From edb82b7ef2dfbf2606247b21297afb531d834cd3 Mon Sep 17 00:00:00 2001
From: RainBus <rainandbus@gmail.com>
Date: Sun, 15 Oct 2023 17:08:27 +0800
Subject: [PATCH] vault backup: 2023-10-15 17:08:27

---
 Study/DL/吴恩达深度学习课程/矩阵求导.md | 11 +++++++++--
 1 file changed, 9 insertions(+), 2 deletions(-)

diff --git a/Study/DL/吴恩达深度学习课程/矩阵求导.md b/Study/DL/吴恩达深度学习课程/矩阵求导.md
index 77c6c15..819937f 100644
--- a/Study/DL/吴恩达深度学习课程/矩阵求导.md
+++ b/Study/DL/吴恩达深度学习课程/矩阵求导.md
@@ -17,9 +17,16 @@ $$
 ## 本质
 $\frac{dB}{dA} = \frac{d(f(A))}{dA}$ 即 `B` 对 `A` 中的每个变量进行求导。
 ## 计算方法
-- 求导结果采用分母布局(同一行是同一个分母)。
 - 标量不变，向量拉伸。
-- Y横向拉伸，X纵向拉伸。
+- 前面横向拉伸，后面纵向拉伸。
+## 布局
+分为分母布局和分子布局(区别于谁是列向量)，主要区别为求导后元素排列不同。
+通常$(分母布局)^T = (分子布局)$。
+## 常用法则
+1. 乘法
+   $$
+	\frac{d(U^T V)}{dX} = \frac{\partial{U}}{\partial{X}} V + \frac{\partial{V}}{\partial{X}} U
+    $$
 ## 常见公式推导
 1. 
 	$$\begin{aligned}