矩阵乘法的计算成本是多少？
How much computationally expensive is Matrix multiplication?
函数有什么优势
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)
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乘以维度为n的x。这给出了 G(x;θ) 作为 nx1 的输出维度。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，计算成本低。
函数有什么优势
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)
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乘以维度为n的x。这给出了 G(x;θ) 作为 nx1 的输出维度。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，计算成本低。