高维张量运算应用—卷积层的反向求导
一般形式的张量
所谓张量，不考虑物理意义，仅在形式上来看，是一个n阶的量 a i 1 i 2 i 3 . . . i n a_{i_1i_2i_3...i_n} ai1i2i3...in，张量积有以下特殊形式:
n=0时是标量。
n=1时是向量(矢量)。
n=2时是矩阵。
n更高时是高维张量。
在tensorflow中可以用tensor定义张量。
一般形式的张量积
以下用I，J，K表示下标集合(可以为空)， i i i， j j j， k k k 为下标。
关于张量积， c I K = a I J b J K c_{IK}=a_{IJ}b_{JK} cIK=aIJbJK，表示 c I K = Σ J a I J b J K c_{IK}=\Sigma_{J}a_{IJ}b_{JK} cIK=ΣJaIJbJK，张量积有以下特殊形式:
c = a i b i c=a_ib_i c=aibi，对应向量点积 c = a T b c=a^Tb c=aTb
c I = a I b I c_I=a_Ib_I cI=aIbI，对应张量的按元素积 c = a
最低0.47元/天 解锁文章
2870
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
