Softmax回归中的权重是一维还是二维？

嘿，我来帮你理清这个看似矛盾的点！其实这两种权重设定本质是一致的，只是场景和实现方式不同而已：

吴恩达课程里的一维权重：教学场景的简化 #

• 在Coursera的深度学习课程中，不管是基础线性分类器，还是图像展平后的处理，权重都用一维向量，这是为了帮你先理解线性分类的核心逻辑：y = W·x + b，其中x是一维特征向量（比如展平后的图像像素），W是对应维度的一维权重，计算出来的y是单个样本的预测值（二分类时是得分，回归时是预测结果）。
• 这种简化让你不用过早纠结批量计算、多分类的维度适配，先把线性变换的本质吃透。

TensorFlow示例中的权重初始化：工程实现的便利 #

• 在《Learning TensorFlow》的第一个示例里，权重用的是二维张量（矩阵），这是因为实际深度学习工程中，我们通常会批量处理样本，同时可能面对多分类任务：
  • 假设输入是形状为[batch_size, feature_dim]的张量（batch_size是一次处理的样本数，feature_dim是单个样本的特征维度，比如展平后的图像像素数），那么权重会被初始化为[feature_dim, num_classes]的矩阵，这样通过一次矩阵乘法，就能直接得到整个批次所有样本对应各个类别的得分，形状是[batch_size, num_classes]，效率极高。
• 结合书中第14页的内容（你提到的片段），核心意思应该是：

Since we are not going to hand-code the matrix multiplication, TensorFlow handles the dimensions for us, allowing us to initialize weights in a way that fits real-world batch processing and multi-class classification needs.

两者的核心联系 #

其实吴恩达课程里的一维权重，就是TensorFlow中权重矩阵的“子集”：如果是二分类任务，权重矩阵其实就是一列（或一行，取决于维度定义），和课程里的一维向量完全等价；多分类时，矩阵的每一列（或行）对应一个类别的权重向量。

所以不用纠结形式差异，核心都是线性变换的逻辑，课程是教学简化版，TensorFlow示例是工程实用版~

内容的提问来源于stack exchange，提问作者Gnanesh