矩阵求导计算公式
前要：变量多次出现的求导法则：若某个变量在函数表达式中多次出现，可以单独计算函数对自变量的每一次出现的导数，再把结果加起来。用计算图来描述本条法则，就是：若变量x有多条影响函数f的值的路径，则计算
时需要对每条路径经求导再加和。
例：
，可以先把三个x看做三个不同的变量，即
,然后分别求导得
,
,
,最后再把这三项加起来，并抹掉下标可以得到
。
变量多次出现的求导法则，在自动编码器（autoencoder）和卷积神经网络等权值共享的模型导数时很有用。
具体应用：例：Batch Normalization的求导公式：
BN的介绍：
在BN原论文中给出了反向传播的公式，这里我们可以自己进行推导：
矩阵求导链式法则:
其中，先做线性变换再求导等于先求导再做线性变换。求导结果就等于参数矩阵A的转置
与函数导数
的乘积。两者的左乘右乘关系需要考虑维度相容原理来进行调整。也就是说，求导结果与自变量同型，即两者相乘矩阵维度与X的维度相同。
例：
