机器学习入门文档深度页
点积与加权求和
线性模型用特征与权重的点积加偏置计算分数。
学习前需要掌握
背景与问题
线性回归、逻辑回归和人工神经元都以 wᵀx+b 为核心。
概念定义
点积把两个同维向量逐项相乘后求和；权重决定每个特征对线性分数的方向和大小。
直观理解
每项证据乘上重要性后汇总，再用偏置移动整体门槛。
核心原理
输入维度必须与权重一致；批量矩阵 Xw 会同时计算所有样本。
数学表达
核心表达
输入维度必须与权重一致；批量矩阵 Xw 会同时计算所有样本。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1确认 x/w 同维
- 2逐项相乘
- 3求和
- 4加偏置
代码对应位置
示例 1点积与加权求和：最小可验证示例：把正文原理映射为可检查的代码行为。
计算与实现步骤
- 1
确认 x/w 同维
- 2
逐项相乘
- 3
求和
- 4
加偏置
- 5
批量化为矩阵乘法
代码实现
示例 1
点积与加权求和：最小可验证示例
点积与加权求和：最小可验证示例
NumPy
example_01.py用途：把正文原理映射为可检查的代码行为。
import numpy as np
x = np.array([14.23, 1.71, 1065.0])
w = np.array([0.8, -0.2, 0.003])
b = -5.0
print(np.dot(w, x) + b)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
把正文原理映射为可检查的代码行为。
w- 模型权重或当前待优化参数。
b- 偏置项。
Step 1 · 1–5 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
import numpy as np
x = np.array([14.23, 1.71, 1065.0])
w = np.array([0.8, -0.2, 0.003])
b = -5.0
print(np.dot(w, x) + b)预期输出或运行结果
输出当前样本的一个线性分数。
常见错误 · 2 条
- 维度不匹配
- 未标准化时直接比较权重大小
实际应用
- 线性模型
- 神经元
常见错误
维度不匹配
未标准化时直接比较权重大小
文档来源
01｜数学与数据基础原始文档
学习资料/learning_tech/01_math_data_foundations.md- §2 点积与加权求和
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。