标签：人工智能 预备 知识 一个 求导 范数 像素点 向量 图片

1， 从一个例子理解维数：

0维，就是一个像素点，一个标量，比如0.3

1维，一个特征向量

2维，一个矩阵，比如一张灰度图片的像素点分布

3维，一张三通道的彩色图片

4维，一个三通道图片批量，许多张图片

5维，一个视频批量，比三维多了时间序列

 

 

 

 

 

2， 范数

L-0范数：用来统计向量中非零元素的个数。
L-1范数：向量中所有元素的绝对值之和。可用于优化中去除没有取值的信息，又称稀疏规则算子。
L-2范数：典型应用——欧式距离。可用于优化正则化项，避免过拟合。
L-∞范数：计算向量中的最大值。

 

 

 

3， 如何理解axis取不同值时

 

 

 

 

4， 自动求导的正向反向求导

 

 

 

 

 

 

正向求导的复杂度：

 

 

标签：人工智能,预备,知识,一个,求导,范数,像素点,向量,图片
来源： https://www.cnblogs.com/rossxp/p/16396462.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。