机器学习中的线性代数之矩阵求导_Vinicier的博客-CSDN博客_矩阵求导
主要参考了上述博文，不过越看越懵，有没有大佬帮我答疑解惑一些，非常感激~
在矩阵求导中有两种布局，分别为分母布局(denominator layout)和分子布局(numerator layout)
分子布局，就是分子是列向量形式，分母是行向量形式，分子的行决定结果的行，分母的列决定结果的列。
分母布局，就是分子是行向量形式，分母是列向量形式，分母的行决定结果的行，分子的列决定结果的列。
问题：什么时候用分子布局？什么时候用分母布局？ 矛盾：标量对向量的求导在理论和计算中存在矛盾理论1：标量关于向量中的每个元素求导后，结果按列排布
计算1：实际计算分析中，标量关于向量中的元素求导后，结果按行排布。理论2：理论规定计算中是以分子布局确定结果 计算2：将标量推广到向量关于向量的导数，具体计算分析是按照分母布局的形式 应用：pytorch中的自动求导
Pytorch中的自动求导函数backward()所需参数含义 - 不愿透漏姓名的王建森 - 博客园 (cnblogs.com)
推荐上述参考文献
个人理解：
out.backward()
代表的含义是结果关于各层的的后向求导结果
向量对向量的求导
参考文献：
向量，标量对向量求导数_心雨心辰的博客-CSDN博客_标量对向量求导
二次型梯度_benqbo的博客-CSDN博客_二次型的梯度
(1条消息) 矩阵和向量的求导法则_Icoding_F2014的博客-CSDN博客_矩阵对向量求导
向量的L2范数求导 - nowgood - 博客园 (cnblogs.com)
矩阵求导的本质与分子布局、分母布局的本质（矩阵求导——本质篇） - 知乎 (zhihu.com)
