我來舉一個核函數把低維空間映射到高維空間的例子。 　　下面這張圖位於第一、二象限內。我們關注紅色的門，以及“北京四合院”這幾個字下面的紫色的字母。我們把紅色的門上的點看成是“+”數據，紫色字母上的點看成是“-”數據，它們的橫、縱坐標是兩個特征。顯然，在這個二維空間內，“+”“-”兩類數據 ...

1.原理 對於1*1的卷積核來說,實際上就是實現不同通道數據之間的計算,由於卷積窗口為1*1,那么他不會對同一通道上相鄰的數據進行改變,而是將不同通道之間的數據進行相加. 輸入和輸出具有相同的高和寬。輸出中的每個元素來自輸入中在高和寬上相同位置的元素在不同通道之間的按權重累加 ...

信道壓縮~通~通~減 一、1 X 1的卷積核作用 　所謂信道壓縮，Network in Network是怎么做到的？ 　對於如下的二維矩陣，做卷積，相當於直接乘以2，貌似看上去沒什么意義： 　但是，對於下面這種32通道的數據，如果我用1個1x1x32的卷積核與其做卷積運算，得到 ...

權值共享基本上有兩種方法： 在同一特征圖和不同通道特征圖都使用共享權值，這樣的卷積參數是最少的，例如上一層為30*30*40，當使用3*3*120的卷積核進行卷積時，卷積參數為：3*3*120個.(卷積跟mlp有區別也有聯系一個神經元是平面排列，一個是線性排列) 第二種只在同一特征圖上 ...

1.降維或升維，減少參數量 通過1*1卷積核的個數，來控制輸出的通道數也就是維度 通過一次卷積操作，W*H*6將變為W*H*1，這樣的話，使用5個1*1的卷積核，顯然可以卷積出5個W*H*1，再做通道的串接操作，就實現了W*H*5 對於某個卷積層，無論輸入圖像有多少個通道，輸出圖像通道數總是 ...

1.改變模型維度 二維的輸入數據（如\(6*6\)）和\(1*1\)的卷積核 卷積，相當於原輸入數據直接做乘法 三維的輸入數據（如\(6*6*32\)）和\(1*1*32\)的卷積核卷積，相當於卷積核的32個數對原輸入數據的32個數加權求和，結果填到最右側對應方框中 升維 ...

我們在選擇服務器配置的時候，CPU的性能也是咱們需要考慮的一點，除了考慮架構、工藝、單核性能等，還需要考慮核心數和線程數量，CPU從早期的單核，發展到現在的雙核、多核，除了核心數量之外，還有線程數量也是越來越多 那么CPU核數和線程數有什么作用？CPU核數和線程數什么意思？今天小馳 ...

【深度學習】CNN 中 1x1 卷積核的作用 最近研究 GoogLeNet 和 VGG 神經網絡結構的時候，都看見了它們在某些層有采取 1x1 作為卷積核，起初的時候，對這個做法很是迷惑，這是因為之前接觸過的教材的例子中最小的卷積核 ...