我开始学习机器学习，需要用Python编程。我在跟随一个关于反向传播的教程。在教程中，我遇到了一个问题，需要将一个算法改进以支持矩阵乘法，从而使其运行得更快。以下代码来自一个更新偏置和权重的函数。我需要对其进行修改，以便不是一次处理一个输入-输出对，而是处理整个输入和输出矩阵。mini-batch是一个包含10个元素的列表。列表中的每个元素包含两个元组，一个元组是输入，是一个784×1大小的矩阵。另一个元组是输出，是一个10×1大小的矩阵。我尝试将输入组合成一个784x10x1的数组，然后将其转换为784×10的数组。我以两种方式进行了操作，如下面的代码所示：

# 为了清晰起见 - batch[0]是mini_batch中元素的第一个元组，正如之前提到的，这是输入数组。# mini_batch[0][0]是mini_batch中第一个元素的输入数组，正如我之前提到的，是一个784x1的数组inputs3 = np.array([batch[0] for batch in mini_batch]).reshape(len(mini_batch[0][0]), len(mini_batch))inputs2 = np.array([batch[0].ravel() for batch in mini_batch]).transpose()

inputs3和inputs2都是784×10的数组，但不知为何，它们并不相等。我不明白为什么会这样，所以如果有人能解释为什么会有这种差异，我将不胜感激。

回答：

>>> A = np.array([[1,2,3],[4,5,6]])>>> A.reshape(3,2)array([[1, 2],       [3, 4],       [5, 6]])>>> A.transpose()array([[1, 4],       [2, 5],       [3, 6]])

从这个简短的例子中你可以看到，A.transpose() != A.reshape(3,2)。

想象一个尺寸为3×2的空白矩阵。A.reshape(3,2)会从A（一个2×3的矩阵）中从左到右读取值，从顶行开始，并将它们存储在空白矩阵中。这使得这些矩阵具有不同的值。