Tensorflow2.0中的不同行但同列的矩阵加法

Tensorflow中不同行但同列的矩阵加法

在设置神经网络的时候，我们可能会看到这样的代码

# z=wx,模拟获得激活函数的输入z
z = tf.random.normal([4,2])
b = tf.constant([1.,2.]) # 模拟偏置向量
z = z + b # 累加偏置

其中的z = z + b可能会让你感到非常的诧异什么一个4行2列的矩阵可以和一个1行2列的矩阵相加？？？其实这里的运算法则就是把b看作一个这样的矩阵:

$\begin{array}{cc}1& 2\\ 1& 2\\ 1& 2\\ 1& 2\end{array}$

然后再加起来，问题就是这样

为什么要这样设计呢？
回到我们设计偏置的初衷，我们给每个层的每个输出节点添加一个偏置，这个偏置数
据是对所有的样本都是共享的，换言之，每个样本都应该累加上同样的偏置向量𝒃，如图 所示：

Broadcasting机制：

这样的设计方法其实是满足Broadcasting机制，这个在我的另一篇博客中有详细讲述。
链接：https://blog.csdn.net/python_LC_nohtyp/article/details/104097417