在《深度學習入門：基於python的理論與實現》書中，看到講解矩陣的章節，加深了我對矩陣的理解。
脫離應用理解數學是很難的。將矩陣放在深度學習的環境裡可以較好的理解矩陣的含義。
這裡假設你已經學過矩陣。
對於神經網路，我更傾向於理解為：因素（輸入層）、影響因子（權重），結果（輸出層），這更貼近實際中的因果關係。
先假設有如下矩陣：
根據矩陣的計算規則，畫出模型圖，如下：
輸入層是 x1 與 x2，可理解為因素，對於每個因素，都有3個權重，組合起來會導致 3個結果。
權重矩陣的第一行（1，2，3），從圖中可以看出是 從 x1 伸出的三條黑線，是 作用於 x1 的所有權重，分別會影響r1、r2、r3。
權重矩陣的第一列（1，4），從圖中可以看出是指向 結果r1 的兩條輸入線，是僅影響 r1 的全部權重。
總結一下，權重矩陣也可以這麼理解：
權重矩陣的每行對應乙個因素。每行的數字是作用於某個因素的所有權重。知道這個，就很容易理解權重矩陣與輸入層和輸出層元素個數的關係了。權重矩陣的每列對應乙個結果。每列的數字是影響某個結果的全部權重。
若輸入層有2個元素，輸出需要有3個元素，那麼權重矩陣就必須是 2行3列。2行對應2個輸入因素，3列對應3個結果。
前面講的矩陣運算，左矩陣是一維矩陣，如果是二維、三維，如何理解呢？
輸入層怎麼會出現二維呢？會的，如果我們進行批量處理，即處理完（x1,x2）這對因素，我們還要處理（y1,y2）等因素，就可以組合成二維或多維矩陣形式。每一行就代表乙個要處理的二元因素。每行因素之間沒有任何聯絡，也互不影響，只是純粹的計算方便，而摞在一起。
從上面一段話可以看出來，其實每行的資料，是沒有任何關聯的。上式可理解為下面二式的簡略寫法。
所以，我們可以像前面的結論一樣，這麼理解多維的輸入層矩陣運算：
輸入矩陣的每行對應一次運算，各行互不關聯、互不影響。最後，個人理解，矩陣純粹就是人為定義的資料的排列方式而已，矩陣的乘法就是人為定義的計算規則。矩陣就只是個數學大師們發明的趁手的工具，沒有任何的自然意義，有點像計算機領域的語法糖。每次只考慮一行，最後將結果摞在一起。
以上僅為個人理解，歡迎指正。
理解神經網路
了解了什麼是神經單元，就很容易理解神經網路，神經網路就是一系列神經單元連線而成構成的網路結構，如下圖 這是乙個5層神經網路，包括輸入層和輸出層，輸入層也叫做資料層，一般接收資料的輸入。這裡每一層的神經單元都與相鄰層的神經單元連線，而與本層的神經單元無連線，因此也叫全連線神經網路。使用神經網路訓練影象...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...