Tensor在神经网络中的角色
目录
3. Batch Normalization参数（如果模型中包含）
Tensor在神经网络中的角色
在神经网络中，tensor（张量）是一个核心概念，扮演着数据容器的角色。张量可以看作是标量、向量和矩阵的高维推广，能够存储多维数组的数据。在神经网络中，张量通常用于表示输入数据、权重、偏置项、激活值、梯度以及最终的输出等。
假设我们有一个简单的全连接神经网络（也称为密集连接层或线性层），它用于处理二维输入数据（例如，图像的灰度值或特征向量）。
-
输入层：输入数据被表示为一个张量，其形状可能为
[batch_size, input_features]，其中batch_size是批量中样本的数量，input_features是每个样本的特征数。 -
权重和偏置：权重（weights）和偏置（biases）也被表示为张量。权重的形状通常为
[input_features, output_features]，表示从输入特征到输出特征的连接强度；偏置的形状为[output_features]，用
原文地址：https://blog.csdn.net/qq_38998213/article/details/140687168
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！