矩阵分析与神经网络,矩阵论在神经网络中的应用
字符矩阵乘法可视化设计神经网络并推演神经网络的意义_wx6081438ce8e10的技术博客_博客
通过下面代码输出上图可以分析输出结果使用所有的元素编码s1的任意一个元素
就是建立一个任意一个元素和所有s2元素的关系。
将数组作为铭牌导入
从pytools导入一个
从交响乐进口是
# s1由两个元素[s0
# s1]
# 维度s1 h=2
A _ data=[ A ， B]，[C ， D]，[K ， L]]
# s2由三个元素[s0
# s1
# s3]
# 维度s2 h=2
b _ data=[ E ， F]，[G ， H]，[I ， J]，[M ， N]]
极好的聚真_成发(甲、乙):
col_list=[]
对于中的一行：
row_list=[]
对于b中的两列：
res=" .join([i * j for i，j in zip(one_row，two_col)])
row_list.append(res)
col _ list。appen(row _ list)
打印(row_list)
返回列列表
# s1，h h s2=34
# 第二个参数相当于转置
b _ a=聚真_成发(答)数据，b _数据)
# s1s2 s2h s1h
# 34*42=32 由于第二个位置等效转置所以直接传参是24 转置后传是42
聚真_成发(b_a，np.array(b_data).t)
# s2s1 s1h s2h
聚真_成发(np.array(b_a).t，np.array(a_data).t)
# [A ， B]
# [C ， D]
# [K ， L]
# [E ， F]
# [G ， H]
# [I ， J]
# [M ， N]
# [A*E B*F ， A*G B*H ， A*I B*J ， A*M B*N]
# [C*E D*F ， C*G D*H ， C*I D*J ， C*M D*N]
# [K*E L*F ， K*G L*H ， K*I L*J ， K*M L*N]
#[(A * E B * F)* E(A * G B * H)* G(A * I B * J *)I(A * M B * N)* M ，(A * E B * F)* F(A * G B * H)* H(A * I B * J)* J(A * M B * N)* N ]
#[(C * E D * F)* E(C * G D * H)* G(C * I D * J *)I(C * M D * N)* M ，(C * E D * F)* F(C * G D * H)* H(C * I D * J)* J(C * M D * N)* N ]
#[(K * E L * F)* E(K * G L * H)* G(K * I L * J *)I(K * M L * N)* M ，(K * E L * F)* F(K * G L * H)* H(K * I L * J)* J(K * M L * N)* N ]
# [A*E B*F*A C*E D*F*C K*E L*F*K ， A*E B*F*B C*E D*F*D K*E L*F*L]
# [A*G B*H*A C*G D*H*C K*G L*H*K ， A*G B*H*B C*G D*H*D K*G L*H*L]
# [A*I B*J*A C*I D*J*C K*I L*J*K ， A*I B*J*B C*I D*J*D K*I L*J*L]
# [A*M B*N*A C*M D*N*C K*M L*N*K ， A*M B*N*B C*M D*N*D K*M L*N*L]
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。