wx+b

最新推荐文章于 2025-06-23 19:49:50 发布
最新推荐文章于 2025-06-23 19:49:50 发布
阅读量843 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_33314743/article/details/97271683
本文探讨了深度学习中Wx+B的运用，将其映射到logit向量，并通过softmax等方法归一化至【0，1】区间。同时介绍了KaTeX数学公式语法，展示了Gamma函数与LaTeX数学表达式的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

@wx+bTOC
Wx+B使得 x[0.1 -0.5 0.8 3…] 映射到一个 W_DIM（W为W-dim*X-dim的矩阵） 维度的logit向量上
[-1，0.5，3，。。。。] ,每个数值的范围有可能是（-无穷，+无穷）？ 然后用softmax、logistic回归等可以归一化成【0，1】之间的数值
当X是一个NX-dim矩阵的时候，WX=W-dim*N的矩阵

在这里插入图片描述
在这里插入图片描述# 欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目Value
电脑$1600
手机$12
导管$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列第二列第三列
第一列文本居中第二列文本居右第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPEASCIIHTML
Single backticks'Isn't this fun?'‘Isn’t this fun?’
Quotes"Isn't this fun?"“Isn’t this fun?”
Dashes-- is en-dash, --- is em-dash– is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to- HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分

Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t   . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞​tz−1e−tdt.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06 Mon 13 Mon 20 已完成 进行中 计划一 计划二 现有任务 Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：:

张三 李四 王五 你好！李四, 最近怎么样? 你最近怎么样，王五？ 我很好，谢谢! 我很好，谢谢! 李四想了很长时间, 文字太长了 不适合放在一行. 打量着王五... 很好... 王五, 你怎么样? 张三 李四 王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0 开始 我的操作 确认？ 结束 yes no
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

Python：用矩阵实现y=wx+b
.
03-25 524
总结一下，使用Python实现矩阵y=wx+b需要导入NumPy库，定义输入x、权重w、偏置b和输出y的维度，并通过numpy.dot函数计算wx+b，应用激活函数后得到输出y。因为Python自带的列表不支持数学运算，而NumPy提供了强大的矩阵操作和数学函数，因此使用NumPy来实现矩阵y=wx+b非常便捷。然后，我们可以通过numpy.dot函数计算wx，加上偏置b，并将结果应用于激活函数（这里使用的是恒等函数）中，得到输出y。接下来，我们需要定义输入x、权重w、偏置b和输出y的维度。
超平面、Wx=b或Wx+b=0的几何意义
Zelf0914的博客
07-14 7245
超平面、Wx=b或Wx+b=0的几何意义超平面的理解Wx=b或Wx+b=0的几何意义 超平面的理解 二维空间中，满足 ax + by + c = 0 的所有点 (x, y) 在几何上是一条直线（类似于 y = k1x + k2）。 三维空间中，满足 ax + by + cz = d 的所有点 (x, y, z) 在几何上是空间的一张平面。 n维空间中, 满足n元一次方程 a1x1 + a2x2 +...
深度神经网络：WX+b vs XW+b
chuange6363的博客
09-10 1280
在大多数的神经网络教科书中，神经网络一般都会使用 y = WX+B 或者 y = XW+B 的形式。但是在 tensorflow 或者 theano 中，神经网络的实现都是采用了 y = XW+B 的形式。这是为什么呢？我花了很多的时间去查找资料，最后发现一点，可能是 y = XW+B 计算导...
【机器学习&深度学习】机器学习核心的计算公式：wx+b
最新发布
qq_62223405的博客
06-23 1129
wx + b 就是机器学习中每一个模型背后都在重复使用的“打分公式”，它将输入特征与模型的“判断标准”结合，最终输出一个决策依据。
wx=b的几何意义
chy's tech-life
08-06 1820
设w, x都是n维空间中的向量（vector），大家都知道w^{T}x=b表示一个hyperplane，那它的几何意义是什么呢？ 其实很简单，因为w^{T}x是两个向量点积，它表示x在w上的投影，或者更准确的说，是x在w上的投影乘以w的长度，即w^{T}x=||w|| ||x|| cos\theta 所以w^{T}x=b表示的是，所有在w上投影长度为b/||w||的向量集合，这显然是与
线性模型y=wx+b
weixin_51399397的博客
09-04 411
线性模型作业
Pytorch简单案例：y=wx+b参数训练
qq_33629518的博客
10-17 944
简单练习一下Pytorch：目标方程是y=2x+3，使用六个数据样本进行100次迭代 //An highlighted block import torch import numpy import matplotlib.pyplot as plt x_data=[1.0,2.0,3.0,4.0,5.0,6.0] y_data=[5.0,7.0,9.0,11.0,13.0,15.0] w=torch.tensor([1.0],requires_grad=True) b=torch.tensor([1.0],
河北省石家庄市高中数学 1.5 函数y=Asin(wx+b)的图象（2）学案 北师大版必修4
08-07
在高中数学的学习中，函数y=Asin(wx+b)是正弦函数的一种变形式，它在物理学中的简谐运动有着广泛的应用。这个函数涉及到四个关键的物理量：振幅(A)、周期(T)、频率(f)和初相(b)。 **振幅**：振幅A表示函数波动的...
关于一个线性表示代码，y=wx+b,w是一个n行四列的矩阵，x是一个4行1列的向量 这段代码实现了一个简单的线性回归模型
01-04
在本例中，模型的表达形式为 y = wx + b，其中 y 是因变量，也就是我们想要预测或者解释的变量；x 是自变量，代表一个四行一列的向量，可以看作是模型的输入；w 是一个 n 行四列的矩阵，用来表示不同自变量对应的...
机器学习（五）：w·x+b模型（2）
wangyanphp的专栏
02-04 3690
3. 支持向量机SVMSVM主要用于分类问题，w∈Rn,b∈R,y∈{−1,1}w\in R^n, b\in R, y\in \{-1,1\}(注意此处不再将b视为w0w_0)3.1 引言3.1.1 training set完全线性可分假设有很多wx+b=0超平面可以将training set中的数据正确分类，那么应该选用哪个（w,b）呢？如下图所示： 很容易凭借直觉选出wx+b=0与所有的数
Omni Recover——适用的IOS数据的恢复方案
m0_46528371的博客
09-17 390
用户常见的普遍IOS数据损坏问题都有什么呢？Omni Recover适用IOS数据恢复方案都有哪些？Omni Recover适用于大多数iOS数据灾难，例如您的iPhone被水损坏，iPhone屏幕无响应，iOS升级或iTunes同步失败，iPhone丢失，密码丢失等。macw小编为大家分享苹果数据恢复软件Omni Recover适用的IOS数据恢复方案。 Omni Recover for Mac(iPhone丢失数据恢复软件) 意外iOS数据删除 即使在所有Apple产品中都牢记简单性，在iPhon
Torch：WX+b中，b的维度应与WX的列向量相同
qq_43118572的博客
05-17 365
self.B=Parameter(torch.FloatTensor(h_dim)) # (16, ) # (16， 8285) * (8285， 8285) -> (16， 8285) -> (8285, 16) output=(output.transpose(1,0)*temp_drop).transpose(1,0) output+=self.B # (8285, 16) + (16,)
利用梯度算法，求解线性模型（y=wx+b）的最优参数w,b
axiaoquan的专栏
10-23 1565
利用梯度算法，求解线性模型（y=wx+b）的最优参数w,b
对于识别猫图案例中y=wX+b公式的理解
codeman_cdb的专栏
08-13 3221
y：图片中有猫的概率 X：图片的矩阵化表示 b：偏置量 问题：为什么通过训练，wx+b可以计算出图片中有猫的概率 分析： X是图片的特征化向量表示，每一个维度代表图片的一个特征 为了方便理解，我们简单假设： x1：眼睛特征 x2：四肢特征 x3：毛发特征 x4：尾巴特征 那么wx就可以理解为： w1*x1：眼睛是圆形的概率 w2*x2：耳朵是三角形的概率 w...
Python数据可视化：绘图库——Bokeh 应用讲解
Python案例分享，B站视频教程：https://space.bilibili.com/523606542
10-20 1723
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于娜驿站 ，作者娜娜zhao 前言 虽然在Python中有matplotlib可以满足我们大部分的绘图需求，但是这种原生的基本绘图确实显得不那么漂亮，当然可以通过一些设置使之看起来美观，然而那样一来就要花费不少的时间，好在强大的Python第三方库中有一些现成的绘图库，可以使得我们日常的绘图显得美观又便捷，这篇文章就来介绍一种绘图库——Bokeh。 Bokeh是用于现代W
markdown语法及公式编辑
发现问题，并解决问题，批判性思维
02-16 1340
快捷键 --------------------------- 撤销：Ctrl/Command + Z 重做：Ctrl/Command + Y 加粗：Ctrl/Command + B 斜体：Ctrl/Command + I 标题：Ctrl/Command + Shift + H 无序列表：Ctrl/Command + Shift + U 有序列表：Ctrl/Command + Shift + O...
【李宏毅2020 ML/DL】P10 Classification_1 | 简单的例子告诉你使用 wx+b 以及 Sigmoid 作为激活函数的合理性
记录学习痕迹的公众号：Piper蛋窝
07-22 1363
从一个简单的分类概率模型，我们将：得出一元线性函数的合理性，以及使用 Sigmoid 作为激活函数的合理性。
线性回归 基于TensorFlow2.0实现损失函数求解及求线性回归偏导（推导）
weixin_45399399的博客
09-17 723
一元线性回归方程(Simple linear regresson)：y=wx+b 模型变量：x, 模型参数： w:权重（weights） b:偏置值(bias) 对于任意样本xi的真实值为yi，预测值为y^ 则残差为y-y^=y-(wx+b) 为衡量模型的预测值与真实值之间的不一致程度，引入损失函数Loss。 模型训练过程为找到最佳的参数w,b使得损失函数最小。 作为损失函数，应满足如下两个条件 ·非负性 ·一致性 非负性为确保不会出现正负抵消情况，使得Loss值虽然很小，但拟合曲线误差较大的情况。 一致性
y=wx+b激活函数
04-03
### 关于线性方程 \( y = wx + b \) 的激活函数及其应用场景 在深度学习中，\( y = wx + b \) 是一种基本的线性变换形式。然而，在实际应用中，仅依赖这种线性变换无法捕捉复杂的模式和数据分布[^2]。因此，为了增强模型的能力并使其能够处理更复杂的数据结构，通常会在神经网络中引入非线性激活函数。 #### 常见激活函数及特点 以下是几种常见的激活函数以及它们的特点： 1. **Sigmoid 函数** Sigmoid 函数定义为： ```python import numpy as np def sigmoid(x): return 1 / (1 + np.exp(-x)) ``` 它将输入压缩到区间 [0, 1] 中，适用于二分类问题中的概率预测。但由于其梯度饱和特性，在深层网络训练过程中可能导致梯度消失问题[^1]。 2. **ReLU（Rectified Linear Unit）函数** ReLU 是目前最常用的激活函数之一，定义如下： ```python def relu(x): return np.maximum(0, x) ``` 对正数部分保持不变，而负数部分则被置零。它有效缓解了梯度消失问题，并加速了收敛过程。不过需要注意的是，当输入小于零时，该单元会被完全抑制，可能引发“死亡神经元”的现象[^4]。 3. **Tanh（双曲正切）函数** Tanh 函数可以看作是改进版的 Sigmoid ，它的输出范围位于 [-1, 1]: ```python def tanh(x): return np.tanh(x) ``` 类似于 Sigmoid ,但它具有均值接近于零的优点，这有助于中心化数据从而加快学习速度[^3]。 4. **Softmax 函数** 主要用于多类别分类任务中作为最后一层激活函数，能将多个维度上的得分转化为对应类别的概率估计： ```python def softmax(x): exp_x = np.exp(x - np.max(x)) # 防止数值溢出 return exp_x / np.sum(exp_x) ``` #### 应用场景分析 不同类型的激活函数适合不同的具体需求: - 如果目标是一个简单的回归或者二分类问题，则可以选择使用 Sigmoid 或者不加任何额外操作直接采用原始线性输出； - 当面对更加复杂的图像识别、自然语言处理等问题时，往往倾向于选用 ReLU 及其变体来构建隐藏层； - 而对于涉及序列建模的任务如语音合成等，则 LSTM/GRU 结构内部自带门控机制下的各种变形版本成为了主流选择。 综上所述，虽然基础形式为 \( y= wx+b\) 的线性映射非常重要，但在大多数情况下都需要配合合适的非线性激活才能充分发挥潜力。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值