我来举一个核函数把低维空间映射到高维空间的例子。 　　下面这张图位于第一、二象限内。我们关注红色的门，以及“北京四合院”这几个字下面的紫色的字母。我们把红色的门上的点看成是“+”数据，紫色字母上的点看成是“-”数据，它们的横、纵坐标是两个特征。显然，在这个二维空间内，“+”“-”两类数据 ...

1.原理 对于1*1的卷积核来说,实际上就是实现不同通道数据之间的计算,由于卷积窗口为1*1,那么他不会对同一通道上相邻的数据进行改变,而是将不同通道之间的数据进行相加. 输入和输出具有相同的高和宽。输出中的每个元素来自输入中在高和宽上相同位置的元素在不同通道之间的按权重累加 ...

信道压缩~通~通~减 一、1 X 1的卷积核作用 　所谓信道压缩，Network in Network是怎么做到的？ 　对于如下的二维矩阵，做卷积，相当于直接乘以2，貌似看上去没什么意义： 　但是，对于下面这种32通道的数据，如果我用1个1x1x32的卷积核与其做卷积运算，得到 ...

权值共享基本上有两种方法： 在同一特征图和不同通道特征图都使用共享权值，这样的卷积参数是最少的，例如上一层为30*30*40，当使用3*3*120的卷积核进行卷积时，卷积参数为：3*3*120个.(卷积跟mlp有区别也有联系一个神经元是平面排列，一个是线性排列) 第二种只在同一特征图上 ...

1.降维或升维，减少参数量 通过1*1卷积核的个数，来控制输出的通道数也就是维度 通过一次卷积操作，W*H*6将变为W*H*1，这样的话，使用5个1*1的卷积核，显然可以卷积出5个W*H*1，再做通道的串接操作，就实现了W*H*5 对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是 ...

1.改变模型维度 二维的输入数据（如\(6*6\)）和\(1*1\)的卷积核 卷积，相当于原输入数据直接做乘法 三维的输入数据（如\(6*6*32\)）和\(1*1*32\)的卷积核卷积，相当于卷积核的32个数对原输入数据的32个数加权求和，结果填到最右侧对应方框中 升维 ...

我们在选择服务器配置的时候，CPU的性能也是咱们需要考虑的一点，除了考虑架构、工艺、单核性能等，还需要考虑核心数和线程数量，CPU从早期的单核，发展到现在的双核、多核，除了核心数量之外，还有线程数量也是越来越多 那么CPU核数和线程数有什么作用？CPU核数和线程数什么意思？今天小驰 ...

【深度学习】CNN 中 1x1 卷积核的作用 最近研究 GoogLeNet 和 VGG 神经网络结构的时候，都看见了它们在某些层有采取 1x1 作为卷积核，起初的时候，对这个做法很是迷惑，这是因为之前接触过的教材的例子中最小的卷积核 ...