我开始学习机器学习。现在我试着玩tensorflow。
我常常看到这样的例子：
pred = tf.add(tf.mul(X, W), b)
我也在一个简单的numpy实现中看到了这样一条线。为什么始终使用x*W+b代替W*x+b？如果矩阵以这种方式成倍增加是否有优势？我看到有可能（如果X，W和b被转置），但我没有看到优势。在数学课堂上，我们总是只使用Wx+b。
非常感谢
答案 0 :(得分：5)
这就是原因：
默认情况下，w是权重向量，在数学中，向量被视为列，而不是行。
X是数据的集合。它是一个矩阵nxd（其中n是数据的数量，d是特征的数量）（大写字母X是矩阵n x d，小写字母只有1个数据1 x d矩阵）。
要正确地将两者相乘并在正确的特征中使用正确的权重，您必须使用X * w + b：
如果乘以w * X，则乘以（1 x d）*（n x d）并且没有任何意义。
答案 1 :(得分：1)
我也对此感到困惑。我想这可能是一个维度问题。对于* m维矩阵W和n维向量x，使用x W + b可以很容易地将其视为将m维特征映射到m维特征，即，您可以轻松地想到W作为n维 - ＆gt; m维操作，其中W x + b（x现在必须是m维矢量）变为m维 - ＆gt; n维操作，在我看来看起来不太舒服。 ：d