Tips：本文为理解神经网络的前置知识，整体内容并不全，相关内容还需后续进一步完善。
一、基础
1、标量、向量和矩阵
标量：只有大小，没有方向的量
向量（欧几里得向量）：具有大小和方向的量。
矩阵：按照长方阵列排列的复数或实数集合
数学中的表示：
2、布局引入
2.1、标量对标量的导数
高等数学里面，我们已经学过了标量对标量求导，如下
有时候可能会有两个自变量，：
2.2、标量对向量的导数
我们将上面的两个标量写成向量形式，于是有（标量 y ，向量 x ）：
将两个推广到多个，就有了标量对向量求导的形式：
那么问题来了，一个标量y对维度为m的向量x求导，那么结果也是一个m维的向量，那么这个结果向量是行向量，还是列向量呢？
可见标量对向量的求导，就是标量对向量中每个分量求导，最后把他们排列在一起，按一个向量表示，同理也可以得到向量对标量的求导、向量对向量的求导、标量对矩阵的求导、矩阵对标量的求导、向量对矩阵的求导、矩阵对向量的求导、矩阵对矩阵的求导。
如上，标量y对维度为m的一个向量x 的求导，那么结果也是一个m维的向量。这个m维的求导结果排列成的m维列向量或行向量均可。
但在我们机器学习算法法优化过程中，如果行向量或者列向量随便写，那么结果就不唯一，为了解决这个问题，我们引入求导布局的概念。
3、分子布局(numerator layout)和分母布局(denominator layout)
3.1、标量对向量的求导
对于分子布局，我们求导结果的维度以分子为主，比如上面标量对向量求导的例子，结果的维度和分子的维度是一致的。也就是说，如果向量x是一个m维的行向量，那么求导结果是一个m维列向量。如果向量x是一个m维列向量，那么求导结果是一个m维行向量。
对于分母布局来说，我们求导结果的维度以分母为主，如果向量x是一个m维的行向量，那么求导结果也是一个m维行向量。如果向量x是一个m维的列向量，那么求导结果也是一个m维的列向量。
分子布局和分母布局的结果来说，两者互为转置。
3.2、向量对标量的求导
同理可得：
3.4、向量对向量的求导
3.5、标量对矩阵的求导
标量y对矩阵X（m*n）求导：
- 分子布局：求导结果维度为n*m
- 分母布局：求导结果维度与分母的矩阵X维度一致，为m*n
3.6、矩阵对标量的求导
矩阵Y（m*n）对标量x求导：
- 分子布局：求导结果维度与分子的矩阵Y维度一致，为m*n
- 分母布局：求导结果为n*m
向量对矩阵的求导、矩阵对向量的求导、矩阵对矩阵的求导。