关于神经网络中的shape问题

1.矩阵相乘神经网络

参考：

https://blog.csdn.net/machinerandy/article/details/79632748#commentBox

但对上文中最后一句“并且对于最终全连接的单输出节点 YY 得到的结果也由 Y1×10→Y10×1Y1×10→Y10×1。 ”，持保留意见。

 

tensorflow中，使用的代码是output = tf.matmul(inputs,W) + b，对应的公式是y = X*W + b。

输入变量X的shape是[样本数，单个样本的特征数]。特征数也是输入层神经元的个数。第（1，2）层（第1层指输入层，第2层指第一个hidden层）的W的shape是[第1层神经元个数，第2层神经元个数]。b的shape是[第2层神经元个数]。（b是加在第2层神经元上的偏置，是一维向量）。

所以第（i，i+1）层，输入的shape是[样本数，第i层的神经元的个数]，W的shape是[第i层神经元个数，第i+1层神经元个数]，b的shape是[第i+1层神经元个数]，输出的shape是[样本数，第i+1层神经元个数]。

输入数据 [samples，输入特征数]
W [输入特征数，输出特征数]
b [输出特征数]
输出数据 [samples，