高维张量运算应用—卷积层的反向求导
来源:互联网 发布:linux exit 头文件 编辑:程序博客网 时间:2024/06/07 06:22
高维张量运算应用—卷积层的反向求导
一般形式的张量
所谓张量,不考虑物理意义,仅在形式上来看,是一个n阶的量
n=0时是标量。
n=1时是向量(矢量)。
n=2时是矩阵。
n更高时是高维张量。
在tensorflow中可以用tensor定义张量。
一般形式的张量积
以下用I,J,K表示下标集合(可以为空),i,j,k为下标。
关于张量积,
在tensorflow中可以用einsum(‘ij,jk->ik’,a,b)定义张量乘法,前一个字符串指定了求和方式。
利用张量积运算推导张量导数
用张量积运算推导高维量的推导相比矩阵运算推导,处理维度更加方便清晰,下面以矩阵,向量运算,统一用张量进行推导:
利用张量积运算推导卷积层的反向求导
用张量积运算推导高维量的推导相比矩阵运算,更加清晰,不易错。
下面假设卷积层
下面用张量运算推导卷积层的反向求导:
那么
- 高维张量运算应用—卷积层的反向求导
- 卷积运算的应用
- 基于Notes on Convolutional Neural Networks的卷积神经网络反向求导的理解
- 向量,矩阵,张量求导
- BP神经网络的反向求导
- 矩阵的求导运算
- 矩阵的求导运算
- 求导的符号运算
- 对向量,矩阵,张量求导
- 关于Maxpooling层的求导
- (CNN的反向求导及练习)
- CNN的反向求导及练习
- CNN的反向求导及练习
- 卷积层的实现
- 弥散张量成像的临床应用
- 张量代数的最最最基本应用
- 卷积求导(卷积神经网络)
- Mathematica的卷积运算
- 计算机网络
- 算法---递归
- Dubbo SPI组件加载流程源码分析
- 629. K Inverse Pairs Array
- 正态分布
- 高维张量运算应用—卷积层的反向求导
- 无规矩不成方圆 无规范不能协作 开发规范文档
- iOS自定义导航栏-导航栏联动(一)
- Qt5学习之简介和资料
- linux mysql安装
- LeetCode#515. Find Largest Value in Each Tree Row
- Ubuntu上编译安装Bitcoin Core
- MongoDB的skip,limit,sort执行顺序---先sort,后skip再limit, 跟写的顺序无关
- 从零开始 来日方长