以矩阵为对象的反向传播， 按矩阵的各个元素进行计算时，步骤和以标量为对象的计算图相同。出和教师标签的差分。神经网络的反向传播会把这个差分表示的误差传递给前面的层。神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换”A。按矩阵的各个元素进行计算时，步骤和以标量为对象的计算图相同。因此，这里将进行仿射变换的处理实现为“Affine层”。个数据一起进行正向传播的情况，也就是批版本的Af

以矩阵为对象的反向传播， 按矩阵的各个元素进行计算时，步骤和以标量为对象的计算图相同。出和教师标签的差分。神经网络的反向传播会把这个差分表示的误差传递给前面的层。神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换”A。按矩阵的各个元素进行计算时，步骤和以标量为对象的计算图相同。因此，这里将进行仿射变换的处理实现为“Affine层”。个数据一起进行正向传播的情况，也就是批版本的Af

以矩阵为对象的反向传播， 按矩阵的各个元素进行计算时，步骤和以标量为对象的计算图相同。出和教师标签的差分。神经网络的反向传播会把这个差分表示的误差传递给前面的层。神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换”A。按矩阵的各个元素进行计算时，步骤和以标量为对象的计算图相同。因此，这里将进行仿射变换的处理实现为“Affine层”。个数据一起进行正向传播的情况，也就是批版本的Af