魚羊 編譯整理
量子位 報導 | 公眾號 QbitAI
想要真正了解深度神經網絡是如何訓練的，免不了從矩陣微積分說起。
雖然網絡上已經有不少關於多元微積分和線性代數的在線資料，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麼難。
這位ANTLR之父和fast.ai創始人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容，一文看盡深度學習中所需的數學知識，那麼就是這份資源沒錯了。
只需一點關於微積分和神經網絡的基礎知識，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容：
基本概念矩陣微積分神經元激活的梯度神經網絡損失函數的梯度
文章開篇，先介紹了一下人工神經元。
神經網絡中單個計算單元的激活函數，通常使用權重向量w與輸入向量x的點積來計算。神經網絡由許多這樣的單位組成。它們被組織成稱為層的神經元集合。上一層單元的激活成為下一層單元的輸入，最後一層中一個或多個單元的激活稱為網絡輸出。訓練神經元意味著對權重w和偏差b的選擇。我們的目標是逐步調整w和b，使總損失函數在所有輸入x上都保持較小。
導數規則、向量計算、偏導數……複習完需要掌握的先導知識，文章開始進入重要規則的推導，這些規則涉及矢量偏導數的計算，是神經網絡訓練的基礎。
比如在矩陣微積分這一節中，涵蓋：
雅可比式（Jacobian）的推廣向量element-wise二元算子的導數涉及標量展開的導數向量和降維鏈式法則
每一小節中，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（連結見文末）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也強調了，與其他學術方法不同，他們強烈建議先學會如何訓練和使用神經網絡，然後再深入了解背後的基礎數學。因為有了實踐經驗，數學會變得剛容易理解。
傳送門
網頁版：
https://explained.ai/matrix-calculus/index.html
PDF：
https://arxiv.org/abs/1802.01528
fast.ai論壇：
http://forums.fast.ai/
— 完 —