【转载】维数相容+矩阵求导

作者：李飞腾链接：https://zhuanlan.zhihu.com/p/22473137
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。如果能二秒内在脑袋里解出下面的问题，本文便结束了。
已知：

J=(Xw-y)^T(Xw-y)=||Xw-y||^2 ，其中 X\in R^{m \times n}, w \in R^{n \times 1}, y \in R^{m \times 1} 。
求： \frac{\partial J}{\partial X} ， \frac{\partial J}{\partial w} ， \frac{\partial J}{\partial y} 。
到这里，请耐心看完下面的公式推导，无需长久心里建设。
首先，反向传播的数学原理是“求导的链式法则” :
设 f 和 g 为 x 的可导函数，则 (f \circ g)'(x) = f'(g(x))g'(x) 。
接下来介绍
矩阵、向量求导的维数相容原则
利用维数相容原则快速推导反向传播
编程实现前向传播、反向传播
卷积神经网络的反向传播

快速矩阵、向量求导
这一节展示如何使用链式法则、转置、组合等技巧来快速完成对矩阵、向量的求导
一个原则维数相容，实质是多元微分基本知识，没有在课本中找到下列内容，维数相容原则是我个人总结：
维数相容原则：通过前后换序、转置 使求导结果满足矩阵乘法且结果维数满足下式：
如果

x\in R^{m\times n}， f(x)\in R^1 ，那么 \frac{\partial f(x)}{\partial x} \in R^{m\times n} 。
利用维数相容原则解上例：
step1：把所有参数当做实数来求导， J=(Xw-y)^2 ，
依据链式法则有 \frac{\partial J}{\partial X}=2(Xw-y)w ， \frac{\partial J}{\partial w}=2(Xw-y)X ， \frac{\partial J}{\partial y}=-2(Xw-y)
可以看出除了 \frac{\partial J}{\partial y}=-2(Xw-y) ， \frac{\partial J}{\partial X} 和 \frac{\partial J}{\partial w} 的求导结果在维数上连矩阵乘法都不能满足。
step2：根据step1的求导结果，依据维数相容原则做调整：前后换序、转置
依据维数相容原则 \frac{\partial J}{\partial X} \in R^{m \times n} ，但 \frac{\partial J}{\partial X} \in R^{m \times n} = 2(Xw-y)w 中 (Xw-y)\in R^{m \times 1} 、 w \in R^{n \times 1} ，自然得调整为 \frac{\partial J}{\partial X}=2(Xw-y)w^T ；
同理： \frac{\partial J}{\partial w} \in R^{n \times 1} ，但 \frac{\partial J}{\partial w} \in R^{n \times 1} = 2(Xw-y)X 中 (Xw-y) \in R^{m \times 1} 、 X \in R^{m \times n} ，那么通过换序、转置我们可以得到维数相容的结果 2X^T(Xw-y) 。
对于矩阵、向量求导：
“当做一维实数使用链式法则求导，然后做维数相容调整，使之符合矩阵乘法原则且维数相容”是快速准确的策略；
“对单个元素求导、再整理成矩阵形式”这种方式整理是困难的、过程是缓慢的，结果是易出错的（不信你试试）。

如何证明经过维数相容原则调整后的结果是正确的呢？直觉！简单就是美...快速反向传播：

神经网络的反向传播求得“各层”参数

W 和 b 的导数，使用梯度下降（一阶GD、SGD，二阶LBFGS、共轭梯度等）优化目标函数。
接下来，展示不使用下标的记法（ W_{ij} , b_i or b_j ）直接对 W 和 b 求导，反向传播是链式法则和维数相容原则的完美体现，对每一层参数的求导利用上一层的中间结果完成。
这里的标号，参考UFLDL教程 - Ufldl
前向传播：
z^{(l+1)}=W^{(l)}a^{(l)}+b^{(l)} （公式1） a^{(l+1)} =f(z^{(l+1)}) （公式2）
z^{(l)} 为第 l 层的中间结果， a^{(l)} 为第 l 层的激活值，其中第 l+1 层包含元素：输入 a^{(l)} ，参数 W^{(l)} 、 b^{(l)} ，激活函数 f() ，中间结果 z^{(l+1)} ，输出 a^{(l+1)} 。
设神经网络的损失函数为 J(W,b) \in R^1 （这里不给出具体公式，可以是交叉熵、MSE等），根据链式法则有：
\bigtriangledown_{W^{(l)}}J(W,b)=\frac{\partial J(W,b)}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial W^{(l)}}=\delta ^{(l+1)}(a ^{(l)})^T \bigtriangledown_{b^{(l)}}J(W,b)=\frac{\partial J(W,b)}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial b^{(l)}}=\delta ^{(l+1)} 这里记 \frac{\partial J(W,b)}{\partial z^{(l+1)}}=\delta ^{(l+1)} ，其中 \frac{\partial z^{(l+1)}}{\partial W^{(l)}}=a ^{(l)} 、 \frac{\partial z^{(l+1)}}{\partial b^{(l)}}= 1 可由 公式1 得出， a ^{(l)} 加转置符号 (a ^{(l)})^{T} 是根据维数相容原则作出的调整。
如何求 \delta ^{(l)}=\frac{\partial J(W,b)}{\partial z^{(l)}} ？ 可使用如下递推（需根据维数相容原则作出调整）：
\delta ^{(l)}=\frac{\partial J}{\partial z^{(l)}}=\frac{\partial J}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial a^{(l)}} \frac{\partial a^{(l)}}{\partial z^{(l)}}= ((W^{(l)})^{T}\delta ^{(l+1)}) \cdot f'(z^{(l)}) 其中 \frac{\partial J}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial a^{(l)}} = (W^{(l)})^T \delta ^{(l+1)} 、 \frac{\partial a^{(l)}}{\partial z^{(l)}} = f'(z^{(l)}) 。
那么我们可以从最顶层逐层往下，便可以递推求得每一层的 \delta ^{(l)} = \frac{\partial J(W,b)}{\partial z^{(l)}}
注意： \frac{\partial a^{(l)}}{\partial z^{(l)}} = f'(z^{(l)}) 是逐维求导，在公式中是点乘的形式。
反向传播整个流程如下：

1. 进行前向传播计算，利用前向传播公式，得到隐藏层和输出层 的激活值。
2. 对输出层(第 l

   层)，计算残差：

   
   \delta ^{(l)} =\frac{\partial J(W,b)}{\partial z^{(l)}} （不同损失函数，结果不同，这里不给出具体形式）
3. 对于 l-1, l-2 , ... , 2 的隐藏层，计算：
   \delta ^{(l)}=\frac{\partial J}{\partial z^{(l)}}=\frac{\partial J}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial a^{(l)}}\frac{\partial a^{(l)}}{\partial z^{(l)}}=((W^{(l)})^{T}\delta ^{(l+1)}) \cdot f'(z^{(l)}) 4) 计算各层参数 W^{(l)} 、 b^{(l)} 偏导数：
   \bigtriangledown_{W^{(l)}}J(W,b)=\frac{\partial J(W,b)}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial W^{(l)}}=\delta ^{(l+1)}(a ^{(l)})^T \bigtriangledown_{b^{(l)}}J(W,b)=\frac{\partial J(W,b)}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial b^{(l)}}=\delta ^{(l+1)} 编程实现
   大部分开源library（如：caffe，Kaldi/src/{nnet1,nnet2}）的实现通常把 W^{(l)} 、 b^{(l)} 作为一个layer，激活函数 f() 作为一个layer（如：sigmoid、relu、softplus、softmax）。
   反向传播时分清楚该层的输入、输出即能正确编程实现,如：
   z^{(l+1)}=W^{(l)}a^{(l)}+b^{(l)} (公式1)
   a^{(l+1)} =f(z^{(l+1)}) (公式2)
   (1)式AffineTransform/FullConnected层，以下是伪代码：
   注: out_diff = \frac{\partial J}{\partial z^{(l+1)}} 是上一层（Softmax 或 Sigmoid/ReLU的 in_diff）已经求得：
   in_diff = \frac{\partial J}{\partial a^{(l)}} = \frac{\partial J}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial a^{(l)}} = W^T * out_diff （公式 1-1）
   W_diff =\frac{\partial J}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial W^{(l)}} = out_diff * in^T （公式 1-2）
   b_diff =\frac{\partial J}{\partial z^{(l+1)}} \frac{\partial z^{(l+1)}}{\partial b^{(l)}} = out_diff * 1 （公式 1-3）
   (2)式激活函数层（以Sigmoid为例）
   注：out_diff = \frac{\partial J}{\partial a^{(l+1)}} 是上一层AffineTransform的in_diff，已经求得,
   in_diff = \frac{\partial J}{\partial z^{(l+1)}} = \frac{\partial J}{\partial a^{(l+1)}} \frac{\partial a^{(l+1)}}{\partial z^{(l+1)}} = out_diff \cdot out \cdot (1-out) 在实际编程实现时，in、out可能是矩阵(通常以一行存储一个输入向量，矩阵的行数就是batch_size)，那么上面的C++代码就要做出变化（改变前后顺序、转置，把函数参数的Vector换成Matrix，此时Matrix out_diff 每一行就要存储对应一个Vector的diff，在update的时候要做这个batch的加和，这个加和可以通过矩阵相乘out_diffinput（适当的转置）得到。
   如果熟悉SVD分解的过程，通过SVD逆过程就可以轻松理解这种通过乘积来做加和的技巧。
   丢掉那些下标记法吧！
   卷积层求导
   卷积怎么求导呢？实际上卷积可以通过矩阵乘法来实现（是否旋转无所谓的，对称处理，caffe里面是不是有image2col），当然也可以使用FFT在频率域做加法。
   那么既然通过矩阵乘法，维数相容原则*仍然可以运用，CNN求导比DNN复杂一些，要做些累加的操作。具体怎么做还要看编程时选择怎样的策略、数据结构。
   快速矩阵、向量求导之维数相容大法已成