我开始学习机器学习。现在我尝试使用TensorFlow进行一些实验。

我经常看到这样的例子：

pred = tf.add(tf.mul(X, W), b)

我也在一份普通的NumPy实现中看到了这样的代码行。为什么总是使用x*W+b而不是W*x+b？如果以这种方式进行矩阵乘法是否有优势？我知道这是可能的（如果X、W和b被转置），但我看不出有什么优势。在学校的数学课上，我们总是只使用Wx+b。

非常感谢

回答：

原因如下：

• 默认情况下，w是一个权重向量，在数学中向量被视为列而不是行。

• X是一组数据。它是一个nxd的矩阵（其中n是数据的数量，d是特征的数量）（大写X是一个n x d的矩阵，小写x仅表示一个1 x d的矩阵）。

为了正确地乘以两者并在正确的位置使用正确的权重，你必须使用X*w+b：

• 使用X*w，你可以将每个特征乘以其对应的权重，并通过添加b在每个预测上加上偏置项。

如果你乘以w * X，你会得到一个(1 x d)*(n x d)的乘积，这没有意义。