Backpropagation for a Linear Layer

CS231n assignment1 의 two_layer_net.ipynb 해결에 필수적이었던, Matrix들에서의 Backpropagation (Chain Rule) 에 대하여 설명한다. 원문 파일은 아래와 같다.
Backpropagation for a Linear Layer

목표

$Y$, $X$, $W$ 가 모두 행렬이고 $L$ 이 스칼라량이라 하자.
${\partial L \over \partial Y }$ 를 알고 있을 때, ${\partial L \over \partial X}$ 와 ${\partial L \over \partial W}$ 를 계산하는 것이 목표이다. 이것이 기본적인 Chain Rule을 이용한 Backpropagation이다.

조건

직접 Chain Rule을 이용하면, ${\partial Y \over \partial X}$ 나 ${\partial Y \over \partial W}$ 와 같은 항들이 등장한다. 이 항들은 Jacobian Matrix 인데, 너무나 크기 때문에 이 Jacobian 항들을 쓰고 싶지 않다.

방법

위의 원문 파일에서는 one element at a time 방식을 이용한다. 행렬을 원소 단위로 나누어 생각하고 계산해 본다는 것인데, 작은 사이즈의 경우를 예시로 직접 계산한 뒤 이를 일반화하였다.

결론

$${\partial L \over \partial X} = {\partial L \over \partial Y} \cdot W^T$$ $${\partial L \over \partial W} = X^T \cdot {\partial L \over \partial Y}$$

참고

• ${\partial (\text{scalar}) \over \partial(\text{matrix})} $ 와 ${\partial (\text{matrix}) \over \partial(\text{scalar})} $ 모두 결과값의 shape는 matrix의 shape와 같다!
• 원문에서 두 matrix의 dot product와 곱셈(multiplication)을 구분하는 듯 하였는데, 개인적으로 이 용법은 잘못되었다고 생각한다. Dot product는 두 matrix 사이에서 정의되지 않으며 조금 더 포괄적으로 생각하더라도 행렬들에 해당되는 dot product는 행렬의 곱셈이다. (그래서 필자와 같이 헷갈리는 사람을 만들어낸다 ㅜㅜ) 의미상 행렬의 dot product를 스칼라량이 output으로 나오는 inner product로 생각하면 깔끔하게 맞아 떨어진다. ($ < A,B > = \sum_{1 \leq i, j \leq n} a_{ij}b_{ij}$)