Machine learning 神经网络正向传播中的点积

在神经网络正向传播中，当计算权重和输入之间的点积时，哪一个先出现？方法1）或方法2）

1） 重量.点（输入）+偏差

2） 输入点（重量）+偏差

---

这两种方法我都见过。我很困惑。

两个向量的点积是可交换的。不管是输入.dot（重量）还是weight.dot（输入）

---

来源：

两个向量的点积是可交换的。不管是输入.dot（重量）还是weight.dot（输入）

---

来源：

两者之间的区别在于点积中的权重和输入之间的顺序。然而，点积运算的性质表明顺序无关紧要；不管怎样，结果都是一样的

也就是说，

Weight.dot（输入）+Bias

是我最熟悉的

从数学的角度来看，你可能会考虑<代码>砝码.DOT（输入）作为权重的方法被认为是系数，因此出现第一个是最有逻辑意义的。p> 从方案的角度来看，这将在很大程度上取决于执行情况；最好在输入对象上调用

dot（）

方法，而不是权重

---

请务必注意，所选参数与不相同。正如您所指出的，矩阵乘法不一定是可交换的。我主要使用的库Tensorflow使用实现矩阵乘法。在神经网络的实现中，如果权重始终用作第二个参数，则表明在这种情况下首选第二种方法。

两者之间的区别在于点积中权重和输入之间的顺序。然而，点积运算的性质表明顺序无关紧要；不管怎样，结果都是一样的

也就是说，

Weight.dot（输入）+Bias

是我最熟悉的

从数学的角度来看，你可能会考虑<代码>砝码.DOT（输入）作为权重的方法被认为是系数，因此出现第一个是最有逻辑意义的。p> 从方案的角度来看，这将在很大程度上取决于执行情况；最好在输入对象上调用

dot（）

方法，而不是权重

---

请务必注意，所选参数与不相同。正如您所指出的，矩阵乘法不一定是可交换的。我主要使用的库Tensorflow使用实现矩阵乘法。在提供权重的神经网络实现中，始终将权重用作第二个参数，这表明在这种情况下，第二种方法更可取。

谢谢。我同意当权重和输入是向量时，顺序并不重要。但当它们是矩阵时，序列就很重要了。我想这也会影响梯度下降的推导，因为矩阵乘法和点积之间有一个区别，我认为这引起了一些混乱。为了充分肯定，我看了Tensorflow的例子，权重总是第二个使用。我会在回答中记下的。谢谢。我同意当权重和输入是向量时，顺序并不重要。但当它们是矩阵时，序列就很重要了。我想这也会影响梯度下降的推导，因为矩阵乘法和点积之间有一个区别，我认为这引起了一些混乱。为了充分肯定，我看了Tensorflow的例子，权重总是第二个使用。我会在回答中注意到这一点。我投票结束这个问题，因为它不是关于在中定义的编程，而是关于ML理论和线性代数。我投票结束这个问题，因为它不是关于在中定义的编程，而是关于ML理论和线性代数。