为什么我们在将数据输入 tensorflow 之前将数据展平？
Why do we flatten the data before we feed it into tensorflow?
我正在关注 udacity MNIST tutorial，MNIST 数据最初是 28*28 矩阵。然而就在提供数据之前，他们将数据展平为具有 784 列的一维数组 (784 = 28 * 28)。
例如，
原始训练集形状为 (200000, 28, 28).
200000 行（数据）。每个数据都是28*28的矩阵
他们将其转换为训练集，其形状为 (200000, 784)
有人可以解释为什么他们在将数据提供给 tensorflow 之前将数据展平吗？
因为在添加全连接层时，您总是希望数据是（1 或）2 维矩阵，其中每一行都是表示数据的向量。这样，全连接层只是输入（大小 (batch_size, n_features)）和权重（形状 (n_features, n_outputs)）（加上偏差和激活函数）之间的矩阵乘法，你得到形状 (batch_size, n_outputs) 的输出。另外，你真的不需要全连接层的原始形状信息，丢掉也没关系。
如果不先进行重塑而获得相同的结果会更复杂且效率更低，这就是为什么我们总是在全连接层之前进行重塑。相反，对于卷积层，您需要将数据保持为原始格式（宽度、高度）。
这是全连接层的惯例。全连接层将前一层中的每个节点与后续层中的每个节点连接起来，因此局部性对于此类层来说不是问题。
此外，通过像这样定义层，我们可以通过计算公式f(Wx + b) = y有效地计算下一步。这对于多维输入来说并不容易实现，并且重塑输入的成本低且易于实现。
我正在关注 udacity MNIST tutorial，MNIST 数据最初是 28*28 矩阵。然而就在提供数据之前，他们将数据展平为具有 784 列的一维数组 (784 = 28 * 28)。
例如，
原始训练集形状为 (200000, 28, 28).
200000 行（数据）。每个数据都是28*28的矩阵
他们将其转换为训练集，其形状为 (200000, 784)
有人可以解释为什么他们在将数据提供给 tensorflow 之前将数据展平吗？
因为在添加全连接层时，您总是希望数据是（1 或）2 维矩阵，其中每一行都是表示数据的向量。这样，全连接层只是输入（大小 (batch_size, n_features)）和权重（形状 (n_features, n_outputs)）（加上偏差和激活函数）之间的矩阵乘法，你得到形状 (batch_size, n_outputs) 的输出。另外，你真的不需要全连接层的原始形状信息，丢掉也没关系。
如果不先进行重塑而获得相同的结果会更复杂且效率更低，这就是为什么我们总是在全连接层之前进行重塑。相反，对于卷积层，您需要将数据保持为原始格式（宽度、高度）。
这是全连接层的惯例。全连接层将前一层中的每个节点与后续层中的每个节点连接起来，因此局部性对于此类层来说不是问题。
此外，通过像这样定义层，我们可以通过计算公式f(Wx + b) = y有效地计算下一步。这对于多维输入来说并不容易实现，并且重塑输入的成本低且易于实现。