度破坏了矩阵的结构,会导致结果变得形式复杂;好处是多元微积分中关于梯度、Hessian矩阵的结论可以沿用过来,只需将矩阵向量化。例如优化问题中,牛顿法的更新

    ,满足

  4. 在资料中,矩阵对矩阵的导数还有其它定义,比如

    (mp×nq),或是

    (mp×nq),它能兼容上篇中的标量对矩阵导数的定义,但微分与导数的联系(dF等于

    中逐个m×n子块分别与dX做内积)不够简明,不便于计算和应用。文献[5]综述了以上定义,并批判它们是坏的定义,能配合微分运算的才是好的定义。

 

然后来建立运算法则。仍然要利用导数与微分的联系

,求微分的方法与上篇相同,而从微分得到导数需要一些向量化的技巧:
  1. 线性:

  2. 矩阵乘法:

    ,其中

    表示Kronecker积,A(m×n)与B(p×q)的Kronecker积是

    (mp×nq)。此式证明见张贤达《矩阵分析与应用》第107-108页。
  3. 转置:

    ,A是m×n矩阵,其中

    (mn×mn)是交换矩阵(commutation matrix),将按列优先的向量化变为按行优先的向量化。例如

  4. 逐元素乘法:

    ,其中

    (mn×mn)是用A的元素(按列优先)排成的对角阵。

 

观察一下可以断言,若矩阵函数F是矩阵X经加减乘法、逆、行列式、逐元素函数等运算构成,则使用相应的运算法则对F求微分,再做向量化并使用技巧将其它项交换至vec(dX)左侧,对照导数与微分的联系

,即能得到导数。

特别地,若矩阵退化为向量,对照导数与微分的联系

,即能得到导数。

 

再谈一谈复合:假设已求得

,而Y是X的函数,如何求

呢?从导数与微分的联系入手,

,可以推出链式法则

和标量对矩阵的导数相比,矩阵对矩阵的导数形式更加复杂,从不同角度出发常会得到形式不同的结果。有一些Kronecker积和交换矩阵相关的恒等式,可用来做等价变形:

  1. 。可以对

    求导来证明,一方面,直接求导得到

    ;另一方面,引入

    ,有

    ,用链式法则得到

  2. ,A是m×n矩阵,B是p×q矩阵。可以对

    做向量化来证明,一方面,

    ;另一方面,

 

接下来演示一些算例。

例1:

,X是m×n矩阵,求

解:先求微分:

,再做向量化,使用矩阵乘法的技巧,注意在dX右侧添加单位阵:

,对照导数与微分的联系得到

特例:如果X退化为向量,即

,则根据向量的导数与微分的关系

,得到

 

例2:

,X是n×n矩阵,求

解:使用上篇中的技术可求得

。为求

,先求微分:

,再做向量化,使用转置和矩阵乘法的技巧

,对照导数与微分的联系,得到

,注意它是对称矩阵。在

是对称矩阵时,可简化为

 

例3:

,A是l×m矩阵,X是m×n矩阵,B是n×p矩阵,exp为逐元素函数,求

解:先求微分:

,再做向量化,使用矩阵乘法的技巧:

,再用逐元素乘法的技巧:

,再用矩阵乘法的技巧:

,对照导数与微分的联系得到

 

例4【一元logistic回归】:

,求

。其中

是取值0或1的标量,

列向量。

解:使用上篇中的技术可求得

,其中

 为sigmoid函数。为求

,先求微分:

,其中

为sigmoid函数的导数,对照导数与微分的联系,得到

推广:样本

,求

。有两种方法,方法一:先对每个样本求导,然后相加;方法二:定义矩阵

,向量

,将

写成矩阵形式

,进而可以使用上篇中的技术求得

。为求

,先求微分,再用逐元素乘法的技巧:

,对照导数与微分的联系,得到

 

例5【多元logistic回归】:

,求

。其中其中

是除一个元素为1外其它元素为0的

列向量,

矩阵,

列向量,

是标量。

解:上篇中已求得

。为求

,先求微分:定义

,注意这里化简去掉逐元素乘法,第一项中

,第二项中

。定义矩阵

,做向量化并使用矩阵乘法的技巧,得到

 

最后做个总结。我们发展了从整体出发的矩阵求导的技术,导数与微分的联系是计算的枢纽,标量对矩阵的导数与微分的联系是

,先对f求微分,再使用迹技巧可求得导数,特别地,标量对向量的导数与微分的联系是

;矩阵对矩阵的导数与微分的联系是

,先对F求微分,再使用向量化的技巧可求得导数,特别地,向量对向量的导数与微分的联系是

 

 

参考资料:

  1. 张贤达. 矩阵分析与应用. 清华大学出版社有限公司, 2004.
  2. Fackler, Paul L. "Notes on matrix calculus." North Carolina State University(2005).
  3. Petersen, Kaare Brandt, and Michael Syskind Pedersen. "The matrix cookbook." Technical University of Denmark 7 (2008): 15.
  4. HU, Pili. "Matrix Calculus: Derivation and Simple Application." (2012).
  5. Magnus, Jan R., and Heinz Neudecker. "Matrix Differential Calculus with Applications in Statistics and Econometrics." Wiley, 2019.
易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!