多元链法则(3)

设$E$是$\mathbf{R}^n$的子集,$F$是$\mathbf{R}^m$的子集,设$f:E\to F$是函数,$g:F\to \mathbf{R}^p(p\in\mathbf{N}^+)$是另一个函数.设$x_0$是$E$的内点,假设$f$在$x_0$处可微,且$f(x_0)$是$F$的内点,还假设$g$在$f(x_0)$处可微,那么$g\circ f:E\to\mathbf{R}^p$在$x_0$处可微,且
\begin{equation}
\label{eq:16.13.222}
(g\circ f)'(x_0)=g'(f(x_0))f'(x_0)
\end{equation}

 

证明:设点$x_0$的坐标是$(a_1,\cdots,a_n)$.则
\begin{equation}
\label{eq:21.16.1}
(g\circ f)'(x_0)=\begin{pmatrix}
\frac{\partial g\circ f}{\partial a_1}(x_0)&\cdots&\frac{\partial g\circ f}{\partial a_n}(x_0)\\
\end{pmatrix}
\end{equation}
根据多元链法则(2),可得
\begin{equation}
\label{eq:21.16.3}
\frac{\partial g\circ f}{\partial a_i}(x_0)=g'(f(x_0))\frac{\partial f}{\partial a_i}(x_0)
\end{equation}
把\ref{eq:21.16.3}代入\ref{eq:21.16.1},可得
\begin{equation}
\label{eq:21.17.4}
(g\circ f)'(x_0)=\begin{pmatrix}
g'(f(x_0))\frac{\partial f}{\partial a_1}(x_{0})&\cdots&g'(f(x_0))\frac{\partial f}{\partial a_n}(x_0)
\end{pmatrix}
\end{equation}
我们知道,
\begin{equation}
\label{eq:21.17.5}
f'(x_0)=\begin{pmatrix}
\frac{\partial f}{\partial a_1}(x_0)&\cdots&\frac{\partial f}{\partial a_n}(x_{0})
\end{pmatrix}
\end{equation}
因此\ref{eq:16.13.222}和\ref{eq:21.17.4}是相等的(根据的是分块矩阵的乘法).

 

转载于:https://www.cnblogs.com/yeluqing/archive/2012/10/22/3828237.html

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值