搞懂“矩阵微积分”才有办法精通深度学习，而这也是许多任务程师卡关的项目。你该如何清楚了解深度学习中的矩阵微积分呢？
程序语言解析器ANTLR之父和fast.ai创始人亲上火线，开课教你怎么快速K.O.！
想要真正了解深度神经网络是如何训练的，免不了从矩阵微积分说起。
虽然网络上已经有不少关于多样微积分和线性代数的线上数据，但它们通常都被视作两门独立的课程，数据相对孤立，也相对晦涩。
不过，先别打退堂鼓，来自旧金山大学的Terence Parr教授说：矩阵微积分真的没有那么难。
这位ANTLR之父和fast.ai创始人Jeremy Howard一起推出了一篇免费教程，旨在帮你快速入门深度学习中的矩阵微积分。简明，易懂。
DeepMind研究科学家Andrew Trask评价说：
如果你想跳过不相干的内容，一文看尽深度学习中所需的数学知识，那么就是这份资源没错了。
只需一点关于微积分和神经网络的基础知识，就能单刀直入，开始以下的学习啦。
快速破解深度学习所需的“矩阵微积分”
先来看一眼这篇教程都涵盖了哪些内容：
必备知识：导数、矢量、雅可比矩阵都不放过
神经网络中单个运算单元的激活函数，通常使用权重矢量w与输入矢量x的点积来运算。
神经网络由许多这样的单位组成。它们被组织成称为层的神经元集合。上一层单元的激活成为下一层单元的输入，最后一层中一个或多个单元的激活称为网络输出。
训练神经元意味着对权重w和偏差b的选择。我们的目标是逐步调整w和b，使总损失函数在所有输入x上都保持较小。
导数规则、矢量运算、偏导数……复习完需要掌握的知识，文章开始进入重要规则的推导，这些规则涉及矢量偏导数的计算，是神经网络训练的基础。
比如在矩阵微积分这一节中，涵盖：
每一小节中，都有简洁明了的示例，由浅入深，层层递进。
学到卡关？两位大神让你问清楚
如果你在学习的过程中遇到不理解的地方，不要着急，耐心返回上一节阅读，重新演算一下文中的示例，或许就能理顺思路。
如果实在是卡住了无法推进，你还可以在fast.ai论坛的“Theory”分类下提问，向Parr和Howard本人求解答。
而在文章的末尾，作者附上了所有数学符号的对照表。
以及重点概念的详细补充信息。
值得注意的是，Parr和Howard也强调了，与其他学术方法不同，他们强烈建议先学会如何训练和使用神经网络，然后再深入了解背后的基础数学。因为有了实践经验，数学会变得刚容易理解。