在学习或编程深度神经网络时，最重要的是以矩阵的形式排列数据。而使用Keras就像将数据以矩阵的形式排列并提供给它一样简单。没有必要定义权重和偏差。

本文是为那些想要使用numpy或低级TensorFlow来编写深度模型的人的指南。

这篇文章描述：

• 我们可以通过多少方式安排输入数据。
• 增加输入和权重的不同方法。
• 如何根据输入数据布局定义权重和偏差。
• 如何使尺寸正确。
• 推广上述尺寸问题，根据层计算权重和偏差的尺寸。

矩阵尺寸：

有两种类型我们可以在矩阵中排列数据：

• 1）将特征排列为列
• 2）将特征排列为行

作为列的特征：

在这种类型中，特征被排列为列，并且样本被排列为行。

例如，具有n特征和1样本的矩阵如下所示：

这得到了Keras和其他在线教程的支持。

行的特征：

在这种类型中，特征排列为行，样本排列为列。

例如，具有n特征和1样本的矩阵如下所示：

这是由Andrew Ng支持的。

矩阵运算：

操作顺序取决于我们如何安排数据。

• 如果数据按列排列的特征： X*W + B
• 如果数据按行排列的特征： W*X + B

其中，W =权重矩阵，X =输入矩阵，B =偏差矩阵

如果输入数据排列发生变化，为什么公式会发生变化？

我们需要将输入乘以其相应的权重并将它们全部相加。

简化为

通常矩阵乘法如下：

注意：为简单起见，请忽略上图中的淡黄色圆点。

想象一下，黄色 =输入，深黄色 =样品-1和红色 =权重。（这里我们按照列排列的特征）

上图代表我们的等式：

因此，如果我们将数据排列为列的特征，我们必须使用X*W+B

同样的事情适用于排列为行的特征（只需反转上述符号，如黄色 =权重，深黄色 =权重对应于样本-1，红色 =样本-1）。

所以，现在我们知道输入排列如何影响我们需要使用的公式。

矩阵的维数：

与Keras不同，在TensorFlow和Numpy中，我们需要定义每个权重和偏差。

现在，基于输入维数和输出维数，我们得到了偏置和权值矩阵的维数。

排列为行的特征：

首先，我们显然决定每层中的层数和节点数。

所以，这里我们已经知道输入层和输出层的矩阵尺寸。

即

第0层有4个输入和6个输出

第1层有6个输入和6个输出

第2层有6个输入和2个输出

第3层有2个输入和2个输出

现在我们只需要计算权重和偏差的尺寸。

我们考虑作为输入和输出维度的排列为列的特征。

一次，计算机每个线程/核心只能使用1个样本。

因此，如果我们有1024个内核（GPU），那么它使用1个样本x 1024

这是我们的基本等式：我们不知道W＆B的维度

我们知道1st Matrix列应该等于2nd Matrix行以执行矩阵乘法。

所以，我们用X的列更新W的行。

接下来，我们更新偏差。我们知道Matrix Addition不会更改生成的Matrix维度。因此，B的维数必须等于得到的矩阵Y.

现在，我们只剩下找到W的列。

我们知道矩阵相乘会改变输出矩阵的维数。

因此，当我们将X和W相乘时，结果尺寸必须等于B才能执行矩阵加法。

我们得到了Layer-1的尺寸。

对于Layer-2和Layer-3：

最后我们得到了带有1x2维的输出Y。

推广上述方法：

我们可以推广上述方程式来计算基于层的尺寸。

为此，我们只考虑计算的层和Layer-0不需要任何计算，因为它是输入层。

如果我们观察上面的3个方程，我们可以看到模式：

以列排列的特征：

基本方程式：

对于权重：

对于偏差：

其中n = 1,2,3 ......，输出层数

排列为行的特征：

基本方程式：

对于权重：

对于偏差：

其中n = 1,2,3 ......，输出层数。

我们可以看到“特征排列为行”的W＆B维度只是“以列排列的特征”的W＆B的转置。

那么，使用哪一个？功能排列为列或行？

使用按列排列的特征非常有意义。

因为，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。

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 ：

通过X * W将每个特征乘以其相应的权重并添加B，您可以在每个预测中添加偏差项。

这就是像Keras这样的框架使用这种表示法的原因。因此，我们被迫遵循排列为输入列的特征。如果我们使用低级TensorFlow，那么我们可以使用我们想要的符号，因为我们执行计算并明确定义权重和偏差。