TF：CNN里面的weight，bias，shape，从形状的角度理解整个过程

了解过机器学习的人都知道通用公式：y = w * x + b
weight：权重比
bias：偏斜量

但是很多人不清楚CNN（卷积神经网络）里面的weight 和bias在哪儿，是怎么参与运算的。这篇文章就为大家揭晓。

首先介绍shape（形状）：

在CNN里面永远绕不开一个概念：shape：形状
在测试中，我们输入了100*100的原始图片 “一.png”：

然后将它转换为 shape[100,100] 的数组，作为整个神经网络的输入：

输入 -> 输出（标签）：

输入： [100, 100] 的数组横着放就变成了 [1, 100 * 100]，表示有1个 [100 * 100] 原始输入。
输出： 输出的最终结果也就是数据的标签，图像分类，用onehot表示38个分类，所以形状为 [1, 38]，表示有1个 [38] 标签。
过程： 所以整个CNN神经网络在做的事情就是把 [1,100 * 100] 输入向量，映射到，[1, 38] 标签向量。

通常情况，我们需要更多的数据进行训练和测试，所以准备的数据如下：

训练数据：[142, 100 * 100]，142幅 [100 * 100] 训练图片
训练标签：[142, 38]，142个 [38] 对应的标签

测试数据：[38, 100 * 100]，38幅 [100 * 100] 测试图片
测试标签：[38, 38]，38个 [38] 对应的标签