【发布时间】:2020-11-22 17:52:59
【问题描述】:
这个功能有什么好处
N(x;θ) = θ1(θ2*x)
已经结束
G(x;θ) = θ*x
对于输入向量
x ∈ R^n
θ1 ∈ R^(nx1)
θ2 ∈ R^(1xn)
θ ∈ R^(nxn)
【问题讨论】:
标签: performance matrix matrix-multiplication multiplication computation
这个功能有什么好处
N(x;θ) = θ1(θ2*x)
已经结束
G(x;θ) = θ*x
对于输入向量
x ∈ R^n
θ1 ∈ R^(nx1)
θ2 ∈ R^(1xn)
θ ∈ R^(nxn)
【问题讨论】:
标签: performance matrix matrix-multiplication multiplication computation
对于第一种情况,维度为 1xn 的 θ2 与维度为 n 的 x 相乘。这给出了 1x1 的输出。然后乘以 nx1,N(x;θ) 的输出维度为 nx1。所以θ2中有n个元素,θ1中有n个元素。总共有 n+n (2n) 个元素。
对于第二种情况,维度为 nxn 的 θ 与维度为 n 的 x 相乘。这给出了 G(x;θ) 的输出维度为 nx1。在这种情况下,θ 有 n*n (n^2) 个元素。
因此,优点是,先计算第一种情况,然后计算第二种情况,计算成本较低。
【讨论】: