Matrix 在TensorFlow中，为什么m*n矩阵可以加n*1矩阵？

我对python和TensorFlow非常陌生，最近几天我在为ML初学者学习MNIST时遇到了一个问题

在本教程中，我们使用y=tf.nn.softmaxtf.matmulX，W+b来获得输出

我的问题是，例如，X是一个[100784]矩阵，W是[784,10]矩阵，b是一个类似于[10,1]矩阵的[10]张量？，在我们调用tf.matmulX之后，我们将得到一个[100,10]矩阵。这是我的问题，[100,10]矩阵如何在这里加上b[10]张量？这对我来说毫无意义

---

我知道为什么会有偏见，我知道为什么需要添加偏见。但我只是不知道+操作符在这个问题上是如何工作的。

这是因为一个叫做广播的概念，它可以在Numpy和TensorFlow中找到。在高层次上，这就是它的工作原理：

假设您使用的op支持播放eg+或*，并且有2个输入张量X和Y。为了评估X和Y的形状是否兼容，op将从右侧开始成对评估尺寸。在下列情况下，尺寸视为兼容：

他们是平等的 其中一个是1 其中一个失踪了 将这些规则应用于add操作+和shape[100,10]和[10]的输入：

10和10是兼容的 100和“缺失”是兼容的 如果形状是兼容的，并且输入的一个维度为1或缺失，则op将基本上平铺该输入以匹配其他输入的形状

在您的示例中，添加操作将在进行添加之前有效地将形状[10]的Y平铺到形状[100,10]

---

有关广播的更多详细信息，请参见Numpy文档

参见numpy10中的广播，而不是10，1。向量不会自动成为矩阵、行向量或列向量。这只是一个向量。非常感谢，它非常有用。