！关于昨晚那么b1和b2求导后，为什么要求和的简单说明。
关键思想：“后宫佳丽三千人，三千宠爱在一身”。每列的score对d2有N个梯度，但d2每列只有一个值，所以要求和。
疑问代码段图片：不能手动划线，大致下图中间区域哈
举个栗子说明：N为输入的维度即“每行是一个图片”，C为分类维度即“每列是一个类别”
score=N * C,也就是N=10行，C=7列，就像下面这个样子：
scores=[
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1 0.2 0.3 0.5 0.6 0.9 0.1
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1 0.2 0.3 0.5 0.6 0.9 0.1
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1 0.2 0.3 0.5 0.6 0.9 0.1
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1 0.2 0.3 0.5 0.6 0.9 0.1
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1 0.2 0.3 0.5 0.6 0.9 0.1
]
b2在本代码中实际上是一个行向量，像下面这个样子
b2=[
0.2 0.3 0.4 0.5 0.7 0.1 0.9
]
又因为scores=W2 * h +b
所以实际加的时候b要在列上“复制”展开，大概是这个样子：
b2=[
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.2 0.3 0.4 0.5 0.7 0.1 0.9
]
所以，对于每一个score里面的元素，比如第一列，每个里面都有0.2(b2的第一个元素)的加量成分
scores=[
0.2=wh+0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1=wh+0.2 0.2 0.3 0.5 0.6 0.9 0.1
0.2=wh+0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1=wh+0.2 0.2 0.3 0.5 0.6 0.9 0.1
0.2=wh+0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1=wh+0.2 0.2 0.3 0.5 0.6 0.9 0.1
0.2=wb+0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1=wh+0.2 0.2 0.3 0.5 0.6 0.9 0.1
0.2=wh+0.2 0.3 0.4 0.5 0.7 0.1 0.9
0.1=wh+0.2 0.2 0.3 0.5 0.6 0.9 0.1
]
所以，b2的第一列中每个元素的梯度计算如下：
db2[0,0]=1*dscore[0,0]
db2[0,1]=1*dscore[0,1]
db2[0,2]=1*dscore[0,2]
db2[0,3]=1*dscore[0,3]
db2[0,4]=1*dscore[0,4]
db2[0,5]=1*dscore[0,5]
db2[0,6]=1*dscore[0,6]
db2[0,7]=1*dscore[0,7]
db2[0,8]=1*dscore[0,8]
db2[0,9]=1*dscore[0,9]
所以，
每个的梯度如上所示，但最后这些梯度都要放在单个b[0]身上，所谓“三千宠爱在一身”，“所以梯度全归一人”，于是像这样相加：
db2[0] = db2[0,N] = 1 * {dscore[0,0]+1*dscore[0,1]+...+1*dscore[0,9]}
不直接相加的话也可以，但那样b就不能设定成一维向量了。
或者还可以加权求和，所谓“三千宠爱，程度各不相同”，加权求和：
db2[0] = db2[0,N] = 1 * {dscore[0,0]*d0+1*dscore[0,1]*d1+...+1*dscore[0,9]*d9}
Numpy矩阵计算确实很强大，和matlab的点积、矩阵相乘有点区别，使用的时候要注意这一点。
