知识卡片
矩阵的广播加法
形状相同的两个矩阵可以逐元素相加;标量与矩阵相加时则作用于每个元素。深度学习中还允许矩阵与向量相加,此时把向量沿缺失的维度隐式复制到每一行再逐元素相加,这种简写称为广播。它的价值在于无须为每次加法显式构造一个把向量重复堆叠成的矩阵,让批量样本加偏置一类运算写起来极其简洁。边界在于维度必须兼容:参与运算的两个维度要么相等,要么其中一个为 1 才能被复制扩展。可迁移的启发是,广播用形状信息换来了代码的简洁,但也正是形状不匹配错误的高发来源,运用时要先核对维度。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第2章 线性代数
原书出处 · 1 处
- 第2章 线性代数 · 查看原书依据
换言之,向量 b 和矩阵 A 的每一行相加。这个简写方法使我们无须在加法操作前定义一个将向量 b 复制到每一行而生成的矩阵。这种隐式地复制向量 b 到很多位置的方式,称为广播 (broadcasting)。
参考来源
- 位置:《深度学习》第2章 线性代数(源文件:extracted/深度学习/_epub-src/text/part0000_split_001.html)
- 结论依据:原文说明允许矩阵与向量相加,向量 b 与矩阵 A 的每一行相加,并把这种隐式复制到多个位置的方式命名为广播。
- 原始内容:换言之,向量 b 和矩阵 A 的每一行相加。这个简写方法使我们无须在加法操作前定义一个将向量 b 复制到每一行而生成的矩阵。这种隐式地复制向量 b 到很多位置的方式,称为广播 (broadcasting)。