[Day 29]TensorFlow矩阵运算

今天笔者想聊聊TensorFlow的矩阵运算模式，笔者向来的数学都不是太好，此次30天的尾声想要与大家一起了解一下TensorFlow的数学概念，那我们就开始啦!

矩阵运算模拟神经网路
基本上我们可以用一套数学公式进行模拟，得出输出与接收神经元的运作方法，如下所示:

y1=activation funtion(x1 X w11 + x2 X w21 + x3 X w31 + b1)
y2=activation funtion(x1 X w12 + x2 X w22 + x3 X w32 + b2)

下图的解释可以比较清楚些:

以上如果用中文的理解大致上的意思是: 输出=激活函数(输入 X 权重 + 偏差)
接着我们照每一个步骤分开来理解，如下所示:

输入x
藉由X可接收讯息，X负责模拟输入的部分，如上所示的x1、x2、x3
接收y
Y负责模拟接收的部分，如上所示的y1、y2
权重w(weight)
权重其实就是神经元上的轴突，与人类神经类似，轴突负责连结两端，传递讯息之功用
注意!由於我们建立TensorFlow模拟神经网路需要完全连接输入与接收，所以有个简单的算法，如下所示:

(输入3) X (接收2) = 共需要6个轴突

w11、w21、w31负责将x1、x2、x3传入y1
w12、w22、w32负责将x1、x2、x3传入y2

偏差值b(bias)
偏差值b可比拟为突出，代表接收神经元容易被活化的程度
如上所示，由於接收y有两个，所以会有两个偏差值b1、b2
注意!偏差值越高，越容易被活化并传递讯息
激活函数(avtivation funtion)
上述的公式(x1 X w11 + x2 X w21 + x3 X w31 + b1)，其实就是将激活函数模拟神经传导的运作。所以所有接受刺激的总和经过运算後，假设大於临界值的话，会再传递至下一个神经元

今天很多有点数学概念的东西，对笔者来说也相当具有挑战性呢!明天即将完成铁人赛第30天啦!最後努力啦!