吴恩达卷积神经网络各个输入输出的shape详解

最新推荐文章于 2025-06-07 12:08:20 发布

原创

最新推荐文章于 2025-06-07 12:08:20 发布 · 7k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#吴恩达 #卷积神经网络 #shape详解 #深度学习

维度总结：

如果在Tensorflow中构建一个自己的神经网络，框架会自动进行后向传播，所以只需要搭建好前向传播的部分，这里面维度必须对应好，其他的调用函数就行，现在总结一下维度问题。

从最简单的说：如下图，X是一个全是像素值的列向量(将一幅图flatten得到)，它的大小是(64*64*3,1)，则W是(64*64*3,1)，那么W的转置与X相乘得到的维度是(1,1)，b是(1,1)。

下面举另一个例子：如下图，这是个含有一层隐藏层的网络。输入是坐标(x1,x2)，所以维度是(2,1)，如果隐藏层被设计为含有4个神经元，那么a就是(4,1)，所以反推第一层权重W1为(4,2)，b1为(4,1)。然后由于输出为(1,1)，所以反推第二层权重W2为(1,4)，b2为(1,1)。