基于Numpy实现z=WX+b形式感知器的技术求助

要实现与原XW+b形式完全一致的WX+b版本，核心是调整矩阵维度的对应关系，本质是利用矩阵乘法的转置等价性。以下是具体实现方案：

关键维度调整逻辑 #

原代码采用样本行优先的输入格式（X形状为(样本数, 输入特征数)），XW+b的矩阵乘法要求权重W为(输入特征数, 输出特征数)；而WX+b形式需要输入为特征行优先（X形状为(输入特征数, 样本数)），权重W为(输出特征数, 输入特征数)，最后通过转置将结果转回样本行优先的格式，保证与原代码输出维度一致。

完整实现代码 #

import numpy as np

n_inpts = 10
in_feats = 5
n_hidden = 8
out_feats = 1

# 固定随机种子，方便结果验证（可选）
np.random.seed(42)

# 1. 转置输入矩阵：从(样本数, 输入特征数)转为(输入特征数, 样本数)
X = np.random.randn(n_inpts, in_feats).T

# 2. 权重矩阵维度反转：原W_x是(输入特征数, 隐藏层节点数)，现在改为(隐藏层节点数, 输入特征数)
W_x = np.random.randn(n_hidden, in_feats)

bias_h = np.random.randn(1, n_hidden)
# 计算WX后转置，得到(样本数, 隐藏层节点数)，和原代码H的维度一致
H = np.dot(W_x, X).T + bias_h

# ReLU激活逻辑保持不变
relu = lambda x: max(0, x)
v_relu = np.vectorize(relu)
H = v_relu(H)

# 3. 输出层权重同样维度反转：原W_h是(隐藏层节点数, 输出特征数)，现在改为(输出特征数, 隐藏层节点数)
W_h = np.random.randn(out_feats, n_hidden)

bias_o = np.random.randn(1, out_feats)
# 计算W_h与H的转置的乘积，再转置回(样本数, 输出特征数)
output = np.dot(W_h, H.T).T + bias_o

结果一致性验证 #

如果和原代码使用相同的随机种子，两者的中间结果H和最终output完全一致，可通过以下代码验证：

# 原XW+b版本代码（用于对比）
np.random.seed(42)
X_original = np.random.randn(n_inpts, in_feats)
W_x_original = np.random.randn(in_feats, n_hidden)
bias_h_original = np.random.randn(1, n_hidden)
H_original = np.dot(X_original, W_x_original) + bias_h_original
H_original = v_relu(H_original)
W_h_original = np.random.randn(n_hidden, out_feats)
bias_o_original = np.random.randn(1, out_feats)
output_original = np.dot(H_original, W_h_original) + bias_o_original

# 验证结果一致
print(np.allclose(H_original, H))          # 输出: True
print(np.allclose(output_original, output))# 输出: True

内容的提问来源于stack exchange，提问作者Statistician_guest