一文讀懂深度學習中的矩陣微積分，fast.ai創(chuàng)始人&ANTLR之父出品 | 免費資源
魚羊 編譯整理
量子位 報道 | 公眾號 QbitAI
想要真正了解深度神經(jīng)網(wǎng)絡(luò)是如何訓練的，免不了從矩陣微積分說起。
雖然網(wǎng)絡(luò)上已經(jīng)有不少關(guān)于多元微積分和線性代數(shù)的在線資料，但它們通常都被視作兩門獨立的課程，資料相對孤立，也相對晦澀。
不過，先別打退堂鼓，來自舊金山大學的Terence Parr教授說：矩陣微積分真的沒有那么難。
這位ANTLR之父和fast.ai創(chuàng)始人Jeremy Howard一起推出了一篇免費教程，旨在幫你快速入門深度學習中的矩陣微積分。簡明，易懂。
DeepMind研究科學家Andrew Trask評價說：
如果你想跳過不相干的內(nèi)容，一文看盡深度學習中所需的數(shù)學知識，那么就是這份資源沒錯了。
只需一點關(guān)于微積分和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識，就能單刀直入，開始以下的學習啦。
深度學習所需的矩陣微積分
先來看一眼這篇教程都涵蓋了哪些內(nèi)容：
基本概念
矩陣微積分
神經(jīng)元激活的梯度
神經(jīng)網(wǎng)絡(luò)損失函數(shù)的梯度
文章開篇，先介紹了一下人工神經(jīng)元。
神經(jīng)網(wǎng)絡(luò)中單個計算單元的激活函數(shù)，通常使用權(quán)重向量w與輸入向量x的點積來計算。
神經(jīng)網(wǎng)絡(luò)由許多這樣的單位組成。它們被組織成稱為層的神經(jīng)元集合。上一層單元的激活成為下一層單元的輸入，最后一層中一個或多個單元的激活稱為網(wǎng)絡(luò)輸出。
訓練神經(jīng)元意味著對權(quán)重w和偏差b的選擇。我們的目標是逐步調(diào)整w和b，使總損失函數(shù)在所有輸入x上都保持較小。
導數(shù)規(guī)則、向量計算、偏導數(shù)……復習完需要掌握的先導知識，文章開始進入重要規(guī)則的推導，這些規(guī)則涉及矢量偏導數(shù)的計算，是神經(jīng)網(wǎng)絡(luò)訓練的基礎(chǔ)。
比如在矩陣微積分這一節(jié)中，涵蓋：
- 雅可比式（Jacobian）的推廣
- 向量element-wise二元算子的導數(shù)
- 涉及標量展開的導數(shù)
- 向量和降維
- 鏈式法則
每一小節(jié)中，都有簡潔明了的示例，由淺入深，層層遞進。
如果你在學習的過程中遇到不理解的地方，不要著急，耐心返回上一節(jié)閱讀，重新演算一下文中的示例，或許就能理順思路。
如果實在是卡住了無法推進，你還可以在fast.ai論壇（鏈接見文末）的“Theory”分類下提問，向Parr和Howard本人求解答。
而在文章的末尾，作者附上了所有數(shù)學符號的對照表。
以及重點概念的詳細補充信息。
值得注意的是，Parr和Howard也強調(diào)了，與其他學術(shù)方法不同，他們強烈建議先學會如何訓練和使用神經(jīng)網(wǎng)絡(luò)，然后再深入了解背后的基礎(chǔ)數(shù)學。因為有了實踐經(jīng)驗，數(shù)學會變得剛?cè)菀桌斫?/strong>。
傳送門
網(wǎng)頁版：
https://explained.ai/matrix-calculus/index.html
PDF：
https://arxiv.org/abs/1802.01528
fast.ai論壇：
http://forums.fast.ai/
—?完?—
相關(guān)閱讀
克10-EM-P-150x150.jpg)
