Python MNIST tensorflow教程对matmul翻转技巧意味着什么？

中关于MNIST for ML初学者的教程介绍了如何在一行上进行回归，随后介绍了技巧的使用（重点是我的）：

首先，我们用表达式

tf.matmul（x，W）

将x乘以W。当我们在方程中将它们相乘时，我们将Wx作为一个小技巧来处理x是一个具有多个输入的二维张量

---

这里的诀窍是什么？我们为什么要使用它？

嗯，这里没有诀窍。这条线基本上指向前面的一个等式乘法顺序

# Here the order of W and x, this equation for single example
y = Wx +b
# if you want to use batch of examples you need the change the order of multiplication; instead of using another transpose op
y = xW +b
# hence
y = tf.matmul(x, W)

---

好的，我认为主要的一点是，如果你分批训练（即一次训练多个训练集实例），TensorFlow总是假设

x

的第零维表示每批的事件数

假设您希望将维度M的训练实例映射到维度N的目标实例。您通常会将x（列向量）乘以NxM矩阵（并且，可选地，将偏差与维度N（也是列向量）相加），即

y=W*x+b，其中y也是一个列向量

从线性代数的角度来看，这是完全正确的。但现在的重点是分批培训，即同时使用多个培训实例进行培训。 要理解这一点，最好不要将x（和y）视为维度M（和N）的向量，而将其视为维度Mx1（和Nx1表示y）的矩阵。 由于TensorFlow假设组成一个批的不同训练实例沿着第零维对齐，因此我们在这里遇到了麻烦，因为第零维被单个实例的不同元素占用。 然后，诀窍是将上述方程进行转置（记住，乘积的转置也会切换两个转置对象的顺序）：

y^T=x^T*W^T+b^T

这与本教程中简短描述的内容基本相同。 请注意，y^T现在是维度为1xN的矩阵（实际上是行向量），而x^T是维度为1xM的矩阵（也是行向量）。W^T是维数MxN的矩阵。在本教程中，他们没有编写x^T或y^T，只是根据这个转置公式定义了占位符。我唯一不清楚的一点是为什么他们没有定义“转置方式”。我假设

+

运算符会在必要时自动转置

b

，以获得正确的尺寸

剩下的事情现在很简单：如果批处理大于1个实例，只需“叠加”多个

x

（1xM）矩阵，比如一个维度矩阵（AxM）（其中a是批处理大小）

b

有望自动广播到这个数量的事件（这意味着到维度矩阵（AxN）

y^T=x^T*W^T+b^T

---

您将获得批次中每个元素的目标（AxN）矩阵。

您能提供更多上下文吗？您从哪里引用的？在“实施回归”下。对不起，我对这一点很陌生，但您能解释一下为什么在使用批次示例时必须颠倒顺序吗？或者告诉我在哪里可以了解更多信息？

# Here the order of W and x, this equation for single example
y = Wx +b
# if you want to use batch of examples you need the change the order of multiplication; instead of using another transpose op
y = xW +b
# hence
y = tf.matmul(x, W)