机器学习:为什么xW+b而不是Wx+b？
机器学习:为什么xW+b而不是Wx+b？
提问于 2016-11-16 21:32:27
我开始学习机器学习。现在我试着和tensorflow一起玩。
我经常看到这样的例子：
pred = tf.add(tf.mul(X, W), b)我还在一个简单的numpy实现中看到了这样一条线。为什么总是使用x*W+b而不是W*x+b？如果矩阵以这种方式相乘，是否有优势？我认为这是可能的(如果X、W和b被转置)，但我看不到优势。在学校的数学课上，我们总是只使用Wx+b。
非常感谢
回答 2
Stack Overflow用户
回答已采纳
发布于 2016-11-16 21:38:00
这就是原因：
- 默认情况下，w是权重向量，在数学中，向量被认为是列，而不是行。
- X是数据的集合。它是一个矩阵nxd (其中n是数据的个数，d是特征的数目)(大写X是矩阵nxd，下情况只有1个数据1xd矩阵)。
要正确地乘这两种方法并在正确的特性中使用正确的权重，必须使用X*w+b：
- 对于X*w，您可以根据其相应的权重来对每个特性进行变异，通过添加b，您可以在每个预测中添加偏倚项。
如果你把w*x乘以a(1xd)*( no )，它就没有意义了。
Stack Overflow用户
发布于 2016-11-24 08:46:32
我也对此感到困惑。我想这可能是一个维度的问题。对于n*m维矩阵W和n维向量x，使用x_W+b可以很容易地看作是将n维特征映射为m维特征，也就是说，您可以很容易地将W看作n维-> m维操作，其中W_x+b (x现在必须是m维向量)变成了m维-> n维操作，在我看来，这看起来不太舒服。:D
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/40642732
复制相关文章
相似问题
腾讯云开发者
