我通过this tutorial教自己CNTK。
有一个定义为的函数
def linear_layer(input_var, output_dim):
input_dim = input_var.shape[0]
weight_param = C.parameter(shape=(input_dim, output_dim))
bias_param = C.parameter(shape=(output_dim))
mydict['w'], mydict['b'] = weight_param, bias_param
return C.times(input_var, weight_param) + bias_param
在线性代数中，当将2个矩阵相乘时，只有在内部尺寸匹配时才有意义。更明确地说，左侧的第二维必须等于右侧的第一维。
在此函数中，'times'函数的第二（右）参数是'weight_param'，它的第一个维度设置为与第一个（左）参数的第一个维度相同。这不应该起作用，因为内部尺寸不匹配。
我不确定input_var是（n x 2）还是（2 x n），但无论哪种方式都会导致错误。如果是（n×2）则weight_param是（n×2）并且（n×2）*（n×2）不应该计算。如果是（2×n）则weight_param是（2×2）并且（2×n）*（2×2）不应该计算。
但不知何故，这运行得很好。更令人困惑的是，如果我将函数的最后一行更改为
return C.times_transpose(input_var, weight_param) + bias_param
它产生完全相同的结果。
那么这里发生了什么？为什么这样做？为什么转置版本会产生相同的结果？
PS：我在和cntk同时教我自己python所以这些观察结果可能是关于python的。让我知道。
input_var是（n x 2），其中n表示批次轴。如果你打印input_var，你会得到类似Input('Input7', [#], [2])的东西，#意味着批量轴。
input_var.shape[0]返回2，所以weight_param的第一个维度是2（weight_param没有批处理轴，因为它是一个参数，而不是一个变量）。
所以内在尺寸匹配。
C.times_transpose产生相同的结果，因为output_dim在例子中也恰好是2。
你所遵循的cntk教程只是解释如何构建逻辑回归模型，用数据提供它并做预测。代码并不是那么详尽（你可能会发现一个变量“功能”和“功能”，这是不正确的等等...）您应该始终打印变量和张量的形状以使其清晰，对于时间运算符，简而言之，它执行以下操作：
时间（A，B）计算A * B.
times.transpose_transpose（A，B）计算（A ^ T）* B，内积
你必须始终确定形状，明确事情是非常重要的