知识卡片
重塑和拼接的雅可比
按行展平顺序不变的 reshape 只改变矩阵形状,其展平表示对原值的雅可比为单位矩阵。Concat 按顺序拼接各父节点,某父节点的雅可比是在其对应输出区段放置单位阵、其他行置零。reshape 一般不是转置;把列向量变成行向量的特例不能推广到一般矩阵。
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
原书出处 · 1 处
- 非全连接神经网络 6.1 带二次项的逻辑回归 · 查看原书依据
因为变形前和变形后的矩阵按行展开是一一对应的
参考来源
- 位置:《用Python实现深度学习框架》第6章《非全连接神经网络》,6.1 带二次项的逻辑回归(来源项目 book-source:`extracted/用Python实现深度学习框架/_epub-src/text/part0000_split_051.html`)
- 结论依据:原文给出二次项外积、紧凑模型及 Reshape、Concat 的局部雅可比。
- 原始内容:因为变形前和变形后的矩阵按行展开是一一对应的。