会员
周边
众包
新闻
博问
闪存
赞助商
Chat2DB
所有博客
当前博客
我的博客
我的园子
账号设置
会员中心
简洁模式
...
退出登录
注册
登录
刘建平Pinard
十五年码农,对数学统计学,数据挖掘,机器学习,大数据平台,大数据平台应用开发,大数据可视化感兴趣。
博客园
首页
新随笔
联系
订阅
管理
随笔 - 135
文章 - 0
评论 - 14147
阅读 -
1250万
2019年4月26日
机器学习中的矩阵向量求导(二) 矩阵向量求导之定义法
摘要: 在机器学习中的矩阵向量求导(一) 求导定义与求导布局中,我们讨论了向量矩阵求导的9种定义与求导布局的概念。今天我们就讨论下其中的标量对向量求导,标量对矩阵求导, 以及向量对向量求导这三种场景的基本求解思路。 对于本文中的标量对向量或矩阵求导这两种情况,如前文所说,以分母布局为默认布局。向量对向量求导
阅读全文
posted @ 2019-04-26 18:42 刘建平Pinard
阅读(42083)
评论(46)
推荐(19)
编辑
公告
★珠江追梦,饮岭南茶,恋鄂北家★
你的支持是我写作的动力:
昵称:
刘建平Pinard
园龄:
8年5个月
粉丝:
10738
关注:
15
+加关注
积分与排名
积分 - 489266
排名 - 1462
随笔分类
(135)
0040. 数学统计学(9)
0081. 机器学习(71)
0082. 深度学习(11)
0083. 自然语言处理(23)
0084. 强化学习(19)
0121. 大数据挖掘(1)
0122. 大数据平台(1)
随笔档案
(135)
2019年7月(1)
2019年6月(1)
2019年5月(2)
2019年4月(3)
2019年3月(2)
2019年2月(2)
2019年1月(2)
2018年12月(1)
2018年11月(1)
2018年10月(3)
2018年9月(3)
2018年8月(4)
2018年7月(3)
2018年6月(3)
2018年5月(3)
2017年8月(1)
2017年7月(3)
2017年6月(8)
2017年5月(7)
2017年4月(5)
2017年3月(10)
2017年2月(7)
2017年1月(13)
2016年12月(17)
2016年11月(22)
2016年10月(8)
更多
常去的机器学习网站
强化学习入门书
52 NLP
Analytics Vidhya
深度学习进阶书
深度学习入门书
机器学习路线图
机器学习库
阅读排行榜
1. 梯度下降(Gradient Descent)小结(537666)
2. 梯度提升树(GBDT)原理小结(338658)
3. K-Means聚类算法原理(329727)
4. 谱聚类(spectral clustering)原理总结(328892)
5. 线性判别分析LDA原理总结(299186)
评论排行榜
1. 梯度提升树(GBDT)原理小结(617)
2. 集成学习之Adaboost算法原理小结(362)
3. 决策树算法原理(下)(342)
4. 强化学习(十六) 深度确定性策略梯度(DDPG)(318)
5. 谱聚类(spectral clustering)原理总结(299)
推荐排行榜
1. 梯度下降(Gradient Descent)小结(165)
2. 奇异值分解(SVD)原理与在降维中的应用(124)
3. 谱聚类(spectral clustering)原理总结(87)
4. 集成学习之Adaboost算法原理小结(70)
5. MCMC(一)蒙特卡罗方法(69)
点击右上角即可分享