结构对比 MobileNet v1的深度可分离卷积（depthwise separable convolution）分为Depthwise convolution与Pointwise convolution。层级结构如下： MobileNet v2在Depthwise convolution之前添加一层Pointwise convolution。层级结构是这样： 为什么多了一层Pointwise convolution M
多项式回归 是对数据进行升维，升维可以让我们在观察Y结果变化的时候考虑更多的特征， 增减维度后变成 升高维度之后，可以把数据由非线性变化 变成线性变化，然后使用线性的模型来更好的拟合
使用三个不同大小的卷积核主要是为了减少参数的数量。 目录 使用三个不同大小的卷积核主要是为了减少参数的数量。1.首先是卷积核的数量问题2.其次是参数数量的计算：3. 增加跨通道信息的交互和增加非线性 1.首先是卷积核的数量问题 2.其次是参数数量的计算： 3.增加跨通道
【编者按：许多事、物常常同时发生在物理域、信息域和认知域三个领域，其中既有事实性，也有价值性，有时还有责任性。相比之下，人机融合中事实性的数据输入、推理、决策变化较小，而价值性的信息/知识认知过程弹性较大，如何把事实性与价值性的合成机制搞清楚将成为人机融合智能的关键问题，这也
二、unsqueeze、unsqueeze_和None的使用及注意in_place操作 1.unsqueeze unsqueeze没有in_place，就不可以直接对原始张量进行赋值，需要重新对张量进行赋值。 image = torch.randn(3, 13, 13) # 升维,变成NCHW image = image.unsqueeze(dim=0) 2.unsqueeze_ unsqueeze_有in_pla
数据结构 一维升级到二维 如遇到一维数据结构解决不了的问题，这个时候我们要考虑二维数据结构或者多维数据结构，一般来说，二维就可以了，更复杂的可能需要更多 复杂问题 科学的方法或者工具去解决 有些问题本身就是很复杂的逻辑和结构，我们这个时候可以考虑有没有更好的工具帮助我们解决
https://www.toutiao.com/a6675488003453878792/ 的媒介，大家的主要精力放在思想输出的训练上，而不是知识信息的输入上，这样的大脑修炼速度在中维知识层面上是“慢”的，但在高维智能层面上是“快”的。 高手读书是为了“酿蜜”，常人读书是为了“积粉”，修行目标不同，境界高下立判！
降维与度量学习的核心思想就是降维，这与SVM中的升维恰恰相反 思维导图：
/* 两两求出字符串之间最大可以匹配的值 由已知状态推导出位置状态 状态s表示已经加入到集合中的字符串，0表示串i不存在，1存在 由于字符串的加入顺序会影响结果，所以增加一维来表示 dp[S][i]表示状态集合为S，且i是新加入S的字符串的最大值 */ #include<iostream> #include<cstring>
1. 实现跨通道的交互和信息整合 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等于卷积核数量！ 对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。 2. 进行卷积核通道数的降维和升维
