1. 定义与概念

2. 在深度学习领域，特别是卷积神经网络（CNN）中，“padding”（填充）是一种操作。它是指在输入数据（通常是图像、文本序列等）的边缘添加额外的像素（对于图像）或元素（对于序列）。例如，在一个二维图像卷积操作前，在图像的四周添加一圈像素值，这些添加的像素就是填充。

3. 目的和作用

4. 保持输出特征图尺寸：在卷积操作中，不使用填充时，输出特征图的尺寸会随着卷积操作而逐渐减小。例如，对于一个大小为(n\times n)的输入图像，使用大小为(k\times k)的卷积核，步长为(1)，若不进行填充，每次卷积操作后，输出特征图的边长会减少((k - 1))。通过填充合适数量的像素...

Read more

“stride”这个词在不同的语境中有不同的含义，在计算机科学，特别是深度学习领域以及日常用语中有以下解释：

一、在深度学习（卷积神经网络 - CNN）中的含义

1. 定义

2. 在卷积神经网络中，“stride”（步长）是指卷积核在输入数据（如图像、序列等）上滑动的步长大小。它决定了卷积操作后输出特征图（Feature Map）的尺寸。例如，在一个二维图像的卷积操作中，卷积核从左上角开始，按照指定的步长向右和向下滑动，对覆盖的区域进行卷积计算。

3. 对输出特征图尺寸的影响

4. 对于输入数据大小为(W_{in})（宽度）、(H_{in})（高度），卷积核大小为(k)（假设为正方形卷积核），步长为(...

Read more

• 单机版
• 集群版

• 高可用版

• 前端

• 后端
• 预测服务
• 存储服务 mongodb

• 缓存服务

• 接入层 7层

• 接入层4 层
• 接入层 网关层
• 业务逻辑层
• 缓存集群
• 存储集群
• 预测计算集群

Read more

1. 定义
2. Frobenius范数（弗罗贝尼乌斯范数）是一种矩阵范数，用于衡量矩阵的大小或“长度”。对于一个(m\times n)的矩阵(A=(a_{ij}))，它的Frobenius范数定义为(\left\lVert A\right\rVert_F=\sqrt{\sum_{i = 1}^{m}\sum_{j = 1}^{n}\vert a_{ij}\vert^2})。例如，对于矩阵(A = \begin{bmatrix}1&2\3&4\end{bmatrix})，其Frobenius范数(\left\lVert A\right\rVert_F=\sqrt{1^2 + 2^2...

Read more

1. 定义
2. 哈达码积（Hadamard product）也称为元素对应乘积，是一种特殊的矩阵乘法。对于两个相同维度的矩阵(A=(a_{ij}))和(B=(b_{ij}))，它们的哈达码积(A\circ B)是一个同样维度的矩阵(C=(c_{ij}))，其中(c_{ij}=a_{ij}b_{ij})。例如，若(A = \begin{bmatrix}1&2\3&4\end{bmatrix})，(B=\begin{bmatrix}5&6\7&8\end{bmatrix})，则(A\circ B=\begin{bmatrix}1\times5&2\times6...

Read more

1. 定义与基本性质
2. 定义：对于一个方阵(A=(a_{ij}))，如果(a_{ij}=a_{ji})，对所有的(i)和(j)都成立，那么矩阵(A)就是对称矩阵。例如，(A = \begin{bmatrix}1&2&3\2&4&5\3&5&6\end{bmatrix})是一个对称矩阵，因为(a_{12}=a_{21}=2)，(a_{13}=a_{31}=3)，(a_{23}=a_{32}=5)。
3. 性质：
   • 对称矩阵的转置等于它本身，即(A = A^T)。这是对称矩阵的本质特征。
   • 对称矩阵的主对角线元素可以是任意实数，主对角线就像一面“镜子”，使得矩...

Read more

1. 零向量
2. 定义：在向量空间中，所有分量都为零的向量称为零向量。例如，在二维向量空间中，零向量表示为(\vec{0}=(0,0))，在三维向量空间中为(\vec{0}=(0,0,0))。
3. 性质：零向量是唯一的。对于任意向量(\vec{v})，都有(\vec{v}+\vec{0}=\vec{v})，并且(0\cdot\vec{v}=\vec{0})（这里第一个(0)是标量(0)，第二个(\vec{0})是零向量）。它在向量空间的运算中起到类似数字运算中(0)的作用。例如，在求解线性方程组(A\vec{x}=\vec{b})时，如果(\vec{b}=\vec{0})，这个方程组就是齐次线性方程...

Read more

1. 对角矩阵
2. 定义：对角矩阵是一种方阵，除了主对角线（从左上角到右下角的对角线）上的元素外，其余元素都为零。例如，一个(3\times3)的对角矩阵(A)可以写成(A = \begin{bmatrix}a_{11}&0&0\0&a_{22}&0\0&0&a_{33}\end{bmatrix})。
3. 性质和应用：对角矩阵在矩阵乘法运算中有特殊的优势。当对角矩阵与另一个矩阵相乘时，相当于对另一个矩阵的行或列进行缩放。假设(A)是对角矩阵，(B)是一个(n\times m)的矩阵，那么(AB)的结果是将(B)的每一行按照(A)主对角线上对应的元素进行...

Read more

1. 线性代数基础概念与扭曲空间的联系
2. 向量空间：线性代数主要研究向量空间。在常规的三维欧几里得空间（这是一种“未扭曲”的空间概念）中，向量可以用坐标来表示，如((x,y,z))。向量空间具有加法和数乘运算等基本性质。而在扭曲空间中，向量的概念变得更加复杂。例如，在一个弯曲的二维曲面（如球面）上，切向量的定义依赖于曲面的局部几何。我们可以把球面上某一点的切向量看作是在该点处与球面“相切”的向量，它所在的“平面”是曲面在该点的切平面。
3. 基向量和坐标变换：在线性代数中，基向量是用来表示向量空间的基本框架。在欧几里得空间中，我们可以很方便地选择标准基向量，如在三维空间中的(\vec{i}=(1,0...

Read more

1. 滤波器在卷积神经网络中的角色
2. 特征提取的核心工具：在卷积神经网络（CNN）中，滤波器（Filter）也称为卷积核（Convolution Kernel），是用于提取特征的关键组件。它就像是一个“特征探测器”，通过在输入数据（如图像、文本序列等）上滑动进行卷积操作来捕捉数据中的局部特征模式。例如，在图像识别任务中，不同的滤波器可以分别检测图像中的边缘、纹理、角落等特征。一个简单的3x3边缘检测滤波器可能在水平方向上有正负交替的权重，当它在图像上滑动时，能够敏锐地捕捉到像素值在水平方向上的变化，即水平边缘。
3. 构建卷积层的基本元素：卷积层是CNN的核心层，而滤波器是卷积层的基本构建块。一个卷...

Read more