我一直在阅读有关tensorflow的指南：https://medium.com/all-of-us-are-belong-to-machines/the-gentlest-introduction-to-tensorflow-248dc871a224
......而且大多数情况下，我看到发生了什么。
然而，example code中的线性模型定义了这样的线性模型：
# Model linear regression y = Wx + b
x = tf.placeholder(tf.float32, [None, 1])
W = tf.Variable(tf.zeros([1,1]))
b = tf.Variable(tf.zeros([1]))
product = tf.matmul(x,W)
y = product + b
y_ = tf.placeholder(tf.float32, [None, 1])
# Cost function sum((y_-y)**2)
cost = tf.reduce_mean(tf.square(y_-y))
# Training using Gradient Descent to minimize cost
train_step = tf.train.GradientDescentOptimizer(0.0000001).minimize(cost)
问题是：Wx + b为什么用这些值表示：
x = tf.placeholder(tf.float32, [None, 1])
W = tf.Variable(tf.zeros([1,1]))
b = tf.Variable(tf.zeros([1]))
？ [None, 1]，[1, 1]？为什么[None, 1]代表x而[1, 1]代表W？
如果[1, 1]是大小为1的1个元素，那么为什么b只是[1]，这意味着什么？ 1个大小为0的元素？
对于W = tf.Variable，第一个'1'是特征，房子大小，第二个'1'输出，房价。
这是否意味着如果我试图代表模型，请说：
y = Ax + Bz
这意味着我有两个'特征'（x和z），我的A和B值应该被塑造为[2,1]？这似乎不对......
这似乎完全不同于polynomial regression所做的，其中权重因子是形状[1]。为什么会有所不同？
答案 0 :(得分：1)
我想也许你应该学习像线性代数这样的东西。
让我们从这一行# Model linear regression y = Wx + b开始，这是您发布的代码中的第一行。实际上，它意味着两个矩阵运算。
第一个是Wx，这意味着矩阵X矩阵乘以x。在您的情况下，意味着：
[x11, x21, x31, ..., xn1]T * [w] = [x11*w, x21*w, x31*w, ..., xn1*w]T
将Wx设为R（结果），我们可以将Wx + B重写为R + B。这是第二个矩阵运算。在您的情况下，意味着：
[x11*w, x21*w, x31*w, ..., xn1*w]T + [b] = [x11*w + b, x21*w + b, x31*w + b, ..., xn1*w + b]T
因此，如果您的输入中有多个要素，并且想要输出多个结果，那么模型的定义应为：
x = tf.placeholder(tf.float32, [None, your_input_features])
W = tf.Variable(tf.zeros([your_input_features, your_output_features]))
b = tf.Variable(tf.zeros([your_output_features]))
product = tf.matmul(x,W)
y = product + b
答案 1 :(得分：0)
原作者应该选择[1, 1]形状，因为她/他想要比普通标量产品具有更广泛的功能。
这样，您可以将形状更改为[1, d]，以便为每个样本提供d个功能。
当然，还应该将x的形状更改为d。
答案 2 :(得分：0)
你熟悉线性代数吗？
形状的占位符[无，1]表示无限行和1列。 形状[1,1]的占位符表示1行1列。
形状[1,1]和[1]在这个意义上是不同的：
然后tf.matmul计算点积：x.W并添加b。 为了使张量流工作，张量必须具有相似的形状，这就是W为形状[1,1]而不仅仅是[1]的原因。
让我们拥有：
然后：
我希望这能回答你的问题